Die Security Assertion Markup Language (SAML) ist ein offener Standard zum Austausch von Authentifizierungs- und Autorisierungsinformationen. Mit SAML können Authentifizierungsinformationen über Nutzer:innen zwischen dem sogenannten Identity Provider (beispielsweise einer Universität oder einer Behörde) und einem Service Provider (z. B. einem Online-Dienst) ausgetauscht werden. Dabei kann auch Single-Sign-On umgesetzt werden. SAML basiert auf dem XML Framework.

Literatur zum Nach- und Weiterlesen:
oasis-open (Hg.) (2008). Security Assertion Markup Language (SAML) V2.0 Technical Overview. Abrufbar unter: http://docs.oasis-open.org/security/saml/Post2.0/sstc-saml-tech-overview-2.0.html (letzter Zugriff: 03.11.2022).
saml.xml.org (Hg.). SAML Specifications. Abrufbar unter: http://saml.xml.org/saml-specifications (letzter Zugriff 03.11.2022).

Self Sovereign Identities (SSI) sind dezentrale Identitäten (u. a. auf Blockchain-Basis). Der Kern des Konzepts ist, dass Nutzer:innen über ein persönliches Wallet ihre eigenen Identitäten verwalten, ohne dass ein zentraler Identity Provider benötigt wird. Das SSI-Paradigma stellt damit eine Alternative zu isolierten und föderierten Identitätssystemen dar. Gegenüber solchen herkömmlichen digitalen Identitäten wird eine größere Kontrolle der Nutzer:innen über ihre Daten und eine größere Datensparsamkeit erreicht. Im Rahmen des „European Self-Sovereign Identity Framework“ (ESSIF) sollen bis 2022 Blockchain-basierte SSIs für verschiedene Anwendungsfelder entwickelt werden.

Literatur zum Nach- und Weiterlesen:
Ehrlich, T., Richter, D., Meisel, M., Jürgen, A. (2021). Self-Sovereign Identity als Grundlage für universell einsetzbare digitale Identitäten. In: HMD Vol. 58, Nr. 2, S. 247-270.
ESSIF Lab (Hg.). Self-Sovereign Identity (SSI). Abrufbar unter: https://essif-lab.github.io/framework/docs/terms/self-sovereign-identity (letzter Zugriff: 03.10112022).

Bei einem Serious Game (dt. ernsthaftes Spiel) handelt es sich um ein digitales Spiel, das einerseits der Unterhaltung dient und den Spielerinnen und Spielern gleichzeitig während des Spielens z. B. Wissen, Fähigkeiten oder Meinungen vermittelt. Serious Games können jedem Spielgenre angehören, jede Spieltechnologie verwenden und sind hinsichtlich ihrer Zielgruppe und Anwendungsbereiche nicht eingeschränkt. Bei einem Serious Game kann es sich auch um ein Unterhaltungsspiel handeln, das zu einem anderen Zweck als der reinen Unterhaltung verwendet wird.

Beispiel: Das Serious Game „Pacific: The Leadership Game“ (2015) konzentriert sich auf Führungstrainings. Um zu gewinnen, müssen Spielende eine Gruppe von Charakteren führen, die auf einer Insel im Pazifik verloren gegangen ist. Es bietet viele Möglichkeiten, Führungsqualitäten wie Kommunikation, Delegation, Coaching und Leistungsbewertung zu üben.

Literatur zum Nach- und Weiterlesen:
Marr, A. C., Kaiser, R. (2010). Serious Games für die Informations- und Wissensvermittlung. Bibliotheken auf neuen Wegen. Wiesbaden: Dinges & Frick, S. 14–19.
Gamification Weekly (2022). 16 Serious Games that changed the world. Abrufbar unter: https://gamificationweekly.com/16-serious-games-that-changed-the-world/ (letzter Zugriff: 03.11.2022).

SCORM steht für „Shareable Content Object Reference Model“ und wurde 2001 von der Advanced Distributed Learning Initiative (ADL) veröffentlicht. SCORM erfüllt zwei zentrale Funktionen: es bestimmt, wie Lernangebote „gepackt“ werden, also wie beispielsweise eine anderswo entwickelte Kurseinheit an ein LMS übergeben wird, damit das LMS den Kurs wieder entpacken und starten kann. Es spezifiziert zweitens, wie beispielsweise ein Kurs mit dem LMS kommuniziert, z. B. werden Informationen zur vollständigen Bearbeitung und zum Bestehen des Kurses an das LMS kommuniziert. SCORM gilt als veralteter Standard, da es durch das umfangreichere xAPI ersetzt wurde.

Literatur zum Nach- und Weiterlesen:
Advanced Distributed Learning Initiative (o. D.): Sharable Content Object Reference Model (SCORM®). Abrufbar unter: https://adlnet.gov/projects/scorm/#scorm-2004-4th-edition (letzter Zugriff: 03.11.2022).
Rustici Software (2022): Technical SCORM. A guide to SCORM 1.2 and SCORM 2004 for developers. Abrufbar unter: https://scorm.com/scorm-explained/technical-scorm/scorm-12-overview-for-developers/ (letzter Zugriff: 03.11.2022).

