=Paper=
{{Paper
|id=Vol-2092/paper3
|storemode=property
|title=Einstellung Studierender zu Datenschutz in Learning Analytics(Students’ Perceptions of Privacy in Learning Analytics)
|pdfUrl=https://ceur-ws.org/Vol-2092/paper3.pdf
|volume=Vol-2092
|authors=Clara Schumacher,Dirk Ifenthaler
|dblpUrl=https://dblp.org/rec/conf/delfi/RinklefI17
}}
==Einstellung Studierender zu Datenschutz in Learning Analytics(Students’ Perceptions of Privacy in Learning Analytics)==
https://ceur-ws.org/Vol-2092/paper3.pdf
Carsten Ullrich, Martin Wessner (Eds.): Proceedings of DeLFI and GMW Workshops 2017
Chemnitz, Germany, September 5, 2017
Students’ Perceptions of Privacy in Learning Analytics
Clara Schumacher, Dirk Ifenthaler
Abstract: The purpose of this study is to investigate students’ privacy perceptions in
relation to learning analytics. Privacy in learning analytics refers to collecting and storing
personal data including the analyses on the data and presenting results to the different
stakeholders. In total 330 university students participated in an exploratory study
confronting them with different learning analytics systems. In addition, their perceived
control over data and their willingness to reveal personal data were investigated. Results
indicated that students prefer learning analytics systems providing detailed, adaptive and
personalized dashboards. Furthermore, students are rather restrained in sharing personal
data with learning analytics systems. Due to the relation of acceptance and anticipated
benefits of learning analytics with privacy principles interests of all relevant stakeholders
should already be considered when implementing learning analytics. Upcoming research
should further investigate the conditions under which students are willing to reveal
relevant data for learning analytics systems.
Carsten Ullrich, Martin Wessner (Eds.): Proceedings of DeLFI and GMW Workshops 2017
Chemnitz, Germany, September 5, 2017
Einstellung Studierender zu Datenschutz in Learning Ana-
lytics
Clara Schumacher1 und Dirk Ifenthaler2
Abstract: Ziel der vorliegenden Studie ist es, die Einstellung Studierender zu Datenschutz in
Learning Analytics zu untersuchen. Datenschutz im Bereich Learning Analytics bezieht sich dabei
auf die Sammlung und Speicherung von persönlichen Daten aber auch auf die durchgeführten
Analysen und Bereitstellung der Ergebnisse für unterschiedliche Interessensgruppen. Insgesamt
330 Studierende nahmen an einer explorativen Studie teil, in der ihnen verschiedene Learning
Analytics Systeme präsentiert wurden. Zusätzlich wurden ihre wahrgenommene Kontrolle über die
eigenen Daten sowie ihre Bereitschaft, persönlichen Informationen zu teilen, erfasst. Die Ergeb-
nisse indizieren, dass Studierende detaillierte adaptive und personalisierbare Learning Analytics
Dashboards erwarten. Außerdem sind die Studierenden eher verhalten in ihrer Bereitschaft, Daten
preiszugeben. Aufgrund des Zusammenhangs von Akzeptanz, des erwarteten Nutzens von Learn-
ing Analytics und Datenschutzprinzipien sollten die Interessen aller beteiligten Gruppen bereits
während der Implementierungsphase berücksichtigt werden. Zukünftige Forschung sollte untersu-
chen, unter welchen Bedingungen Studierende bereit sind, notwendige Daten für Learning Analy-
tics Systeme preiszugeben.
