Einführung in Learning Analytics - Ethik, Privacy und Kompetenzen

1. Workshop
Learning Analytics
GRADE Centre
Johann-Wolfgang Goethe Universität Frankfurt
Wolfgang Greller (PH Wien)
16.-17. Mai 2019

2. Sechs Dimensionen von LA
W. Greller
2019
Workshop Learning Analytics
2

3. Nutzungsdesign Problematik
W. Greller
2019
Workshop Learning Analytics
3
Viele (berechtigte) Ängste gegenüber Learning Analytics

4. Nutzungsdesign Problematik
W. Greller
2019
Workshop Learning Analytics
4
Universitätsmanagers sehen:
Potenzial vs. Risiko
Nutzen vs. Kosten
Zweck vs. Konkurrenzdruck
Absichten vs. Zögern
Führt zu Verwirrung in der Umsetzung von Rahmenbedingungen
Viele (berechtigte) Ängste gegenüber Learning Analytics
Oft resultiert aus den Ängsten eine Regulierungserwartung

5. Vorbehalte
W. Greller
2019
Workshop Learning Analytics
5
- Mangelnde Rechtskenntnis und Kenntnis über ethische Grenzen
- Schutz der Privatsphäre
- Diskriminierung oder Stygmatisierung von Data Subjects
- Verstärkung/Bestätigung von Vorurteilen/ Machtverhältnissen
- Zwang nach vorgebenen Indikatoren handeln zu müssen
(Systembefriedigung statt Qualität und Innovation)
- Kontrollverlust durch automatisierte Entscheidungsprozesse/ Algorithmen
- Sicherheit persönlicher Daten
- Anonymität und Meinungs/Handlungsfreiheit (z.B. Lehrevaluierung)
Einige wichtige Vorbehalte gegenüber Learning Analytics:
Oft resultiert aus diesen Ängsten eine Regulierungserwartung (Gesetze!)

6. Information = Macht
W. Greller
2019
Workshop Learning Analytics
6
Ungleiche Machtverhältnisse und Nutzerdaten-Ausbeutung
a. Asymmetrische Verhältnisse: Eine Seite weiß mehr!
b. Ausbeutung der digitalen „Arbeitskraft“ (Monetisierung von
Nutzerdaten, Präferenzen und Aktivitäten: fb)
c. Datenmodelle nicht neutral – vermeintliche „ideale“ Identität. Von
anderen „designedte“ Identität – u.a. Spiegel globaler
Machtverhältnisse (Arora, 2015)
In institutionellen Settings für Learning Analytics wenig relevant –
Sorgepflicht und Walled Garden Umgebung
Institutionelle Zusicherungen an Data Subjects – Ombudsperson -
Mediationsprozedere

7. Transparenzfurcht
W. Greller
2019
Workshop Learning Analytics
7
Der gläserne Mensch
a. Transparenz = Kontrolle
b. Offen für Kritik (für nicht-konformes Handeln)
c. Handlungskorrekturen
d. System selbst ist undurchsichtig
In institutionellen Settings für Learning Analytics wenig relevant –
Sorgepflicht und Walled Garden Umgebung
Ausdrückliche Nutzung zur Eigenreflexion (ohne Intervention)
Institutionelle Zusicherungen an Data Subjects – Ombudsperson -
Mediationsprozedere

8. Data Ownership
W. Greller
2019
Workshop Learning Analytics
8
Data Ownership
a. Liegt beim Provider/der Institution
b. Nutzer kann Unzahl an kleinteiligen Daten nicht selber managen
c. Persönliche Cloud Datenspeicher (Learning Lockers) versprechen
nutzerzentrierte Lösungen (aber wenig aussichtsreich wegen
Datenvielfalt)
In institutionellen Settings für Learning Analytics weniger Problem –
Sorgepflicht und Walled Garden Umgebung – innerhalb des gesetzlichen
Rahmens
MIT’s openPDS “allows users to collect, store, and give fine-grained access to
their data all while protecting their privacy”

