Glossar

1EdTech ist eine weltweit agierende Organisation, die im EdTech-Bereich (Educational Technologies) Interoperabilität, Innovation und Lernwirkung fördert. Unter dem Namen “IMS Global Learning Consortium” wurde die Organisation 1997 gegründet. Das Konsortium besteht u. a. aus EdTech-Anbietern, Bildungsinstitutionen und staatlichen Institutionen. Sie erarbeiten offene Standards für den E-Learning-Bereich, um Suche, Austausch und Wiederverwendbarkeit von digitalem Lehrstoff zu erleichtern.

Literatur zum Nach- und Weiterlesen:
IMS Global Learning Consortium (o. D.). IMS Global Learning Consortium. Abrufbar unter: https://imsglobal.org/aboutims.html (letzter Zugriff: 03.11.2022).

Adaptive Lernumgebungen sind flexible technologiegestützte Lernumgebungen, die Lerninhalt, Präsentationsmodus oder Lernpfade in Echtzeit an die Benutzer:innen und ihren Lernstand auf Basis der fortlaufenden Diagnose spezifischer individueller Charakteristika anpassen (z. B. Interesse, Vorwissen, Lernziele, Lernmotivation). Die Systemanpassungen können vom Lernenden mit geringer Frequenz initiiert werden (Adaptierbarkeit) oder fortlaufend systembasiert auf Basis der erhobenen Lernendendaten (Adaptivität). Es soll ein personalisiertes, bedarfsgerechtes Lernen unterstützt werden, indem das System die Rolle des Lehrenden zur Steuerung der Instruktion einnimmt. Verwandte Konzepte sind die Differenzierung (Didaktik) und die Individualisierbarkeit (Usability).

Literatur zum Nach- und Weiterlesen:
Shemshack, A. & Spector, J. M. (2020). A systematic literature review of personalized learning terms. Smart Learning Environments, 7(1), S. 1–20. Abrufbar unter: https://doi.org/10.1186/s40561-020-00140-9 (letzter Zugriff: 03.11.2022).
Shute, V. & Zapata-Rivera, D. (2012). Adaptive Educational Systems. In: P. J. Durlach, A. M. Lesgold. Adaptive Technologies for Training and Education. Cambridge: Cambridge University Press, S. 7–27.

Adaptives Lernen heißt, Lernangebote und -aktivitäten technologiegestützt so bereitzustellen, dass sie in möglichst optimaler Weise den Bedürfnissen, Fähigkeiten und Erwartungen der Lernenden entsprechen. Um das individuelle Lernprofil so zu verstehen, wie es für die Realisierung von adaptivem Lernen notwendig ist, werden häufig Learning Analytics und Methoden der künstlichen Intelligenz eingesetzt.

Literatur zum Nach- und Weiterlesen:
Schmid, U., Blanc, B. & Toepel, M. (2021). KI@Bildung: Lehren und Lernen in der Schule mit Werkzeugen Künstlicher Intelligenz: -Schlussbericht. Abrufbar unter: https://www.telekom-stiftung.de/sites/default/files/files/media/publications/KI Bildung Schlussbericht.pdf (letzter Zugriff: 03.11.2022).

Eine standardisierte Programmierschnittstelle („Application Programming Interface“, API) ist ein Teil eines Softwareprogramms, das die Verbindung zu einem anderen Softwareprogramm ermöglicht und damit den standardisierten Austausch von Daten in Echtzeit befähigt und weiteren Systemen Funktionalitäten zur Verfügung stellt. Eine API verfügt über eine Reihe von festgelegten Regeln, die erklären, wie Programme zu kommunizieren haben. Für die Nachnutzung von Funktionalitäten und Daten ist eine gute Dokumentation der API unumgänglich. 

Beispiel: Eine Lernplattform stellt über eine gut dokumentierte API zielgruppengenaue Lernempfehlungen für die Einbindung in ein anderes System zur Verfügung.