Keywords: Learning Analytics, Datenschutz, Datenkontrolle, Transparenz, Hochschulbildung
1 Einleitung
Lernen an Universitäten wird zunehmend durch den Einsatz von Technologien unter-
stützt. Dadurch stehen Daten über Lernende, ihre Studienhistorie, aber auch Daten, die
Auskunft über die Interaktionen von Studierenden in der Lernumgebung geben zur Ver-
fügung. Learning Analytics verwendet diese Informationen über Lernende und Lernum-
gebungen, 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 Daten-
schutzthemen in der letzten Zeit von zunehmendem Interesse und haben zu ersten Vor-
gaben 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
1 Universität Mannheim, Wirtschaftspädagogik – Technologiebasiertes Instruktionsdesign, L4, 1, 68161
Mannheim, clara.schumacher@bwl.uni-mannheim.de
2 Universität Mannheim, Wirtschaftspädagogik – Technologiebasiertes Instruktionsdesign, L4, 1, 68161
Mannheim, and Deakin University, Burwood Campus, Melbourne VIC 3000, Australien,
dirk@ifenthaler.info
Clara Schumacher und Dirk Ifenthaler
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 Einstel-
lungen Studierender zur Verwendung ihrer Daten von großem Interesse für die Erarbei-
tung von Learning Analytics Systemen und Datenschutzrichtlinien. Dieser Studie zielt
auf diese Forschungslücke, indem die Einstellungen Studierender zu Datenschutzprinzi-
pien, bezogen auf Learning Analytics erfasst werden.
2 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]. Hinsicht-
lich des Eigentums persönlicher Daten gibt es landesspezifische Unterschiede, in den
Vereinigten Staaten von Amerika gehören die Daten den Erfassenden, während in Euro-
pa die Daten dem Individuum gehören [WT05].
Universitäten verwenden seit jeher eine Vielzahl an Daten über Studierende, wie z.B.
sozio-demografische Daten, Noten der Hochschulzugangsberechtigung oder Bestehens-
quoten als Grundlage für Ressourcenverteilung und Bildungsentscheidungen [LS11].
Mithilfe von Learning Analytics lassen sich in Echtzeit Daten über Studierendenaktivitä-
ten erfassen, wodurch sich Möglichkeiten für personalisierte und adaptive Lernumge-
bungen und -unterstützung ergeben [BBB14]. Insbesondere werden dabei Daten über (a)
Lernende (z.B. Vorwissen, akademische Leistungen), (b) Aktivitäten in der Lernumge-
bung (z.B. Nutzerpfade, Downloadaktivitäten), (c) curriculare Maßstäbe (z.B. Lerner-
gebnisse, Vergleich mit Leistungen vorheriger Kurskohorten) und (d) Interaktionen mit
Kommilitonen und Lehrenden (z.B. Aktivitäten in sozialen Netzwerken) analysiert
[GD12, If15a]. Universitäten müssen sich der Datenschutzthemen annehmen, die in
Verbindung mit Learning Analytics stehen, wie Zugriffsrechte, Speicherdauer, Analysen
und Schlussfolgerungen. Learning Analytics greifen dabei auf Daten aus verschiedenen
Kontexten zu, wie der Studienverwaltung, der Lernumgebung oder sozialen Interaktio-
nen [He14, If15a]. Die Bereitschaft Studierender, Daten preiszugeben kann in den jewei-
ligen Kontexten unterschiedlich sein. Entsprechend den Annahmen der „kontextuellen
Integritätstheorie“ sind Informationen, die in einem spezifischen Kontext preisegegeben
wurden, nicht übertragbar auf einen anderen Kontext, ohne die Bedeutung zu beeinträch-
tigen oder die Privatsphäre zu verletzen [Ni11]. Slade und Prinsloo [SP13] sowie Pardo
und Siemens [PS14] haben Datenschutzprinzipien für Learning Analytics erarbeitet. Sie
unterstreichen dabei die aktive Rolle Studierender in ihren Lernprozessen, den temporä-
ren Charakter und die Unvollständigkeit von vorhandenen Daten, auf denen Learning
Einstellung Studierender zu Datenschutz in Learning Analytics
Analytics basieren, sowie insbesondere Transparenz hinsichtlich Nutzung, Analysen,
Zweck, Zugriff, Kontrolle und Eigentumsverhältnisse der anfallenden Daten. Lernerfolg
ist ein komplexes und mehrdimensionales Phänomen, welches nicht vollständig von
Learning Analytics Systemen erfasst werden kann, insbesondere, da nur Lernaktivitäten,
welche innerhalb des Systems stattfinden, erfasst werden.
3 Studie
In der Forschung um Learning Analytics geht es bisher vor allem um die Benutzer-
freundlichkeit sowie die Effektivität und Validität der Systeme [Al12, IW14]. Empiri-
sche Studien zu Datenschutz in Learning Analytics insbesondere mit Blick auf die Stu-
dierendensicht sind noch am Anfang [PS14].
