Datafizierung in der Bildung
Die fortschreitende Datafizierung des Bildungswesens transformiert die pädagogische Praxis grundlegend – digitale Technologien übernehmen zunehmend die Rolle von Sparringspartnern. Diese generieren und verarbeiten große Mengen an Bildungsdaten, aus denen neue Möglichkeiten zur Gestaltung von Lehr-Lern-Kontexten entstehen. Damit wächst zugleich die Verantwortung, diese datenbasierten Informationen pädagogisch begründet und reflektiert einzusetzen (Lipp & Slepcevic-Zach: 2025, S. 16). Diese Verantwortung nimmt kontinuierlich zu, da digitale Lehr-Lern-Formate mittlerweile sämtliche Phasen des lebenslangen Lernens prägen. Virtuelle Lernumgebungen und E-Learning-Angebote ermöglichen einen orts- und zeitunabhängigen Zugang zu Bildungsressourcen und erweitern das Lehr-Lern-Repertoire, um auf unterschiedliche Voraussetzungen, Lebenslagen und Lernstile einzugehen (Andas et al.: 2025, S. 31). In Anbetracht der Zunahme an Heterogenität unter den Lernenden leisten digitale Formate zudem einen wichtigen Beitrag zur Entwicklung inklusiver, flexibler und anschlussfähiger Bildungsangebote. Grundlage dafür sind u. a. jene Daten, die Lernende in der Interaktion mit digitalen Umgebungen hinterlassen. Was lange zu den „Dark Data“ zählte, avanciert heute zu einer zentralen Ressource für die Gestaltung von Bildungsprozessen in einer digital vernetzten Gesellschaft. In diesem Zusammenhang betonen internationale Organisationen wie die UNESCO (2024) das Potenzial von Bildungsdaten, um das Ziel einer inklusiven, gerechten und hochwertigen Bildung für alle zu erreichen.
Technologien der Educational Analytics werden dabei als Schlüssel angesehen, um durch datengestützte Entscheidungen die Effizienz im Bildungswesen zu steigern. Dazu werden Verfahren wie das „Educational Data Mining“ eingesetzt, die aus Lern- und Verwaltungssystemen große Datenmengen extrahieren, analysieren und automatisiert auswerten (Romero & Ventura: 2013, S. 12). Ein weiteres Feld stellen „Academic Analytics“ dar, welche Bildungsdaten auf institutioneller Ebene für bildungspolitische und ökonomische Entscheidungen nutzbar machen (Romero & Ventura: 2020, S. 2). Damit lassen sich beispielsweise abbruchgefährdete Studierende identifizieren oder die Performance von Bildungsinstitutionen evaluieren (Chatti et al.: 2012, S. 319). Neben diesen beiden Technologien adressieren auch „Learning Analytics“ den Bildungskontext, allerdings auf unmittelbarer Ebene von Lehr-Lern-Prozessen. Der Fokus dieser Technologie liegt auf der Frage, wie Daten von Lernenden und deren Interaktion in digitalen Lernumgebungen genutzt werden können, um daraus wiederum Lehr-Lern-Prozesse zu optimieren.
Learning Analytics – Bildungsdaten nutzbar machen
Die Nutzung digitaler Lernmanagementsysteme generiert eine Fülle von Daten: Lernende rufen Materialien unterschiedlich häufig auf, investieren verschieden viel Zeit in die Bearbeitung, lösen Aufgaben erfolgreich oder fehlerhaft oder beteiligen sich an Forendiskussionen. Die Datenbasis ist breit gefächert und umfasst Verhaltensdaten (Logins, Klickpfade), Leistungsdaten (Prüfungsergebnisse, Lernstandserhebungen) und Netzwerkdaten sowie, je nach System, auch personenbezogene Informationen wie demografische oder sozioökonomische Merkmale (Grandl et al.: 2017, S. 7; Kew & Tasir: 2022, S. 414; Khalil & Ebner: 2015, S. 1329; Lipp & Dreisiebner: 2021, S. 6). Die Fragestellung hinsichtlich der Nutzung dieser Daten konstituiert den Ausgangspunkt des Forschungs- und Anwendungsfeldes Learning Analytics.
