Learning Analytics bezeichnet die Aufbereitung und Analyse von Daten, die von Lernenden implizit oder explizit produziert wurden. Hierdurch sollen Lernprozesse, Lernfortschritte und Lernverhalten gemessen, dargestellt und vorhergesagt werden. Learning Analytics basiert auf großen Datenmengen und statistischen oder algorithmischen Verfahren, um diese auszuwerten. Dabei liegt der Fokus vor allem auf der Unterstützung des einzelnen Lernenden, anders als bei Educational Data Mining (EDM), das eher mit der Optimierung von Lernsettings und -angeboten basierend auf großen Datenmengen befasst ist. Allerdings verliert die Unterscheidung zwischen Educational Data Mining und Learning Analytics zunehmend an Bedeutung.

Beispiel: Die häufigsten Beispiele für Daten, die für Learning Analytics genutzt werden sind Nutzerpräferenzen, Verlassen der Webseite (Absprungrate), Effektivität des Marketings, Zufriedenheitsraten, Leistungsmessung und Fortschrittsmessung.

Literatur zum Nach- und Weiterlesen:
Leitner, P., Khalil, M., & Ebner, M. (2017). Learning analytics in higher education—a literature review. Learning analytics: Fundaments, applications, and trends, S. 1-23.
Lernay, D., Baek, C. & Doleck, T. (2021). Comparison of learning analytics and educational data mining: A topic modeling approach. Computers and Education: Artificial Intelligence (2).

Mit Learning Analytics Dashboards können die Ergebnisse von Learning Analytics-Vorhaben visualisiert werden. Dies kann beispielsweise Lernende dabei unterstützen ihren Lernprozess zu reflektieren und zu regulieren.

Beispiel: Bei den visualisierten Daten kann es sich z. B. um Lernfortschritte der Lernenden handeln.

Literatur zum Nach- und Weiterlesen:
Ifenthaler, D. (2020). Learning Analytics im Hochschulkontext – Potenziale aus Sicht von Stakeholdern, Datenschutz und Handlungsempfehlungen. In R. A. Fürst (Hg.), Digitale Bildung und Künstliche Intelligenz in Deutschland (S. 519–535). Springer Fachmedien Wiesbaden. Abrufbar unter: https://doi.org/10.1007/978-3-658-30525-3_22 (letzter Zugriff: 03.11.2022).

Die Learning Experience Platform (LXP) ist ein lernzentrierter Software-Typ, der personalisierte Lernerfahrungen ermöglicht und Nutzende unterstützt, neue Lernmöglichkeiten zu entdecken. Lerninhalte aus unterschiedlichen Quellen werden kombiniert, empfohlen und mit der Unterstützung von Künstlicher Intelligenz bereitgestellt. Dieses geschieht über digitale Touchpoints hinweg, z. B. Desktop-Anwendungen und mobile Lern-Apps. Im Gegensatz zu Learning Management Systems / Lernmanagement-Systeme (LMS), die den Fokus auf das Management des Lernens legen, stellt eine LXP die Nutzererfahrung und Anwendungsfreundlichkeit in den Vordergrund.

Literatur zum Nach- und Weiterlesen:
Valamis (2022, 19.01.) Learning Experience Platform. Everything you need to know about LXP/LEP. Abrufbar unter: https://www.valamis.com/hub/learning-experience-platform#what-is-lxp (letzter Zugriff: 03.11.2022).

LOM steht für „Learning Objects Metadata“ und beschreibt ein Datenschema zur Klassifikation von Lernangeboten anhand vieler verschiedener Metadatenfelder. Das Schema wurde in Reaktion auf den Dublin Core entwickelt, der nicht ausreichend war, um verschiedene Lernaktivitäten ausreichend zu beschreiben. Das LOM-Datenmodell wurde 2002 vom IEEE beschlossen (IEEE 1484.12.1) und seitdem immer wieder unter Zustimmung und Mitentwicklung des IMS ergänzt. Der LOM-Standard wird in XML enkodiert.

Literatur zum Nach- und Weiterlesen:
IEEE SA (2020). IEEE Standard for Learning Objects Metadata. Abrufbar unter: https://standards.ieee.org/standard/1484_12_1-2020.html (letzter Zugriff: 03.11.2022).

Beim Absolvieren von digitalen Lernangeboten, z. B. auf Lernplattformen, fallen Lernaktivitätsdaten an, die für eine Analyse des Lernprozesses genutzt werden können. Der Learning Record Store (LRS) dient dem Sammeln und Auswerten von xAPI-Lernaktivitätsdaten. In den Spezifikationen des xAPI-Standards wird der LRS definiert. Es können sowohl xAPI-Anweisungen gespeichert und abgerufen als auch der xAPI-Status und verschiedene andere xAPI-Metadaten von anderen Systemen gespeichert werden. Die im LRS gespeicherten Lernaktivitätsdaten lassen sich mit Hilfe von Learning Analytics auswerten und das Ergebnis z. B. auf einem Dashboard anzeigen. Häufig verfügen LRS bereits standardmäßig über Auswertungsfunktionen.

Literatur zum Nach- und Weiterlesen:
Huss, M. (2021). Learning Record Store – Lerndaten speichern und auswerten 2.0. Abrufbar unter: https://www.knowhow.de/learning-record-store-mit-learning-locker (letzter Zugriff: 03.11.2022).
SCORM (o. D.). Learning Record Store. What are LRS? Abrufbar unter: https://tinyurl.com/42v2xuyp (letzter Zugriff: 03.11.2022).