Aufgrund der bisher noch begrenzt verfügbaren Learning Analytics Systemen soll zu-
nächst ermittelt werden, inwiefern Studierende berichten, ein bestimmtes Learning Ana-
lytics 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 konserva-
tiv 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 Kon-
trolle über die eigenen Daten (Hypothese 3b) in Zusammenhang steht mit der Präferenz
ein bestimmtes Learning Analytics System zu verwenden.
3.1 Methodisches Vorgehen
Die vorliegende Studie wurde als ein Ein-Gruppen quasi-experimentelles Design aufge-
baut und als Online-Studie auf dem Universitätsserver durchgeführt. Die Teilnehmer
erhielten einen Leistungspunkt für die Teilnahme. Nach Entfernen von drei unvollstän-
digen Datensätzen, beinhaltete die finale Stichprobe N = 300 gültige Datensätze (223
weibliche, 107 männliche). Das Durchschnittsalter der Teilnehmer betrug 22.75 Jahre
(SD = 3.77). Die Mehrzahl der Teilnehmer studierte im Bachelorstudiengang (80%). Die
Teilnehmer gaben an, dass 33% ihrer Internetnutzung für Lernen genutzt wird, 33% für
Soziale Netzwerke, 26% für Unterhaltung und 8% für Arbeit.
3.2 Instrumente
Den Studierenden wurden drei verschiedene Learning Analytics Systeme präsentiert,
keines davon war ein kommerzielles Produkt, es handelt sich um Systeme großer inter-
Clara Schumacher und Dirk Ifenthaler
nationaler Universitäten.
Das erste Beispiel basierte auf dem Course Signals Projekt und beinhaltete einfach visu-
elle Hilfen, wie den Bearbeitungsfortschritt oder die Teilnahme an Diskussionen [PA10].
Basierend auf Studierendenverhalten in der Lernumgebung können Lehrende z.B. mit
Hilfe von E-Mails Kontakt zu den Studierenden aufnehmen und so rechtzeitig bei Prob-
lemen intervenieren.
Das zweite Beispielsystem beinhaltet ein Dashboard, welches generelle Informationen
über die Studierenden, ihre Aktivitäten, wie z.B. eingereichte Aufgaben, Lernzeit, Lo-
gins, Interaktionen, sowie Leistungsvergleiche anzeigt. Das ermöglicht Lernenden ihre
Leistung über die Zeit hinweg zu überwachen und Informationen über Leistungsprogno-
sen zu erhalten. Die Informationen werden den Lernenden in Form von Graphen oder
Diagramme dargestellt.
Das dritte Beispiel bietet detaillierte Einblicke in Lernaktivitäten und Leistung sowie
personalisierte Empfehlungen für Lerninhalte und -aktivitäten, Testaufgaben, Vorschlä-
ge für Lernpartner und Leistungsvergleiche. Es werden z.B. relevante Inhalte empfohlen,
um ein Lernziel zu erreichen oder passende Tests mit direktem Feedback angeboten. Die
Informationen werden den Lernenden in verschiedenen Formen dargeboten, z.B. als
Texte, Grafiken, Icons oder personalisierte Prompts.
Skala zur Erfassung der Kontrolle über die eigenen Daten
Diese Skala bezieht sich auf den Zugriff, die angenommene Kontrolle der eigenen Daten
sowie die Verwendung von Daten in Learning Analytics Systemen (COD). Sie beinhaltet
vier Subskalen: 1. Datenschutz (PLA; 5 Items; Cronbach’s α = .78), 2. Transparenz
(TAD; 8 Items; Cronbach’s α = .72), 3. Datenzugriff (AOD; 11 Items; Cronbach’s α =
.83) und 4. Nutzungsvereinbarung (TOA; 6 Items; Cronbach’s α = .73). Alle Items wur-
den auf einer fünf-stufigen Likert-Skala beantwortet. Beispielitems sind: „Ich stimme zu,
dass Learning Analytics meine persönlichen Daten teilt oder verkauft.“ (PLA, Item 1)
oder „Lehrende dürfen zu jeder Zeit auf meine persönlichen oder nutzergenerierten Da-
ten zugreifen.“ (TOA, Item 6).