Durch Einsatz von Learning Analytics werden Daten von Lernenden und Daten aus digitalen Lernumgebungen gesammelt, analysiert und in Echtzeit aufbereitet. Ziel ist die datenbasierte Modellierung und Optimierung von Lehr-Lern-Prozessen und Lernumgebungen (Ifenthaler & Schumacher: 2016, S. 176). Das interdisziplinäre Feld verbindet u. a. die Bereiche Informatik, Statistik, Data Science, Künstliche Intelligenz und Lehr-Lern-Forschung (Dawson et al.: 2014, S. 232; Ferguson: 2012, S. 305; Romero & Ventura: 2020, S. 2). Bisherige Anwendungsszenarien konzentrieren sich vor allem auf den Hochschulbereich (Paolucci et al.: 2024, S. 2; Tsai et al.: 2020, S. 2).
Begünstigt wurde die Verbreitung von Learning Analytics durch drei Faktoren: die wachsende Verfügbarkeit großer Datenmengen, die Zunahme digitaler Lernumgebungen sowie ein bildungspolitisches Interesse an der Steigerung des Bildungsniveaus im internationalen Vergleich (Ferguson: 2012, S. 306 f.). Für die Analyse kommen Verfahren des Data Mining, maschinellen Lernens und der Künstlichen Intelligenz zum Einsatz, darunter Clusteranalysen oder Relationship Mining. Die Ergebnisse werden in der Regel auf Dashboards präsentiert, die in Lernmanagementsysteme integriert sind. Diese Dashboards dienen dazu, beispielsweise Lernfortschritte zu visualisieren und Leistungsvergleiche zu ermöglichen. Die Interpretation dieser Darstellungen obliegt allerdings den Lehrenden und Lernenden (Lipp & Dreisiebner: 2021, S. 3; Schön & Ebner: 2013, S. 417). Learning Analytics ist folglich als eine Technologie zu verstehen, die pädagogische Entscheidungen unterstützt, jedoch nicht ersetzt (Dreisiebner & Lipp: 2022, S. 7).
Ein zentrales Potenzial von Learning Analytics besteht darin, ungünstiges Lernverhalten oder gefährdete Lernverläufe frühzeitig zu identifizieren und durch gezielte Interventionen Lernleistungen zu verbessern (Jayaprakash et al.: 2014; Jones & Rienties: 2022). Gleichzeitig bleibt der praktische Mehrwert bislang begrenzt. Als problematisch erweist sich insbesondere die Reduktion komplexer Lernprozesse auf messbare Indikatoren und die Tendenz zur Apophänie, dem Erkennen nicht vorhandener Muster in (wenig aussagekräftigen) Daten (Lipp: 2024). Dies kann zu Fehlinterpretationen führen, die wiederum Bildungsentscheidungen beeinflussen und Lernverläufe nachhaltig prägen können (Lipp & Dreisiebner: 2021). Insbesondere im Bereich der Erwachsenenbildung, der durch Diversität, Biografieorientierung und Heterogenität gekennzeichnet ist, stoßen datenbasierte Auswertungen aufgrund eingeschränkter Datenverfügbarkeit zusätzlich an ihre Grenzen.
Obwohl es daher durchaus Bedenken hinsichtlich der Tendenz zur Datafizierung im Bildungsbereich gibt, ist die zunehmende Relevanz von datenverarbeitenden Technologien, die durch Entwicklungen im Bereich der Künstlichen Intelligenz weiter verstärkt wird, nicht zu übersehen. Gerade weil Daten das Potenzial zugesprochen wird, Lernende gezielt zu begleiten und Bildungsangebote stärker zu personalisieren, ist das Feld der Learning Analytics für den Bildungskontext von besonderem Interesse. Zugleich zeigt sich jedoch, dass ein pädagogischer Mehrwert nur unter der Voraussetzung entstehen kann, dass Chancen und Risiken gleichermaßen reflektiert und der Einsatz in einen verantwortungsvollen Rahmen eingebettet wird. In diesem Verhältnis von wachsender Relevanz und notwendiger pädagogischer Rahmung wird deutlich, dass Learning Analytics nicht nur technische Lösungen bereithalten, sondern zugleich neue Fragen an die Bildungspraxis richten. Um das Potenzial angemessen einschätzen zu können, ist daher ein Blick auf die konkreten Möglichkeiten und Grenzen des Einsatzes erforderlich.