Die EU-Verordnung zur Einrichtung eines einheitlichen digitalen Zugangstors (Single Digital Gateway, SDG) wurde im September 2018 beschlossen. Die Verordnung sieht vor, dass Verwaltungsleistungen der EU-Mitgliedsstaaten über eine einheitliche Plattform erreicht werden können. Dafür wurde die Plattform „Your Europe“ entwickelt. Die ersten 21 ausgewählten Verwaltungsverfahren sollen bis 2023 für alle EU-Bürger:innen vollständig online abgewickelt werden können, darunter auch bildungsrelevante Leistungen (z. B. Austausch und Anerkennung von Bildungsnachweisen). Weiterhin wird im Gesetz vor allem für das Erfüllen der Sicherheitsanforderungen auf internationale Normungsbemühungen verwiesen.

Literatur zum Nach- und Weiterlesen:
Europäische Union (2018). VERORDNUNG (EU) 2018/1724 DES EUROPÄISCHEN PARLAMENTS UND DES RATES. Abrufbar unter: https://eur-lex.europa.eu/legal-content/DE/TXT/PDF/?uri=CELEX:32018R1724&from=EN (letzter Zugriff: 03.11.2022).

Mit einem Single Sign-On ist die Nutzung mehrerer digitaler Dienste mit nur einem Anmelde-Verfahren möglich. Dem liegt ein technologischer Prozess zugrunde, in dem die Anmeldedaten und die damit verbundenen Autorisierungsinformationen automatisch von einem Identity Provider übertragen werden.

Literatur zum Nach- und Weiterlesen:
Bazaz, T., Khalique, A. (2016). A Review on Single Sign On enabling Technologies and Protocols. In: International Journal of Computer Applications, Vol. 151, Nr. 11, S. 18-25.
Radha, V., Reddy, D. H. (2012). A Survey on Single Sign-On Techniques. In: Procedia Technology, Vol. 4, S. 134-139.

KI-basierte Algorithmen können in mehrere Kategorien unterteilt werden. Die statistische bzw. lernende KI ist eine davon. Statistische bzw. lernende KI-Verfahren (häufig auch: „maschinelles Lernen“) lernen aus Beispielen und können diese nach einer Trainingsphase in Situationen mit unbekannten Datensätzen einsetzen. Dazu werden häufig z. B. neuronale Netze oder Support Vector Machines eingesetzt. Diese Verfahren werden häufig zu Klassifizierungs- und Vorhersageaufgaben eingesetzt, z. B. zur Vorhersage des Lernerfolgs. Vorteile statistischer KI-Verfahren im Bildungskontext sind die höhere Vorhersagegüte und Anwendungsbreite gegenüber wissensbasierten Systemen. Ein Nachteil ist jedoch der häufig hohe Bedarf an personenbezogenen Daten (z. B. zum Lernverhalten oder Prüfungsergebnissen).

Literatur zum Nach- und Weiterlesen:
Pinkwart, N. & Beudt, S. (2020). Künstliche Intelligenz als unterstützende Lerntechnologie. Stuttgart, Fraunhofer-Institut für Arbeitswirtschaft und Organisation IAO. Abrufbar unter: https://tinyurl.com/3muxrpvr (letzter Zugriff: 03.11.2022).

Suchneutralität meint, dass die Suchergebnisse einer Plattform entsprechend der Relevanz für die Nutzenden zusammengestellt und präsentiert werden. Eine interne Wichtung oder Vorfilterung sollte nicht stattfinden. Ebenso sollte die Rangfolge der Suchergebnisse nicht auf Basis der Interessen Dritter manipuliert bzw. verändert werden können. (z. B. in Form bezahlter Anzeigen, die vor den eigentlichen Suchergebnissen gezeigt werden).

Literatur zum Nach- und Weiterlesen:
Crane, D. A. (2012). Search Neutrality as an Altruistic Principle. Empirical Legal Studies Center Paper, Nr. 11-016.
Odlyzko, A. (2009). Network Neutrality, Search Neutrality, and the Never-ending Conflict between Efficiency and Fairness in Markets. In: Review of Network Economics, Vol. 8, Nr. 1, S. 40-60.

„Supervised Learning“ (zu dt. „überwachtes Lernen“) ist eine Unterkategorie des maschinellen Lernens. Dabei werden markierte, z. B. kategorisierte, Daten genutzt, um Algorithmen für spezifische Aufgaben zu trainieren. Anwendungsfälle sind zumeist die Klassifikation von Daten oder die Vorhersage von Ergebnissen.

Literatur zum Nach- und Weiterlesen:
IBM Cloud Education (2020). Supervised Learning. Abrufbar unter: https://www.ibm.com/cloud/learn/supervised-learning (Letzter Zugriff: 03.11.2022).