Fragebogen zur Erfassung der Bereitschaft der Datenpreisgabe
Dieser Fragebogen erfasst die Bereitschaft Studierender, spezifische persönliche Daten
für ein Learning Analytics System preiszugeben, wie z.B. ihr Geburtsdatum, Bildungs-
historie (eigene und die der Eltern), Onlineverhalten, akademische Leistungen, Biblio-
thekszugriffe etc. Die 28 Items wurden auf einer Thurstone Skala beantwortet (1 =
stimme zu; 0 = stimme nicht zu; Cronbach’s α = .74).
Akzeptanz und Nutzung von Learning Analytics Systemen
Die Teilnehmer bewerteten jedes der drei o.g. Learning Analytics Systeme hinsichtlich
ihrer Akzeptanz und des Nutzens (ALA; 10 Items; Cronbach’s α = .89). Ein Beispielitem
ist „Dieses Learning Analytics System erleichtert mein Lernen“.
Demografische Daten
Einstellung Studierender zu Datenschutz in Learning Analytics
Die erfassten demografischen Daten beinhalten das Alter, Geschlecht, Hochschulzu-
gangsberechtigung, Studienfach, Studienjahr, aktuelle Kursanzahl, Internetnutzung etc.
3.3 Ergebnisse
Hypothese 1: Antizipierter Nutzen von Learning Analytics Systemen
Die Bewertung der Studierenden hinsichtlich des erwarteten Nutzens der drei vorgestell-
ten Learning Analytics Systeme unterscheidet sich signifikant, F(2, 987) = 9.21, p <
.001, η2 = 0.018. Tukey-HSD Post-hoc Vergleiche zwischen den drei Beispielen indizie-
ren, dass Beispiel 3 (M = 3.41, 95% CI [3.32, 3.51]) signifikant besser bewertet wurde,
als Beispiel 2 (M = 3.16, 95 % CI [3.07, 3.25]), p < .05. Außerdem wurde Beispiel 3 (M
= 3.41, 95% CI [3.32, 3.51]) signifikant besser bewertet als Beispiel 1 (M = 3.20, 95 %
CI [3.11, 3.28]), p < .05.
Dementsprechend wird Hypothese 1 angenommen. Studierende bevorzugen Learning
Analytics Systeme, die eine breites Unterstützungsangebot bieten (Beispiel 3) im Gegen-
satz zu anderen Systemen (Beispiel 1 und 2).
Hypothese 2: Datenpreisgabe in Learning Analytics Systemen
Die Mehrheit der Studierenden ist bereit, Kursbelegungsdaten (84%), Testergebnisse zu
verwendeten Lernstrategien (78%), Motivationstestergebnisse (75%) für Learning Ana-
lytics bereitzustellen. Demgegenüber sind Studierende nicht bereit, Gesundheitsdaten
(92%), Einkommen (91%), extern generierte Daten, wie z.B. von Social Media (90%),
Familienstand (87%) preiszugeben. Demnach sind Studierende bereit, universitätsrele-
vante Daten preiszugeben, aber nicht persönliche Informationen oder Nutzerdaten über
ihre Onlineaktivitäten (Nutzerpfade, Onlinezeiten, Downloads, etc.).
Um zu ermitteln, ob es Unterschiede in der Bereitschaft, Daten preiszugeben im Bezug
auf die drei verschiedenen Systeme gibt, wurde eine Varianzanalyse gerechnet. Die
Bereitschaft, Daten preiszugeben unterscheidet sich signifikant für die drei Beispielsys-
teme F(2, 989) = 8.20, p < .001, η2 = 0.016. Tukey-HSD Post-hoc Vergleiche zwischen
den drei Beispielen hinsichtlich der Bereitschaft, Daten preiszugeben indizieren, dass die
Teilnehmer signifikant mehr Bereitschaft zeigen, Daten für Beispiel 2 (M = 9.46, 95%
CI [8.75, 10.18]) als für Beispiel 1 (M = 7.40, 95% CI [6.69, 8.11]), p < .001 und Bei-
spiel 3 (M = 8.21, 95% CI [7.49, 8.93]), p < .05 preiszugeben. Die Gesamtbereitschaft,
persönliche Daten für Learning Analytics Systeme preiszugeben, war relativ gering (M =
8.36, SD = 6.64, Min = 0, Max = 28).
