Was können wir vom dateninformierten Schulsystem in Kanada für Learning Analytics in Deutschland lernen?

Prof. Dr. Ulrike Cress (Leibniz-Institut für Wissensmedien, IWM)

Kanada, insbesondere die Provinz Alberta, gilt seit Jahren als Vorreiter eines erfolgreichen dateninformierten Bildungssystems. Dies zeigt sich unter anderem in den Ergebnissen internationaler Vergleichsstudien wie PISA. Schulen nutzen dort systematisch Leistungs-, Lernstands- und Entwicklungsdaten, um Unterricht weiterzuentwickeln und Lernende gezielt zu unterstützen. Im Mittelpunkt steht dabei nicht die Kontrolle von Schulen oder Lehrkräften, sondern die kontinuierliche Verbesserung von Lernprozessen und Bildungsergebnissen.

Bemerkenswert ist, dass Alberta seinen Erfolg nicht auf Learning Analytics im engeren Sinne stützt. Kleingranulare Daten, die Lernprozesse kontinuierlich und prozessbegleitend erfassen – etwa Bearbeitungszeiten, Fehlerverläufe oder Interaktionen in digitalen Lernumgebungen –, spielen bislang eine vergleichsweise geringe Rolle. Im Zentrum stehen vielmehr Leistungs-, Lernstands- und Entwicklungsdaten auf der Ebene einzelner Lernender, von Klassen, Schulen und des Bildungssystems insgesamt. Gerade darin aber liegt eine wichtige Lektion für Deutschland. Hierzulande wird Learning Analytics vor allem im Zusammenhang mit adaptiven Lernsystemen diskutiert. Lernverlaufsdaten dienen dann primär dazu, individuelle Lernprozesse zu analysieren und Lernangebote an die Bedürfnisse einzelner Schülerinnen und Schüler anzupassen. Aber es  stellt sich die Frage, ob das Potenzial von Learning Analytics damit bereits ausgeschöpft ist. Das kanadische Beispiel legt eine breitere Perspektive nahe. Daten können nicht nur genutzt werden, um Lernprozesse einzelner Lernender adaptiv zu unterstützen. Sie können auch dazu beitragen, dass Lehrkräfte, Schulen und das Bildungssystem als Ganzes lernen und sich weiterentwickeln.

Learning Analytics sollte deshalb nicht ausschließlich als Grundlage adaptiver Lernsysteme verstanden werden, sondern als Bestandteil eines dateninformierten Bildungssystems. Daten und Learning Analytics entfalten ihren Wert dann, wenn sie dazu beitragen, Lernprozesse auf allen Ebenen besser zu verstehen und pädagogische Entscheidungen fundierter zu gestalten.

Learning Analytics macht Lernen sichtbar

Learning Analytics und KI-gestützte Assistenzsysteme eröffnen neue Möglichkeiten, Lernprozesse kontinuierlich zu erfassen und auszuwerten. Lernstände, Lernfortschritte und typische Fehlermuster werden sichtbar und können als Grundlage pädagogischer Entscheidungen dienen.

Die besondere Stärke von Learning Analytics liegt darin, Lernprozesse transparent zu machen und dadurch gezieltere Unterstützung zu ermöglichen. Lehrkräfte erhalten ein differenzierteres Bild der Lernentwicklung einzelner Schülerinnen und Schüler sowie ganzer Lerngruppen. Gleichzeitig können Lernende besser einschätzen, wo sie stehen und welche nächsten Lernschritte sinnvoll sind.

Adaptive Systeme können individuelles Lernen wirksam unterstützen

Insbesondere beim Üben und Festigen von Kompetenzen bieten adaptive Systeme erhebliche Potenziale. Sie können Aufgaben an den individuellen Lernstand anpassen, differenzierte Rückmeldungen geben und Wissenslücken frühzeitig identifizieren.

Dadurch wird es möglich, Lernende entsprechend ihrer jeweiligen Voraussetzungen gezielt zu fördern und zu fordern. Gerade in heterogenen Klassen eröffnen sich neue Möglichkeiten der Individualisierung. Leistungsstärkere Schülerinnen und Schüler können anspruchsvollere Aufgaben bearbeiten, während Lernende mit Unterstützungsbedarf passgenaue Hilfen erhalten.

Adaptivität ist damit nicht nur eine technologische Innovation, sondern auch ein Instrument zur Steigerung von Lernwirksamkeit und Bildungsgerechtigkeit. Ihr größter Nutzen liegt dort, wo sie individuelle Unterstützung ermöglicht, ohne Lernende zu isolieren oder pädagogische Entscheidungen zu automatisieren.

Daten sollten nicht nur Lernende, sondern auch Schulen lernfähiger machen

Die Potenziale von Learning Analytics gehen über die Unterstützung einzelner Lernender hinaus. Daten können sichtbar machen, welche Fördermaßnahmen wirksam sind, wo Entwicklungsbedarfe bestehen und welche schulischen Strategien erfolgreich sind.

