Einleitung

Lernen an Universitäten wird zunehmend durch den Einsatz von Technologien unterstützt. Dadurch stehen Daten über Lernende, ihre Studienhistorie, aber auch Daten, die Auskunft über die Interaktionen von Studierenden in der Lernumgebung geben zur Verfügung. Learning Analytics verwendet diese Informationen über Lernende und Lernumgebungen, um sie in Echtzeit zu analysieren und zu visualisieren, mit dem Ziel Lehr-Lernprozesse und Lernumgebungen zu modellieren und optimieren [If15a,IS16]. Da Learning Analytics dafür auf eine Vielzahl persönlicher Daten zugreift, sind Datenschutzthemen in der letzten Zeit von zunehmendem Interesse und haben zu ersten Vorgaben und Rahmenkonzepten geführt [PS14,SP13,WHH16]. Bei der Konzeption von Datenschutzrichtlinien müssen die Eigenheiten des jeweiligen Kontextes berücksichtigt werden [Ni04], da Menschen bereit sein können, gewisse Daten zwar in einem Kontext preiszugeben, sie aber in einem anderen Kontext nicht teilen möchten. Daher ist eine Übernahme von Richtlinien und Rahmenvorgaben aus anderen Disziplinen nicht ohne weiteres möglich. Aufgrund der Doppelrolle von Lernenden in Learning Analytics, dass sie nicht nur von dem System und seinen Analysen profitieren, sondern dafür auch ihre persönlichen und nutzergenerierten Daten preisgeben müssen [SP13], sind die Einstellungen Studierender zur Verwendung ihrer Daten von großem Interesse für die Erarbeitung von Learning Analytics Systemen und Datenschutzrichtlinien. Dieser Studie zielt auf diese Forschungslücke, indem die Einstellungen Studierender zu Datenschutzprinzipien, bezogen auf Learning Analytics erfasst werden.

Datenschutz in Learning Analytics

Im digitalen Zeitalter sind viele Individuen bereit, persönliche Daten preiszugeben, ohne genau zu wissen, wer Zugriff auf die Daten hat, wie und in welchem Kontext die Daten verwendet werden oder wie der Besitz der eigenen Daten kontrollieren werden kann [So04]. Durch die Nutzung von Onlinesystemen werden automatisch Daten generiert, was die Kontrolle über die eigenen Informationen zusätzlich erschwert [SP13]. Hinsichtlich des Eigentums persönlicher Daten gibt es landesspezifische Unterschiede, in den Vereinigten Staaten von Amerika gehören die Daten den Erfassenden, während in Europa die Daten dem Individuum gehören [WT05]. Aufgrund der bisher noch begrenzt verfügbaren Learning Analytics Systemen soll zunächst ermittelt werden, inwiefern Studierende berichten, ein bestimmtes Learning Analytics System verwenden zu wollen. Es wird angenommen, dass Studierende ein System bevorzugen, welches ein breites Unterstützungsangebot bietet (Hypothese 1). In einem weiteren Schritt soll die Bereitschaft der Studierenden, Daten für Learning Analytics Systeme preiszugeben, erfasst werden. Wir nehmen an, dass Studierende eher konservativ sind (d.h. wenig bereit sind, sensible persönliche Daten preiszugeben) hinsichtlich ihrer Bereitschaft, persönliche Daten preiszugeben (Hypothese 2). Darüberhinaus soll untersucht werden, inwiefern die Bereitschaft der Datenpreisgabe mit der Präferenz für ein Learning Analytics System zusammenhängt. Es wird angenommen, dass eine höhere Bereitschaft, Daten preiszugeben (Hypothese 3a) und eine höhere angenommene Kontrolle über die eigenen Daten (Hypothese 3b) in Zusammenhang steht mit der Präferenz ein bestimmtes Learning Analytics System zu verwenden.