Folglich wird Hypothese 2 angenommen. Die Studierenden sind eher konservativ hin-
sichtlich ihrer Bereitschaft Daten für Learning Analytics Systeme preiszugeben.
Hypothese 3: Beziehung zwischen Bereitschaft Daten preiszugeben und angenommenem
Nutzen von Learning Analytics Systemen
Es wurden drei Regressionsanalysen berechnet, um festzustellen, ob die angenommene
Kontrolle über die eigenen Daten und die Bereitschaft, Daten preiszugeben signifikante
Clara Schumacher und Dirk Ifenthaler
Prädiktoren für die Akzeptanz und den erwarteten Nutzen der drei Learning Analytics
Systeme sind. Die Ergebnisse der Regressionsanalyse sind in Tabelle 1 dargestellt mit
einem ΔR2 von 0.032 (Beispiel 1), 0.129 (Beispiel 2) und 0.253 (Beispiel 3). Die ange-
nommene Kontrolle über die eigenen Daten und die Bereitschaft der Datenpreisgabe
können die Akzeptanz und den erwarteten Nutzen von Learning Analytics Systemen
positiv bestimmen.
Es wird daher angenommen, dass eine größere Bereitschaft der Datenpreisgabe (Hypo-
these 3a) sowie die angenommene Kontrolle über die eigenen Daten (Hypothese 3b) in
Verbindung stehen zur Akzeptanz und dem erwarteten Nutzen von Learning Analytics
Systemen.
R2 ΔR2 B SE B β
Learning Analytics Beispiel 1 .038 .032
Bereitschaft Daten preiszugeben .016 .007 .137*
Wahrgenommene Kontrolle über Daten .203 .109 .104
Learning Analytics Beispiel 2 .135 .129
Bereitschaft Daten preiszugeben .039 .007 .313***
Wahrgenommene Kontrolle über Daten .243 .115 .115*
Learning Analytics Beispiel 3 .257 .253
Bereitschaft Daten preiszugeben .035 .007 .269***
Wahrgenommene Kontrolle über Daten .766 .111 .348***
* p < .05, *** p < .001
Tab. 1: Ergebnisse der Regressionsanalyse
4 Diskussion und Implikationen
Aufgrund des gestiegenen Interesses und der zunehmenden Verbreitung von Learning
Analytics Systemen in Hochschulen ist es wichtig, die Bedeutung von Datenschutzricht-
linien zu verstehen, um sicherzustellen, dass diese Systeme Lernen, Lehre und Bildungs-
entscheidungen 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 darbie-
ten als hilfreicher für ihr Studium als andere Systeme (Beispiel 1 und 2).
Darüberhinaus wurde deutlich, dass die Studierenden nicht bereit sind, alle Daten preis-
zugeben. 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 wer-
den, 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
Einstellung Studierender zu Datenschutz in Learning Analytics
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 Im-
plementierungsphase 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 Ansät-
zen und ersten Empfehlungen [CN13, KS01, ME14] auch die Perspektive anderer Inte-
ressensgruppen 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 Einschrän-
kungen hinsichtlich der Systemfunktionalität und somit zu ungültigen Analyseergebnis-
sen führen [Dr12].
5 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 einge-
führt 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
[Al12] Ali, L., Hatala, M., Gašević, D., & Jovanovic, J.: A qualitative evaluation of evolution of
a learning analytics tool. Computers & Education, 58/1, S. 470-489., 2012.
[BBB14] Berland, M., Baker, R. S., & Bilkstein, P.: Educational data mining and learning
analytics: Applications to constructionist research. Technology, Knowledge and
Learning, 19/1-2, S. 205-220, 2014.
Clara Schumacher und Dirk Ifenthaler
[CN13] Clarke, J., & Nelson, K.: Perspectives on Learning Analytics: Issues and challenges.