Learning Analytics sollte daher nicht nur Lernende beim Lernen unterstützen, sondern auch Schulen und Bildungssysteme dabei helfen, über sich selbst zu lernen. Daten können Hinweise darauf geben, welche Maßnahmen zur Verbesserung von Unterricht beitragen, welche Unterstützungsangebote wirksam sind und wo zusätzliche Ressourcen benötigt werden.

Ein dateninformiertes Bildungssystem nutzt Daten deshalb nicht nur für individuelle Förderung, sondern auch für Unterrichts-, Schul- und Systementwicklung. Die eigentliche Stärke von Daten liegt darin, Lernen auf allen Ebenen des Bildungssystems zu unterstützen.

Bei aller Individualisierung muss die Lerngemeinschaft zentral bleiben

Die Chancen adaptiver Systeme dürfen nicht dazu verleiten, Lernen ausschließlich als individuellen Prozess zu verstehen. Adaptive Systeme sollten individuelle Unterschiede innerhalb einer Lerngemeinschaft berücksichtigen, diese jedoch nicht ersetzen.

Adaptive Lernangebote sind als Ergänzung zum gemeinsamen Unterricht zu verstehen, nicht als dessen Ersatz. Die Klasse bleibt der zentrale soziale und pädagogische Bezugspunkt des Lernens. Gemeinsame Diskussionen, Kooperation und gegenseitige Unterstützung sind weiterhin wesentliche Voraussetzungen erfolgreichen Lernens.

Gerade weil digitale Technologien Individualisierung erleichtern, muss bewusst darauf geachtet werden, dass gemeinsame Lernprozesse, soziale Interaktion und kollektive Wissenskonstruktion erhalten bleiben. Erfolgreiches Lernen entsteht nicht allein durch die Interaktion zwischen Lernenden und Technologie, sondern auch durch die Interaktion mit anderen Menschen.

Professionelle Urteilsbildung bleibt unverzichtbar

Ebenso wenig wie die Lerngemeinschaft kann die Lehrkraft durch Technologie ersetzt werden. Daten können sichtbar machen, wo Lernschwierigkeiten auftreten. Die Interpretation dieser Daten, das Verständnis ihrer Ursachen und die Ableitung pädagogischer Konsequenzen bleiben jedoch Aufgaben professioneller Urteilsbildung.

Insbesondere beim Erwerb neuer und komplexer Inhalte sind direkte Instruktion, persönliche Rückmeldungen und die Gestaltung sozialer Lernprozesse unverzichtbar. KI kann individuelles Üben unterstützen; die Einführung neuer Inhalte, die Förderung von Motivation und die Begleitung sozialer Lernprozesse bleiben zentrale Aufgaben von Lehrkräften.

Die professionelle Expertise von Lehrkräften wird durch Learning Analytics daher nicht ersetzt, sondern ergänzt. Daten können Entscheidungen unterstützen, sie können pädagogische Verantwortung jedoch nicht übernehmen.

Von adaptivem Lernen zu einem lernenden Bildungssystem

Die Entwicklung adaptiver Lernsysteme gehört derzeit zu den wichtigsten Innovationsfeldern im Bildungsbereich. Learning Analytics ermöglicht es, Lernverläufe sichtbar zu machen und Lernangebote an individuelle Voraussetzungen anzupassen. Darin liegt ein erhebliches Potenzial für personalisiertes Lernen.

Das Beispiel Alberta zeigt jedoch, dass die Nutzung von Daten nicht auf die Unterstützung einzelner Lernender beschränkt bleiben sollte. Daten können ebenso dazu beitragen, Unterricht weiterzuentwickeln, Schulentwicklungsprozesse zu unterstützen und bildungspolitische Entscheidungen evidenzbasiert zu gestalten.

Learning Analytics und KI sollten deshalb nicht nur als Technologien zur individuellen Adaptivität verstanden werden. Ihr Potenzial entfaltet sich besonders dann, wenn die gewonnenen Erkenntnisse auf mehreren Ebenen wirksam werden: bei Lernenden, Lehrkräften, Schulen und im Bildungssystem insgesamt.

Diese Perspektive entspricht auch den Empfehlungen der Ständigen Wissenschaftlichen Kommission (SWK), die eine datengestützte Qualitätsentwicklung auf allen Ebenen des Bildungssystems fordert.

Die zentrale Lehre aus Kanada lautet daher nicht, Lernen stärker zu individualisieren. Individualisierung ist bereits ein wichtiges Ziel adaptiver Systeme. Die eigentliche Herausforderung besteht darin, die Erkenntnisse aus Learning Analytics so zu nutzen, dass nicht nur einzelne Lernende, sondern auch Schulen und Bildungssysteme lernfähiger werden.

Das kanadische Beispiel zeigt, dass der größte Mehrwert dort entsteht, wo individuelle Förderung, professionelle Urteilsbildung, Schulentwicklung und dateninformierte Entscheidungen zusammengedacht werden. Learning Analytics ist dann nicht nur ein Instrument zur Unterstützung einzelner Lernprozesse, sondern ein Baustein eines Bildungssystems, das auf allen Ebenen lernfähig ist.