Navigationsmenu Icon

Learning Analytics verantwortungsvoll gestalten – welche Haltelinien sind notwendig?

17.08.2026 | Forschung

Aus einer wissenschaftlich-feministischen Perspektive heraus plädiert Adrian Grimm vom Leibniz-Institut für die Pädagogik der Naturwissenschaften und Mathematik (IPN) dafür, begründet Wege auszuleuchten, die Potenziale von Learning Analytics erschließbar machen und gleichzeitig wirksam gegen Risiken vorbeugen.

Adrian Grimm (Leibniz-Institut für die Pädagogik der Naturwissenschaften und Mathematik, IPN)

Learning Analytics bieten riesige Potenziale für besseres Lernen an Schulen, die unbedingt genutzt werden sollten. Neben diesen Potenzialen entstehen aber auch einige Risiken. Daher ist es wichtig aus einer wissenschaftlich-feministischen Perspektive heraus begründet Wege auszuleuchten, die die Potenziale von Learning Analytics erschließbar machen und gleichzeitig wirksam gegen die Risiken vorbeugen.

Learning Analytics brauchen Haltelinien dort, wo Identity Play durch ständige Lernstandsüberwachung verhindert wird

Die Versuchung ist groß: Learning Analytics ermöglichen es, jede Aktivität von Schüler*innen im Unterricht auszuwerten. Benotung wird gerechter, weil alles einfließt. Die Note bildet das Verhalten der Schüler*innen ganzheitlicher ab. Was im ersten Moment in einer solchen Gerechtigkeits-Erzählung gut klingt, kann bei genauerer Betrachtung in der Praxis zum Gegenteil, also zu Ausschluss und Ungerechtigkeit führen. Warum?

Schüler*innen brauchen bewertungsfreie Räume, prüfungsfreie Räume, Räume, in denen sie sich ausprobieren können. Ist Chemie etwas für mich? Macht mir Physik vielleicht doch Spaß? Was in solchen Räumen stattfindet, heißt „Identity Play“. Über Identity Play werden beispielsweise MINT-Fächer von „nichts-für-mich“ zu „vielleicht-doch-für-mich“. Und Identitätsentwicklung ist das, was maßgeblich die Entscheidung für einen naturwissenschaftlichen Beruf prägt. Also: Werde ich Elektrotechniker*in? Studiere ich Chemie? Oder eben nicht.

Diese bewertungsfreien Räume als Vorbereitung von Berufsentscheidungen sind insbesondere relevant für Schüler*innen, die aktuell nicht entsprechend ihrer Anteile an der Bevölkerung vertreten sind. Für Physik und Chemie also beispielsweise Schülerinnen oder Schüler*innen of Colour. Learning Analytics in einem Lern-Management-System wie dem „Adaptiven Intelligenten System“ bieten das Potenzial, die Identitätsentwicklung gerade von bislang unterrepräsentierten Schüler*innen zu stärken, beispielsweise indem über Feedback Leistungen von Schüler*innen anerkannt werden. Um dieses Potenzial zu erschließen, brauchen Learning Analytics allerdings Haltelinien, die übermäßige Lernstandsüberwachung verhindern, und so Räume für Identity Play nicht weniger werden lassen, sondern im Gegenteil: mehr Räume für Identity Play und Identitätsentwicklung schaffen.

Learning Analytics brauchen Haltelinien dort, wo Überwachung in der Gesamtrechnung durch Gewöhnung zu Selbstzensur wird

Lernstandsüberwachung wird oft am Einzelfall begründet – und erscheint dort sinnvoll. Wenn Lehrer*innen den genauen Lernstand aller Schüler*innen viel häufiger übersichtlich aufbereitet bekommen, dann können sie viel passgenauer mit den Schüler*innen arbeiten. Das ist für den Einzelfall ein riesiges Potenzial, das auch erschlossen werden kann und sollte.

Was schnell aus dem Blick gerät ist das Gesamtbild: Wie viel Überwachung sind Schüler*innen insgesamt ausgesetzt? Was macht es mit Schüler*innen, ständig überwacht zu sein? Wenn immer wieder alle Aufgaben automatisiert in Echtzeit ausgewertet und diese Auswertungen übersichtlich für Lehrer*innen verfügbar gemacht werden?