9. Rahmenbedingungen
W. Greller
2019
Workshop Learning Analytics
9
Zu unterscheiden:
• Konventionen: gesellschaftliche/professionelle Übereinkünfte
• Normen / Vorschriften, Standards
Die akzeptable Nutzung von Learning Analytics obliegt gewissen
Festlegungen/ Policies:
• Organisatorische
• Institutionelle
• Prozessuale
Auch:
• Ethische
• Gesetzliche
• Soziale

10. Trusted Learning Analytics
W. Greller
2019
Workshop Learning Analytics
10
Neue ethische Fragestellungen durch Learning Analytics.
u.a.: Wollen die Data Subjects analysiert werden?
Wie wird ethisches Handeln gesichert? Lernhilfe vs.
Überwachung. Bevormundung? Enteignung des
Entscheidungsprozesses oder Hilfe im Studium?
Missbrauch durch Lehrende/Data Clients? Verstärkung von
Vorurteilen?
Was tun mit präventiver Information? Verpflichtung zu
Handeln? Fiduciary Duty (Sorgepflicht)
Bei Verletzung ethischer Grundsätze: welche Möglichkeiten
und Konsequenzen?

11. Trusted Learning Analytics
W. Greller
2019
Workshop Learning Analytics
11
Einige Maßnahmen:
• Ethischer Leitfaden der Open University: Policy on Ethical
Use of Student Data for Learning Analytics (OU, 2014)
• JISC – Code of Practice for Learning Analytics (Sclater & Bailey,
2015)
• DELICATE Checklist (Drachsler & Greller, 2016)
Institutionelle Transparenz ist essenziell
Datensicherheit und Zugangskontrolle
Informed Consent Prozesse mit Opt-in Out-out
Normengerecht = Gesetzeskonformität GDPR
Interventionsabsicherung

12. Trusted Learning Analytics
W. Greller
2019
Workshop Learning Analytics
12
DELICATE Checklist:
D etermination: Klar definierte und kommunizierte Ziele
E xplain: Sammlung von Studentendaten und Nutzung
L egitimate: Information über rechtmäßige Datenverwendung
I nvolve: Stakeholders zu aktiven Agenten in der Entwicklung machen
C onsent: Zustimmung über klare Informed Consent Prozesse
A nonymise: Soweit als möglich und sinnvoll Daten anonymisieren
T echnical aspects: Wer hat (legitimen) Zugang zu Daten,
Datensicherheit gewährleisten. Besonders bei fluktuierendem
Personalstand
E xternal partners: Externe Service Provider sollen bestmögliche
Datensicherheit gewährleisten

13. Trusted Learning Analytics
W. Greller
2019
Workshop Learning Analytics
13
Studenten sollen nicht allein auf Basis gesammelter Daten beurteilt
werden:
“Furthermore, the use of digital technologies in education, whether
for assessment, learning, administrative or other purposes, results in
a wide range of data being available on each individual learner’s
learning behaviour. Analysing and interpreting this data and using it
to help make decisions is becoming more and more important –
complemented by the analysis of conventional evidence on
learner behaviour.” (DigCompEdu, Redecker, 2017)

14. Fragen? Diskussion!
W. Greller
2019
Workshop Learning Analytics
14

15. Sechs Dimensionen von LA
W. Greller
2019
Workshop Learning Analytics
15

16. Pädagogische Umsetzung
W. Greller
2019
Workshop Learning Analytics
16
Welche Voraussetzungen braucht die sinnvolle
Lerndatennutzung?

17. Pädagogische Umsetzung
W. Greller
2019
Workshop Learning Analytics
17
Unterteilung in:
- Akzeptanz
- Kompetenzen
Es braucht den Willen und die Fähigkeit Nutzen aus Learning Analytics
zu ziehen.

18. Pädagogische Umsetzung
W. Greller
2019
Workshop Learning Analytics
18
Akzeptanz
Ignoring the fears and public perception of the
application of analytics can lead to a lack of
acceptance, protests, and even failure of entire LA
implementations.
(LACE, 2016)

19. Pädagogische Kompetenzen
W. Greller
2019
Workshop Learning Analytics
19
Welches Wissen, welche Kompetenzen, benötigt man
zur nutzbringenden Anwendung von Lerndaten?

