Mann vor Laptop

Learning Analytics und Diskriminierung

Wie kann Diskriminierung nach Geschlecht, Alter, Herkunft oder Lerntyp durch den Einsatz von Datenanalysen in digitalen Lernsystemen begünstigt oder verhindert werden?

Projektlaufzeit: 01.11.2018 – 31.10.2021

Bei der Verwendung digitaler Lernumgebungen entsteht eine Fülle von Daten über Lernende und ihre Lernprozesse. Die gesammelten Daten beschreiben Lernerfolge (wie erzielte Punkte, richtige Lösungen oder abgelegte Prüfungen) und erfassen betrachtete Lehrmaterialien, durchgeführte Übungen und benötigte Zeiten. Aus demographischen Merkmalen der Lernpersonen können außerdem Profile zu persönlichen Lerneigenschaften gebildet werden. All diese Daten können mit komplexen Berechnungen ausgewertet werden, um den Lernerfolg zu messen und vorherzusagen sowie um das Lehrmaterial an den jeweiligen Lernenden anzupassen. Solche Auswertungen werden als Learning Analytics oder Lerndatenanalysen bezeichnet.

Detaillierte Lerndatenanalysen können Quellen möglicher Diskriminierung sein: Etwa dann, wenn Lernenden mit niedrigerem sozialen Status oder eines bestimmten Geschlechts ein geringerer Lernerfolg prognostiziert wird und das Lehrmaterial daraufhin so angepasst wird, dass Lernende mit schlechter Prognose keine Chance haben, ein hohes Lernniveau zu erreichen.

Hier setzt das Verbundprojekt der Heinrich-Heine-Universität Düsseldorf (HHU) und der Hochschule für Technik und Wirtschaft Berlin (HTW) an. Die Wissenschaftlerinnen und Wissenschaftler untersuchen, wie Diskriminierung nach Geschlecht, Alter, Herkunft oder Lerntyp durch den Einsatz von Datenanalysen in digitalen Lernsystemen begünstigt oder verhindert werden kann.

Die Ergebnisse des Forschungsverbundes tragen zur Diskussion wichtiger gesellschaftlicher Zukunftsfelder der Bildung bei. Dies betrifft neben dem zentralen Thema der Diskriminierung auch Fragen der Effektivität und Effizienzsteigerung von Lernen und ethische Fragen im Zusammenhang mit einer zunehmenden Datensammlung und Algorithmisierung vieler Lebensbereiche.

Yun, H., Riazy, S., Fortenbacher, A. & Simbeck, K., (2019). Code of Practice for Sensor-Based Learning. In: Pinkwart, N. & Konert, J. (Hrsg.), DELFI 2019. Bonn: Gesellschaft für Informatik e.V. (S. 199-204). DOI: 10.18420/delfi2019_326

 

Riazy, S. & Simbeck, K., (2019). Predictive Algorithms in Learning Analytics and their Fairness. In: Pinkwart, N. & Konert, J. (Hrsg.), DELFI 2019. Bonn: Gesellschaft für Informatik e.V. (S. 223-228). DOI: 10.18420/delfi2019_305

 

Köchling, A. & Riazy, S. (2019). Fluch oder Segen? Big Data und Learning Analytics im Lernkontext. weiter bilden, (4), 17–20. https://www.die-bonn.de/id/37212/about/html/

 

Riazy, S.; Weller, S. and Simbeck, K. (2020). Evaluation of Low-threshold Programming Learning Environments for the Blind and Partially Sighted.In Proceedings of the 12th International Conference on Computer Supported Education - Volume 2: CSEDU, ISBN 978-989-758-417-6, pages 366-373. DOI: 10.5220/0009448603660373

 

Riazy, S.; Simbeck, K.; Woestenfeld, R. and Traeger, M. (2020). Prior Knowledge as a Predictor for Persistence.In Proceedings of the 12th International Conference on Computer Supported Education - Volume 1: CSEDU, ISBN 978-989-758-417-6, pages 137-144. DOI: 10.5220/0009324201370144

 

Riazy, S.; Simbeck, K. and Schreck, V. (2020). Fairness in Learning Analytics: Student At-risk Prediction in Virtual Learning Environments. In Proceedings of the 12th International Conference on Computer Supported Education - Volume 1: CSEDU, ISBN 978-989-758-417-6, pages 15-25. DOI: 10.5220/0009324100150025

 

Köchling, A. and Riazy, S. (2020) “Big Data et Learning Analytics: bienfait ou fléau?” Education Permanente (2) 2020.