Observations from Shane Dawson and Phil Long. The International Journal of the First
Year in Higher Education, 4/1, S. 1-8, 2013.
[Dr12] Dringus, L. P. (2012). Learning analytics considered harmful. Journal of Asynchronous
Learning Networks, 16/3, 87-100.
[GD12] Greller, W., & Drachsler, H.: Translating learning into numbers: A generic framework
for learning analytics. Educational Technolgy & Society, 15/3, S. 42-57, 2012.
[He14] Heath, J.: Contemporary privacy theory contributions to learning analytics. Journal of
Learning Analytics, 1/1, S. 140-149, 2014.
[If15a] Ifenthaler, D.: Learning analytics. In (J. M. Spector, Hrsg.): The Sage Encyclopedia of
Educational Technology (Vol. 2). Sage Publications, Thousands Oaks, S. 447-451,
2015a.
[If15b] Ifenthaler, D.: Model-based approaches. In (J. M. Spector, Hrsg.): The Sage
Encyclopedia of Educational Technology (Vol. 2). Sage Publications, Thousands Oaks,
S. 512-525, 2015b.
[IS16] Ifenthaler, D., & Schumacher, C.: Learning Analytics im Hochschulkontext. WiSt -
Wirtschaftswissenschaftliches Studium, 4, S. 172-177, 2016.
[IW14] Ifenthaler, D., & Widanapathirana, C.:Development and validation of a learning
analytics framework: Two case studies using support vector machines. Technology,
Knowledge and Learning, 19/1-2, S. 221-240, 2014.
[KS01] Kay, R., & Siriwardena, A. K.: The process of informed consent for urgent abdominal
surgery. Jounal of Medical Ethics, 27/3, S. 157-161, 2001.
[LS11] Long, P., & Siemens, G.: Penetrating the fog. Analytics in learning and education.
Educause Review, 46/5, S. 31-40, 2011.
[ME14] Moore, S. L., & Ellsworth, J. B.: Ethics of educational technology. In (J. M. Spector, M.
D. Merrill, J. Elen, & M. J. Bishop, Hrsg.), Handbook of research on educational
communications and technology. Springer, New York, S. 113-127, 2014.
[Ni04] Nissenbaum, H.: Privacy as contextual integrity. Washington Law Review, 79/1, S. 119-
157, 2004.
[Ni11] Nissenbaum, H.: A contextual approach to privacy online. Deadalus, 140/4, S. 32-48,
2011.
[PS14] Pardo, A., & Siemens, G.: Ethical and privacy principles for learning analytics. British
Journal of Educational Technology, 45/3, S. 438-450, 2014.
[PA10] Pistilli, M. D., & Arnold, K. E.: Purdue Signals: minin real-time academic data to
enhance student success. About campus: Enriching the student learning experience, 15/3,
S. 22-24, 2010.
[PS15] Prinsloo, P., & Slade, S. (2015). Student privacy self-management: Implications for
learning analytics. Proc. 5th Int. Conf. on Learning Analytics and Knowledge, New
York, 2015, S. 83-92.
[SI17] Schumacher, C., & Ifenthaler, D.: Features students really expect from learning
analytics. Computers in Human Behavior, 2017.
[SP13] Slade, S., & Prinsloo, P.: Learning analytics: Ethical issues and dilemmas. American
Behavioral Scientist, 57/10, S. 1510-1529, 2013.
[So04] Solove, D. J.: The digital person: Technology and privacy in the information age. New
York University, New York, 2004.
[WT05] Weippl, E. R., & Toja, A. M.: Privacy in e-learning: anonymity, pseudonyms and
authenticated usage. Interactive Technology and Smart Education, 2/4, S. 247-256,
2005.
[WHH16] West, D., Huijser, H., & Heath, D.: Putting an ethical lens on learning
Einstellung Studierender zu Datenschutz in Learning Analytics
analytics. Education Technology Research and Development, 64/5, S. 903-922, 2016.
[WS15] Willis, J. E., & Strunk, V. A.: Ethical responsibilities of preserving academicians in an
age of mechanized learning: Balancing the demands of educating at capacity and
preserving human interactivity. IGI Global, Hershey, 2015.