20. Workflow Perspektive
W. Greller
2019
Workshop Learning Analytics
20
hin zu Verständnis, Interpretation und Intervention

21. Sechs Kompetenzfelder
W. Greller
2019
Workshop Learning Analytics
21
Personal Evidence-Based Practice Framework (Greller, 2018)

22. Data Literacy
W. Greller
2019
Workshop Learning Analytics
22
Didaktisierung:
Daten im Zusammenhang sehen!
Kontextorientierung der Interpretation
Lernziel muss festgelegt und realistisch sein
Grundwissen über Daten: Verwaltung, Verwendung, Auswertung
Erfordert Kontextualisierung

23. Kritische Interpretation
W. Greller
2019
Workshop Learning Analytics
23
Darstellungen und Visualisierungen können komplex
und schwierig zu analysieren und interpretieren sein.
Erfordert Interpretation und Sensemaking

24. Ethos und Rechtsverständnis
W. Greller
2019
Workshop Learning Analytics
24
Datenschutzverpflichtung und Schutz der Privatsphäre
Studentenwohl im Blick: Lernhilfe statt „Stalking“
Datensicherheit
Obligation to act
“Ethical and responsible data use is part of knowing how to use
data, and that knowledge focuses on how to protect student privacy
and maintain confidentiality of student data.”
(Mandinach, Parton, Gummer, & Anderson, 2015)
Erfordert Transparenz und klare Kommunikation

25. Umgang mit Schwächen
W. Greller
2019
Workshop Learning Analytics
25
Learning Analytics kein „Allheilmittel“!
• Daten und Analytics sind nicht „neutral“. Analytics sind Narrativa, die
Daten führen zu Hypothesen, die erst getestet und verifiziert werden
müssen.
• Analytics kommt meist in Wahrscheinlichkeiten, nicht in klaren „wahr-
falsch“ Aussagen. Was tun damit?
• Pädagogischer Bias in Richtung „Instruktionismus“
(Verhaltensänderung).
• Daten zeigen nicht nur Lerner-Informationen, sondern implizit auch
Lehrerhandeln und Kontexte.
• Oftmals Eindimensionalität der Information
• Betrugsgefahr (gering?) – System überlisten wollen
Erfordert kritisches Denken und holistische Lernerperspektive

26. Transfer Daten zu Lernen
W. Greller
2019
Workshop Learning Analytics
26
• Reaktion auf Basis von Dateninterpretation (Hypothese): Gezielte
Intervention durch den Lehrenden (oder Lerner selbst)
• Verschiedene (drei) Wirkungsbereiche:
u.a. Kurskomponenten

27. Transfer Daten zu Lernen
W. Greller
2019
Workshop Learning Analytics
27
• Gegenseitige Beeinflussung von Lerndaten und Lerndesign (LALD)
• Die richtige Aktion als Folge der Datenevidenz wählen
• Das Lerndesign überdenken: was soll sich ändern? Wie geht man vor?
z.B. Erkennen und Korrektur von Fehlverständnissen
• Variieren von Variablen oder der Gewichtung von Indikatoren: was ist
wichtiger um ein fokussiertes Verständnis zu erlangen?
Erfordert wissenschaftliches Denken

28. Soziale Komponenten
W. Greller
2019
Workshop Learning Analytics
28
Erfordert Datenverständnis in sozialen Kontexten
“Knowledge and skills are not solely individual achievements, but
are developed, carried forward, and passed on through interaction
and collaboration.”
(Ferguson & Shum, 2012)
• Soziale Aspekte des Lernens: Kollaboration, Rollen, Gruppendynamik
usw.
• Soziale Positionierung des Lerners: Leistung im Vergleich zu Peers,
Gamification Potenzial

29. Fragen? Diskussion!
W. Greller
2019
Workshop Learning Analytics
29