Zwischen Versprechen und Verantwortung
Learning Analytics ermöglichen es, Interaktionen in digitalen Lernräumen zu erfassen, zu analysieren und daraus Interventionen für die pädagogische Praxis abzuleiten. Werden digitale Lernumgebungen umfassend genutzt, lassen sich Lernerfolge prognostizieren oder Lernschwierigkeiten frühzeitig erkennen, um daraufhin gezielte Unterstützungsmaßnahmen anbieten zu können, beispielsweise durch personalisiertes Feedback und adaptive Lernempfehlungen (Chatti et al.: 2012, S. 326; Ifenthaler: 2017, S. 367). Der Beitrag von Learning Analytics geht jedoch über die reine Leistungsoptimierung hinaus. Es wird argumentiert, dass diese dazu beitragen können, Selbstreflexion und Selbstregulation zu stärken, kollaboratives Lernen zu fördern und digitale Kompetenzen zu entwickeln (Jivet et al.: 2021, S. 416; Lipp & Stock: 2022, S. 60). In diesem Zusammenhang erlangen sie insbesondere im Kontext des lebenslangen Lernens an Relevanz.
Gleichzeitig treten die Grenzen deutlich hervor. Die empirische Evidenz für eine Verbesserung von Lehr-Lern-Prozessen durch Learning Analytics ist bislang begrenzt und widersprüchlich (Guzmán-Valenzuela et al.: 2021; Lipp: 2024; Viberg et al.: 2018). Lipp & Slepcevic-Zach (2025, S. 11) zeigen, dass Lernende datenbasierte Begleitung zwar als hilfreich erleben, diese jedoch auch als bevormundend empfinden. Zudem wird kritisiert, dass Learning Analytics häufig auf einer unzureichenden pädagogisch-theoretischen Fundierung beruhen und die Komplexität von Lernprozessen unterschätzen, zumal nur ein Teil der Lernaktivitäten in digitalen Umgebungen stattfindet (Lipp & Dreisiebner: 2021, S. 13; Matcha et al.: 2020, S. 226). Besonders brisant sind auch Fragen des Datenschutzes und der informationellen Selbstbestimmung, die eng mit Befürchtungen einer zunehmenden Überwachung verbunden sind (Drachsler & Greller: 2016; Kitto & Knight: 2019; Lipp: 2021). Zusätzliche Herausforderungen, die die praktische Implementierung erschweren, sind unzureichende Data Literacy von Lehrenden und Lernenden, fehlende institutionelle Strategien und technologische Barrieren (Dollinger & Lodge: 2019; Tsai et al.: 2020).
Potenziale und Begrenzungen von Learning Analytics sind untrennbar miteinander verflochten. Wo Transparenz Orientierung ermöglicht, kann zugleich Leistungsdruck entstehen; wo Selbststeuerung gestärkt werden soll, droht systemseitige Steuerung. Learning Analytics liefern daher keine simplen Antworten, sondern werfen Fragen nach Balance und Verantwortlichkeit auf (Lipp: 2025). Der Mehrwert resultiert demnach nicht aus dem Versuch, einzelne Potenziale isoliert auszuschöpfen, sondern aus der Auseinandersetzung mit den inhärenten Spannungsfeldern. Dadurch entsteht ein Raum, in dem Chancen aufgrund der Berücksichtigung von Begrenzungen wirksam werden können.
Datentransparenz: Orientierungshilfe oder zusätzlicher Leistungsdruck?
Ein zentrales Potenzial von Learning Analytics liegt in der Echtzeit-Visualisierung von Lernständen und -fortschritten. Diese Transparenz kann Lernende in ihrer Selbsteinschätzung unterstützen, Reflexionsprozesse anregen und dazu beitragen, metakognitive Fähigkeiten zu entwickeln (Chatti et al.: 2012, S. 326 f.). Für Lehrende ergeben sich daraus Hinweise auf individuelle Bedarfe, die eine gezielte Ansprache der Lernenden sowie eine Anpassung der Unterstützungsangebote ermöglichen. In der Erwachsenenbildung, die von heterogenen Biografien und Vorerfahrungen geprägt ist, bietet dies die Möglichkeit, Lernwege sichtbar zu machen und differenziert zu begleiten.