Ein Risiko ist beispielsweise die Selbstzensur durch den sogenannten Gewöhnungseffekt. Schüler*innen gewöhnen sich daran, ständig überwacht zu werden und verhalten sich dann grundsätzlich so, als würden sie überwacht werden – selbst wenn das nicht der Fall ist. Das führt dazu, dass Schüler*innen sich selbst zensieren – selbst wenn es keine Zensur gibt. Und das wiederum ist gefährlich für eine freiheitliche Demokratie. Dem tragen unterschiedliche politische Ebenen bereits Rechnung, indem beispielsweise automatisierte Emotionserkennung von Schüler*innen in Echtzeit EU-weit verboten wurde. Es wird argumentiert, dass Emotionen etwas sehr Persönliches sind und deshalb besonders geschützt werden sollten. Die Vorteile beim Lernen sind aus Sicht der Gesetzgeber*innen an dieser Stelle keine Begründung, die einen Eingriff gegen diesen besonders geschützten Teil der Privatsphäre rechtfertigen. So wurde beispielsweise in einer bundesministeriell beauftragten wissenschaftlichen Studie bereits eine Überwachungsgesamtrechnung für Deutschland erstellt. Was dort gilt, gilt auch bei Learning Analytics: Wichtig ist nicht nur der Effekt der Einzelmaßnahme. Auch die Summe und der Gesamteffekt muss betrachtet werden, um Wirksamkeit von Learning Analytics zu evaluieren.

Und in diesem Sinne braucht es für verantwortungsvolle Learning Analytics regelmäßige Fragen wie beispielsweise: Braucht es diese Lernstandsüberwachung unbedingt? Ist hier vielleicht eine Rückmeldung direkt an die Schüler*innen der bessere Weg als eine Rückmeldung an die Lehrer*innen über ein Dashboard? Ist das hier vielleicht eine gute Gelegenheit für einen Raum ganz ohne Überwachung?

Learning Analytics sind nie neutral zu Fragen der Gerechtigkeit – sie wirken den bestehenden Unterrepräsentationen entgegen oder sie stärken sie

Ein sich beständig haltendes Narrativ ist der Mythos, dass Neutralität grundsätzlich wichtig ist für Gerechtigkeit. Aus wissenschaftlicher Sicht ist nicht abschließend zu beantworten, was Gerechtigkeit ist – das ist eine politische Frage, die Menschen mit ihren eigenen Werten für sich beantworten müssen. Wissenschaftliche Perspektiven können unterschiedliche Werte-Sets informieren. Und für ein feministisches Werte-Set ist Neutralität bei der Gestaltung von Learning Analytics wissenschaftlich belegt problematisch. Mit „feministischem Werte-Set“ meine ich an dieser Stelle, dass Unterrepräsentation von beispielsweise Schülerinnen und Schüler*innen of Colour in den Naturwissenschaften als problematisch eingeordnet werden und entsprechend abgebaut werden sollten. Neutralität führt dann zum Ausklammern von Fragen der Gerechtigkeit beispielsweise entlang von der Dimension Geschlechtsidentität.

Wenn Learning Analytics nicht explizit darauf hinarbeiten, Unterrepräsentationen abzubauen, gleichzeitig aber mit realen Daten und bestehenden Ungleichheiten trainiert werden, dann gibt es reihenweise Arbeiten, die auf eine Reproduktion von eben diesen Ungleichheiten hinweisen. Eine Kernbotschaft lautet also: Ob wir ein feministisches Werte-Set bei Learning Analytics verfolgen sollten, das ist eine politische Frage. Wenn wir ein feministisches Werte-Set mitbringen, dann ist wissenschaftlich begründet angezeigt, dass Neutralität vermieden und mit konkreten Maßnahmen aktiv Repräsentation angestrebt werden sollte.


Empfohlene Literatur zum Weiterlesen

Gepostet von: t.schilling
Kategorie: Forschung