Universitäten verwenden seit jeher eine

Methodisches Vorgehen

Die

Diskussion und Implikationen

Aufgrund des gestiegenen Interesses und der zunehmenden Verbreitung von Learning Analytics Systemen in Hochschulen ist es wichtig, die Bedeutung von Datenschutzrichtlinien zu verstehen, um sicherzustellen, dass diese Systeme Lernen, Lehre und Bildungsentscheidungen erleichtern und nicht in die Privatsphäre der Studierenden eingreifen. Die Studienergebnisse weisen darauf hin, dass Learning Analytics Systeme vielfältige Lernunterstützungen anbieten sollten. Die Studierenden empfanden Systeme (Beispiel 3) mit ausgereiften Dashboards, welche adaptive und personalisierte Informationen darbieten als hilfreicher für ihr Studium als andere Systeme (Beispiel 1 und 2). Darüberhinaus wurde deutlich, dass die Studierenden nicht bereit sind, alle Daten preiszugeben. Der Großteil ist bereit, studienbezogene Daten zu teilen, nicht aber persönliche Informationen oder Nutzerpfade. Insbesondere bei der Implementierung der geforderten adaptiven und personalisierten Systeme, die auf eine Vielzahl an Daten angewiesen sind, ist dies ein kritischer Aspekt. Um deutlich zu machen, warum die Daten benötigt werden, ist eine hohe Transparenz der Datensammlung und -analyse entscheidend. Dies kann beispielsweise über einen Fragezeichenbutton, der bei Bedarf diese Informationen anzeigt, realisiert werden oder aber über FAQs sowie eine situative Einwilligung zur Preisgabe der benötigten Daten für die gewünschte Analyse.

Der Zusammenhang von Akzeptanz und erwartetem Nutzen von Learning Analytics Systemen mit Datenschutzprinzipien verdeutlicht, dass sowohl Lernende als auch die anderen Beteiligten (Lehrende, Kursdesigner, Administratoren, etc.) bereits in der Implementierungsphase miteinbezogen werden müssen. Hier muss geklärt werden, wer Zugriff auf welche Daten hat, wo und wie lange die Daten gespeichert werden, welche Analysen und Schlussfolgerungen erfolgen und ob die Studierenden wissen, dass Daten von ihnen gesammelt werden. Zukünftige Forschung sollte neben existierenden Ansätzen und ersten Empfehlungen [CN13, KS01, ME14] auch die Perspektive anderer Interessensgruppen miteinbeziehen. Die Annahme der "kontextuellen Integritätstheorie", dass Personen Daten in einem Kontext bereit sind gewisse Daten preiszugeben, nicht aber in einem anderen, ist durch die Ergebnisse bestärkt worden [Ni11]. Durch fehlende Informationen über Lernende, Lernumgebungen und Curricular kann es zu Einschränkungen hinsichtlich der Systemfunktionalität und somit zu ungültigen Analyseergebnissen führen [Dr12].

Schlussfolgerungen

Learning Analytics Systeme bieten pädagogische und technologische Grundlagen für Interventionen in Echtzeit während des Lernprozesses. Durch die Verfügbarkeit von personalisiertem und zeitnahem Feedback kann selbstreguliertes Lernen, Lernmotivation und Lernerfolg unterstützt werden [SI17]. Allerdings kann durch automatische Systeme auch die Kompetenzentwicklung zu kritischem Denken und selbstständigem Lernen gehindert werden [If15b].

Datenschutzrichtlinien, die den Zugriff und die Verwendung von bildungsbezogenen Daten regulieren, müssen vor Implementierung eines Learning Analytics Systems eingeführt werden [WS15]. Das Speichern und Verarbeiten anonymer persönlicher Daten ist lediglich ein Anfang einer Datenregulierungsstrategie für Learning Analytics [PS15]. Studierende sind nicht ausreichend über die Informationsbruchstücke beschrieben, die entstehen, während sie mit Learning Analytics Systemen interagieren [So04]. Learning Analytics können gegebenenfalls Einblicke in individuelle Lernprozesse bieten, sind aber bisher weder akkreditiert noch sind sie frei von Verzerrungen, allumfassend oder valide.

Literaturverzeichnis