Gleichzeitig sind mit dieser Transparenz Risiken verbunden. Datengenerierte Transparenz bedarf einer pädagogischen Kontextualisierung. Werden Lernfortschritte nicht nur individuell, sondern auch im Vergleich mit Peers dargestellt, kann dies einerseits motivierend wirken, andererseits aber Druck und Demotivation hervorrufen (Lipp: 2025, S. 507; Lipp & Slepcevic-Zach: 2025, S. 11). Lernende könnten sich dadurch beispielsweise als in Leistungskategorien eingeordnet erleben, was insbesondere in heterogenen Gruppen zu Frustration oder Rückzug führen kann. Die Möglichkeit, Visualisierungen modifiziert für unterschiedliche Anforderungen und Bedarfe zu gestalten und in den Lehr-Lern-Dialog einzubetten, ist dabei von entscheidender Bedeutung, um Orientierung zu schaffen, ohne zusätzlichen Leistungsdruck zu erzeugen.
Personalisierung: Individuelle Förderung oder technokratisch hervorgerufene Standardisierung?
Eng verbunden mit Fragen der Transparenz ist das Versprechen der Personalisierung. Learning Analytics können eingesetzt werden, um Lernumgebungen an die Bedarfe Einzelner anzupassen, beispielsweise durch adaptive Aufgabenstellungen, Empfehlungen zu Materialien und Lernstrategien oder personalisiertes Feedback (Verbert et al.: 2012, S. 138). Dies erscheint in unterschiedlichen Bildungskontexten als ein vielversprechendes Potenzial zur individuellen Förderung. In der praktischen Umsetzung bleibt die vermeintliche Personalisierung jedoch häufig auf numerisch erfassbare Daten beschränkt. Dimensionen, die sich einer Quantifizierung entziehen, wie Motivation, Kreativität oder biografische Besonderheiten, treten in den Hintergrund. Anstelle der individuellen Förderung erfolgt eine Vereinheitlichung, die durch die Logik technischer Systeme bedingt ist (Lipp: 2025, S. 512). Das Potenzial der Personalisierung kann erst dann vollends entfaltet werden, wenn algorithmische Empfehlungen mit pädagogischen Einschätzungen verbunden werden. Es ist daher unerlässlich, dass anwendende Personen wie Lehrende über die Kompetenz verfügen, datenbasierte Informationen zu interpretieren, diese mit weiteren Aspekten des Lehr-Lern-Kontextes verknüpfen (die nicht digital erfasst sind) und erst daraus Interventionen zur individuellen Förderung ableiten.
Frühwarnsysteme: Präventive Unterstützung oder datenbasierte Stigmatisierung?
Neben Transparenz und Personalisierung rücken mit diesen Technologien Frühwarnsysteme in den Fokus. Learning Analytics zielen darauf ab, präventiv zu wirken, indem sie über Mustererkennung Lernschwierigkeiten identifizieren und darauf aufbauend gezielte Interventionen anregen (Jayaprakash et al.: 2014, S. 41 f.). Damit sollen Dropouts reduziert und Lernbiografien stabilisiert werden. Die Aussagekraft solcher Indikatoren bleibt jedoch begrenzt. Erfasst wird meist lediglich Oberflächenaktivität, also die Interaktion mit digitalen Lernräumen. Diese ist jedoch nicht zwangsläufig mit tatsächlichem Lernen gleichzusetzen und auch analoge Leistungen sowie informelle Lernprozesse bleiben unberücksichtigt (Lipp & Dreisiebner: 2021, S. 13–15). Dies kann zu einer vorschnellen Klassifikation und Stigmatisierung der Lernenden führen und dadurch erst Lernschwierigkeiten hervorrufen, bedingt durch beispielsweise nicht bedarfsgerechte Unterstützungsangebote (Lipp: 2025, S. 512). Hinzu kommt, dass den Lernenden dadurch die Möglichkeit genommen wird, aus Fehlern zu lernen. Daher ist es von entscheidender Bedeutung, dass Informationen aus Frühwarnsystemen nicht unreflektiert übernommen werden, sondern lediglich als Ausgangspunkt für Gespräche und formative Unterstützung dienen.