Learning Tools Interoperability (LTI) ist ein IMS-Standard. Er bietet ein einzelnes Framework, um eine Vielzahl an Tools, Inhalten und Lernaktivitäten, die online von Drittanbietern angeboten werden, in ein LMS einzubinden. Der LTI-Standard ermöglicht einen sicheren Informationsaustausch zwischen LMS und externem Lernwerkzeug, ohne dass sich die Lernenden dabei neu anmelden müssen (Single Sign-On). Anders als bei SCORM, ermöglicht LTI, dass externes Material direkt im LMS genutzt wird. SCORM-Kurse werden dagegen im LMS hochgeladen.

Literatur zum Nach- und Weiterlesen:
IMS Global Learning Consortium (o. D). IMS LTI 1.3 and LTI Advantage. Abrufbar unter: https://www.imsglobal.org/activity/learning-tools-interoperability (letzter Zugriff: 03.11.2022).

Lernmanagement-Systeme (LMS) wurden entwickelt, um Lehr- und Lernprozesse im E-Learning zu unterstützen und Lernmaterialien sowie Nutzendendaten zu verwalten. Die webbasierten Systeme ermöglichen die Bereitstellung von Lerninhalten, die Organisationen von Lernvorgängen und die Kommunikation zwischen Lernenden und Lehrenden. An vielen Hochschulen bilden sie die informations- und kommunikationstechnische Basis einer E-Learning-Infrastruktur.

Bekannte Beispiele für LMS sind Moodle und ILIAS.

Literatur zum Nach- und Weiterlesen:
E-teaching (2016). Lernmanagement-Systeme (LMS). Abrufbar unter: https://www.e-teaching.org/technik/distribution/lernmanagementsysteme (letzter Zugriff: 03.11.2022).
ILIAS open source e-Learning e.V. (o. D.) Über ILIAS. Abrufbar unter: https://www.ilias.de/ (letzter Zugriff: 03.11.2022).

In der IT-Welt gilt ein digitales Ökosystem als „ein sozio-technisches System, in dem Unternehmen und Menschen kooperieren, die zwar unabhängig sind, sich von der Teilnahme aber einen gegenseitigen Vorteil versprechen“ (IESE, 2022).
Lernökosysteme entstehen durch die Vernetzung von Lernangeboten und Lerntechnologien, Unternehmen und Menschen, die sich davon gegenseitige Vorteile versprechen.

Literatur zum Nach- und Weiterlesen:
Fraunhofer-Institut für Experimentelles Software Engineering IESE (2022). Digitale Ökosysteme und Plattformökonomie - Fraunhofer IESE. Abrufbar unter: https://www.iese.fraunhofer.de/de/leistungen/digitale-oekosysteme.html (Letzter Zugriff: 03.11.2022).
Kerres, Michael (2017): Lernprogramm, Lernraum oder Ökosystem? Metaphern in der Mediendidaktik. In: Vernetzt und entgrenzt - Gestaltung von Lernumgebungen mit digitalen Medien. Wiesbaden: Springer VS.

Ein Lernpfad wird zumeist in einer digitalen Lernumgebung durchlaufen, die mit einer Sequenz von aufeinander abgestimmten Schritten strukturierte Pfade durch interaktive Materialien anbietet. Auf einem Lernpfad arbeiten Lernende handlungsorientiert, selbsttätig und eigenverantwortlich auf ein Ziel hin. Da die Schritte eine Bausteinstruktur aufweisen, können die Lernenden jeweils für ihren Leistungsstand geeignete Elemente auswählen. Eine adaptive Lernumgebung stellt verschiedene Lernpfade durch die gesamten verfügbaren Lerninhalte bereit. Adaptive Lernpfade passen die Art der Wissensvermittlung an den Wissensstand, die Lernpräferenzen und das Umfeld des Lernenden an, um einen für alle Lernenden vergleichbaren Lernerfolg zu erzielen.

Literatur zum Nach- und Weiterlesen:
Götz, S., Süss-Stepancik, E. (2014). Lernpfade als Wegweiser zur Ausbildung von Begründungskompetenz im Mathematikunterricht. In: Schriftenreihe zur Didaktik der Mathematik der Österreichischen Mathematischen Gesellschaft (ÖMG), Heft Nr. 47. Abrufbar unter: https://www.researchgate.net/publication/291521762_Lernpfade_als_Wegweiser_zur_Ausbildung_von_Begrundungskompetenz_im_Mathematikunterricht (letzter Zugriff: 03.11.2022).

In einem Lernprofil / Lernerprofil (Learner Model / User Model) werden in adaptiven Lernsystemen die für die Systemanpassungen relevanten Charakteristiken des Lernenden erfasst und modelliert. Dies kann z. B. auf Basis des aktuellen Kompetenzniveaus, des Lernfortschritts oder des aktuellen Interesses erfolgen. Die Informationen des Learner Models werden mit den im Domänenmodell hinterlegten Lerninhalten in Beziehung gesetzt und resultieren in einer lernendenspezifischen Systemanpassung.

Literatur zum Nach- und Weiterlesen:
Brusilovsky, Peter (2012): Adaptive Hypermedia for Education and Training. In: Paula J. Durlach und Alan M. Lesgold (Hg.): Adaptive Technologies for Training and Education. Cambridge u. a.: Cambridge University Press, S. 46–65.
Ennouamani, S.; Mahani, Z. (2017). An Overview of Adaptive E-Learning Systems. In: 8th IEEE International Conference on Intelligent Computing and Information Systems. Cairo, S. 342–347.