Learning Analytics — was Sie messen, was nicht, und warum
Learning Analytics gibt Lehrkräften Einblick, wo Studierende stehen, was sie verstehen und wo sie ins Stocken geraten. Aber mehr Daten sind nicht automatisch besser — Vanity Metrics, Datenschutzrisiken und die Reduktion auf Zahlen sind echte Fallstricke. Dieser Artikel beschreibt, welche Daten nützlich sind, welche Fallstricke es gibt und wie LectaMe Analysen auf Lernzielebene bietet, ohne Studierende zu identifizieren.
Vier Dimensionen nützlicher Daten
Teilnahme
Wer an einer Sitzung teilnimmt, wann jemand abspringt, wie viele Teilnehmer pro Moment. Für die Lehrkraft: Sie wissen, ob Ihre Gruppe noch mitmacht und zu welchen Momenten die Aufmerksamkeit nachlässt.
Antworten
Welche Quizfragen oft falsch beantwortet werden, welche offenen Fragen ähnliche Antworten erhalten, welche Konzepte schwierig sind. Sie sehen die Bestehensquote pro Lernziel.
Zeitverlauf
Wie lange Studierende auf einer Folie verbringen, was erneut angesehen wird, welche Videoabschnitte wiederholt werden. Für eigenständige Lernpfade ein wertvoller Hinweis darauf, wo Schwierigkeiten entstehen.
Stimmung
Wie Studierende über das Thema denken — über Wortwolken, Ranking-Fragen oder Stimmungsumfragen. Macht sichtbar, was in einer gewöhnlichen Vorlesung unsichtbar bleibt: die stille Mehrheit.
Die Fallstricke
Vanity Metrics. Ein schönes Dashboard mit Teilnehmerzahlen, Abschlussquoten und Durchschnittswerten ist nett, sagt aber oft wenig aus. Fragen Sie sich: Was mache ich mit diesen Daten? Wenn die Antwort unklar ist, messen Sie zu viel.
Reduktion auf Zahlen. Lernen ist mehr als Bestehensquoten. Ein/e Studierende:r mit 60 % kann eine tiefere Erkenntnis gewonnen haben als ein/e Studierende:r mit 95 % bei Lückenübungen. Daten sind ein Signal, keine Geschichte.
Datenschutzerosion. Mehr zu messen klingt besser, führt aber schnell zu ethischen Problemen. Für minderjährige Studierende gilt die DSGVO streng — messen Sie nur, was Sie für Ihr didaktisches Ziel benötigen, und nicht mehr.
Häufig gestellte Fragen
Was sind Learning Analytics?+
Learning Analytics ist das Messen, Erfassen, Analysieren und Berichten von Daten über Studierende oder Teilnehmer und ihren Kontext mit dem Ziel, Lernprozesse zu verstehen und zu optimieren. Praktisch für Lehrkräfte: sehen, wer mitmacht, welche Fragen schwierig sind und wo Studierende ins Stocken geraten — als Grundlage, um Ihren Unterricht anzupassen.
Welche Daten sind für Lehrkräfte nützlich?+
Vier Dimensionen. Teilnahme (wer mitmacht, wann jemand abspringt), Antworten (welche Quizfragen oft falsch beantwortet werden, welche Konzepte schwierig sind), Zeitverlauf (wie lange pro Folie, was erneut angesehen wird) und Stimmung (wie Studierende über das Thema denken). Sie messen nicht alles gleichzeitig — wählen Sie, was Ihnen für Ihre nächste Unterrichtsstunde Erkenntnisse liefert.
Was sind die Fallstricke von Learning Analytics?+
Drei große Fallstricke. (1) Vanity Metrics — schicke Dashboards ohne handlungsrelevante Erkenntnisse. (2) Reduktion auf Zahlen — Lernen ist mehr als Bestehensquoten. (3) Datenschutzerosion — mehr zu messen klingt besser, führt aber schnell zu ethischen Problemen. Stellen Sie sich immer die Frage: „Was mache ich mit diesen Daten?“ Wenn die Antwort unklar ist, messen Sie zu viel.
Wie geht LectaMe mit Studierendendaten um?+
Studierende loggen sich nicht ein und geben keine personenbezogenen Daten preis. Die Analysen sind aggregiert: Sie sehen „8 von 15 falschen Antworten bei Frage 3“ — nicht „Tom Jansen hat falsch geantwortet“. Für Schulen ist das ein DSGVO-Vorteil: keine identifizierbaren Studierendendaten im Lehrkräfte-Cockpit. Für die formale Bewertung (Noten) verwenden Sie andere Systeme.
Was ist der Unterschied zwischen formativen und summativen Analysen?+
Formative Analysen messen während des Lernprozesses — um nachzusteuern. „Welche Konzepte sind gerade schwierig?“ Beispiel: Live-Quizdaten während einer Unterrichtsstunde. Summative Analysen messen nach dem Lernprozess — um festzustellen. „Hat der/die Studierende die Lernziele erreicht?“ Beispiel: Abschlussprüfungsdaten. LectaMe konzentriert sich auf formative Analysen; für summative Messungen koppeln Sie ein LMS oder Notensystem an.
Wie interpretiere ich Analysedaten, ohne zu viele Schlüsse zu ziehen?+
Drei Regeln. (1) Trends statt Einzelfälle — eine Frage, die einmal schlecht lief, sagt weniger aus als eine Frage, die durchgängig schlecht läuft. (2) Quantitatives mit Qualitativem kombinieren — Daten sagen, was, nicht warum. Fragen Sie Studierende nach dem Kontext. (3) Hypothesengeleitet — formulieren Sie vorab eine Frage („Halten Studierende X für wichtiger als Y?“) und interpretieren Sie die Daten dagegen, statt „nach Erkenntnissen zu fischen“.