 

Köchling, A., Riazy, S., Wehner, M. C., & Simbeck, K. (2021). Highly Accurate, But Still Discriminatory. Business & Information Systems Engineering, 63(1), 39-54.) DOI: 10.1007/s12599-020-00673-w

 

Rzepka, N., Müller, H.-G., and Simbeck, K. (2021).  What you apply is not what you learn! Examining students' strategies in German capitalization tasks. In Proceedings of the 14th International Conference on Educational Data Mining.

 

Mai, L., Köchling, A., and Wehner, M. C. (2021). ‘This Student Needs to Stay Back’: To What Degree Would Instructors Rely on the Recommendation of Learning Analytics? In Proceedings of the 13th International Conference on Computer Supported Education - Volume 1: CSEDU, ISBN 978-989-758-502-9; ISSN 2184-5026, 189-197. DOI: 10.5220/0010449401890197.

 

Mai, L., Köchling, A., Schmodde, L., and Wehner, M. C. (2021). Teacher vs. Algorithm: Learners’ Fairness Perception of Learning Analytics Algorithms. In Lingnau, Andreas (Hg.) (2021). DELFI 2021 - 19. Fachtagung Bildungstechnologien der GI: Hochschule Ruhr West. ISBN: 978-3-946757-03-0, urn:nbn:de:hbz:1393-opus4-7338. S.130-145.

 

Mai, L.; Köchling, A. & Wehner, M. C. (2022) ”This Student Needs to Stay Back”: To What Degree Would Instructors Rely on the Recommendation of Learning Analytics?, SN Computer Science 3, 259 (2022). https://doi.org/10.1007/s42979-022-01137-6

 

Rzepka, N., Simbeck, K., Müller, H.-G. and Pinkwart, N. (2022). Keep It Up: In-session Dropout Prediction to Support Blended Classroom Scenarios. Proceedings of the 14th International Conference on Computer Supported Education - Volume 2: CSEDU,, SciTePress, 2022, ISBN 978-989-758-562-3 

 

Rzepka, N., Simbeck, K., Müller, H.-G. and Pinkwart, N. (2022). Fairness of In-session Dropout Prediction. Proceedings of the 14th International Conference on Computer Supported Education - Volume 2: CSEDU CSEDU, SciTePress, 2022, ISBN 978-989-758-562-3 

Köchling, A. and Riazy, S. (2020). Learning Analytics: Wann ist Personalisierung diskriminierend?
https://www.forumbd.de/blog/learning-analytics-wann-ist-personalisierung-diskriminierend

Köchling, A. and Kaiser, H. (2020). Learning Analytics: Die digitale Zukunft des Lernens.
https://www.netzwerk-digitale-bildung.de/learning-analytics-die-digitale-zukunft-des-lernens/

Köchling, A. and Nieter, A. (2020). Wie digital ist die Bildungspraxis?
https://www.codingkids.de/wissen/status-quo-wie-digital-ist-die-bildungspraxis-1

Interview mit Jun.-Prof. Dr. Marius Wehner in der DUZ - Magazin für Wissenschaft und Gesellschaft. Die finale Entscheidung sollten immer Menschen treffen
https://www.duz.de/media/duzDe/issues/d0c2kw/cff7y8/web/html5/index.html?&locale=DEU&pn=79

Sporn, Z. and Rzepka, N. (2021). How Babbel Kept Students Learning Languages Through the First Lockdown
https://www.babbel.com/en/magazine/how-babbel-kept-students-learning-languages-through-lockdown

Ansprechpartner/in

Bild Nathalie Rzepka

Nathalie Rzepka

Telefon
Adresse

Hochschule für Technik und Wirtschaft Berlin (HTW Berlin)
FB 4 - Projekt "Learning Analytics und Diskriminierung"
Ostendstraße 25, 12459 Berlin

Funktion
Mitarbeit