Systemsteuerung: Förderung von Autonomie oder Anpassung an Systemlogiken?
Ein weiteres Spannungsfeld betrifft die Rolle von Learning Analytics bei der Förderung selbstregulierten Lernens (Jivet et al.: 2021, S. 416). Selbstreguliert zu lernen bedeutet, dass Lernende eigenständig Ziele formulieren, geeignete Strategien auswählen, deren Umsetzung überwachen, Resultate bewerten und die gewonnenen Erkenntnisse für zukünftige Lernprozesse nutzen (Deing: 2019, S. 321). Digitale Artefakte, wie Dashboards oder Elemente der Gamification, können diesen Prozess begleiten und die Entwicklung lernregulatorischer Fähigkeiten fördern. Dies ist insbesondere im Kontext des lebenslangen Lernens ein verheißungsvolles Potenzial. Gleichzeitig können „Systemschubser“ dazu führen, dass Lernende ihr Verhalten häufig stärker an den Logiken des Systems als an selbst gesetzten Zielen ausrichten. Punkte- und Levelsysteme fungieren als Steuerungsinstrumente, die darauf abzielen, die Aufmerksamkeit der Nutzenden auf systemdefinierte Vorgaben zu lenken. Dies kann eine Einschränkung der Autonomie der Lernenden zur Folge haben, Selbstbestimmung und Selbstregulation werden damit untergraben (Lipp: 2025, S. 512). Im pädagogischen Kontext ist es daher wichtig, dass durch den Einsatz solcher Systeme Handlungsspielräume eröffnet werden, anstatt limitiert. Lernende benötigen die Möglichkeit, eigene Ziele zu definieren und zu verfolgen, während Systeme lediglich als Impulsgeber und zur Anregung der Reflexion dienen können. Das Ziel besteht darin, den Prozess der Selbststeuerung zu begleiten, ohne dabei in eine verdeckte Systemsteuerung zu geraten.
Bereit für datenbasierte Lernbegleitung
Wird der Einsatz von Learning Analytics nicht als kompromisslose Ausschöpfung versprochener Potenziale verstanden, sondern als kontextspezifische Auslotung von Spannungsfeldern, eröffnen sich Möglichkeiten, Lernende gezielt und bedarfsgerecht zu begleiten. Transparenz kann Reflexion und Selbsteinschätzung fördern, zugleich aber auch Leistungsdruck erzeugen. Das Versprechen individueller Förderung durch Personalisierung, droht leicht in eine technozentrisch induzierte Standardisierung umzuschlagen. Frühwarnsysteme können Lernabbrüche verhindern, sie können jedoch ebenso neue hervorrufen. Ein Zuviel an Systemsteuerung kann die intendierte Selbststeuerung aushebeln.
Das Potenzial von Learning Analytics liegt demnach in der Auseinandersetzung mit diesen Spannungsfeldern und in der bewussten Gestaltung einer verantwortungsvollen Rahmung ihres Einsatzes, pädagogisch reflektiert und didaktisch eingebettet. Die Implementierung datenbasierter Lernbegleitung verlangt mehr als die bloße Bereitschaft, technische Systeme einzuführen und anzuwenden. Vielmehr ist eine Kultur der Ambivalenzkompetenz gefordert: Chancen nutzen, Grenzen anerkennen und beides in Balance bringen. Daten sollen im Dienst von Bildung stehen und nicht umgekehrt.
Pädagogische Verantwortung verringert sich durch den Einsatz von Technologien daher nicht, im Gegenteil, sie tritt umso deutlicher hervor und verlangt aktive Wahrnehmung. Gelingt eine entsprechend akzentuierte Rahmung datenbasierter Lernbegleitung, können Technologien der Educational Analytics in unterschiedlichen Bildungskontexten dazu beitragen, Heterogenität produktiv zu adressieren, Bildungsangebote inklusiver und anschlussfähiger zu gestalten und das lebenslange Lernen nachhaltig zu unterstützen. Dies setzt jedoch voraus, genauer hinzusehen. //
Kommentare