Literatur zum Nach- und Weiterlesen:
freeCodeCamp.org (2019). APIs for Beginners -– How to use an API (full Course / Tutorial). Abrufbar unter: https://www.youtube.com/watch?v=GZvSYJDk-us (letzter Zugriff: 03.11.2022).
Education, I. C. (2022). Application Programming Interface (API). Abrufbar unter: https://www.ibm.com/cloud/learn/api (letzter Zugriff: 03.11.2022).

Die „Assessment List for Trustworthy Artificial Intelligence“ (ALTAI) ist ein Tool, um die Vertrauenswürdigkeit von KI-Systemen zu testen. Dafür wurden die Ethik-Leitlinien für vertrauenswürdige Künstliche Intelligenz der Europäischen Kommission in konkrete Anforderungen übersetzt, die mit diesem Webtool für eigene Projekte überprüft werden können. Da die Fragen sehr detailliert sind, kann das Tool in den meisten Fällen nur Antworten liefern, wenn es verschiedene Projektmitarbeiter:innen gemeinsam ausfüllen. Im Ergebnis wird ein Feedback-Dokument erzeugt, das verbesserungswürdige Bereiche aufzeigt. 

Literatur zum Nach- und Weiterlesen:
European AI Alliance (o. D.). ALTAI - The Assessment List on Trustworthy Artificial Inelligence. Abrufbar unter: https://futurium.ec.europa.eu/en/european-ai-alliance/pages/welcome-altai-portal (letzter Zugriff: 03.11.2022).
Europäische Kommission (2020). Artificial intelligence: The Commission welcomes the opportunities offered by the final Assessment List for Trustworthy AI (ALTAI). Abrufbar unter: https://digital-strategy.ec.europa.eu/en/news/artificial-intelligence-commission-welcomes-opportunities-offered-final-assessment-list-trustworthy (letzter Zugriff: 03.11.2022).

Augmented Reality (AR, deutsch: erweiterte Realität) erweitert die physische Welt um digitale Elemente. Bei ARs werden über Smartphones, Tablets oder Brillen virtuelle Inhalte über die echte Welt eingeblendet. Somit können Informationen vor der Rezeption durch Sinnesorgane manipuliert oder ergänzt werden. Der derzeitige technologische Fokus liegt auf der Manipulation von visuellen Stimuli, bei der die physische Welt von einer Kamera erfasst wird und auf einer digitalen Anzeige mit zusätzlichen Informationen ergänzt oder durch Weglassen von Informationen fokussiert wird. 

Beispiel: Die Montage einer realen Maschine kann durch eingeblendete Hinweise über eine AR-Brille während der Arbeitstätigkeit erlernt werden.

Literatur zum Nach- und Weiterlesen:
Edutech Wiki (o.D.): Augmented Reality. Abrufbar unter: http://edutechwiki.unige.ch/en/Augmented_reality (letzter Zugriff: 03.11.2022).
Cipresso, P., Giglioli, I., Raya, M. & Riva, G. (2018). The Past, Present, and Future of Virtual and Augmented Reality Research: A Network and Cluster Analysis of the Literature. Frontiers in Psychology. Abrufbar unter: https://doi.org/10.3389/fpsyg.2018.02086 (letzter Zugriff: 03.11.2022).

Während der Authentifizierung wird die Echtheit eines Nachweises geprüft, im digitalen Raum sind dies in der Regel Nutzername und Passwort. Authentifizierungstechnologien prüfen, ob Anmeldeinformationen eines Benutzers bzw. einer Benutzerin mit den Anmeldeinformationen in einer Datenbank mit autorisierten Benutzerinnen und Benutzern oder in einem Datenauthentifizierungsserver übereinstimmen. Bei der Authentifizierung handelt es sich in der Regel um den zweiten von drei Prüfschritten (Authentisierung, Authentifizierung und Autorisierung), die durchgeführt werden, um einen Zugang zu digitalen Informationen oder Dienstleistungen zu erhalten.

Literatur zum Nach- und Weiterlesen:
Rosencrance, L. (2021). Definiton Authentifizierung. Abrufbar unter:
https://www.computerweekly.com/de/definition/Authentifizierung (letzter Zugriff 03.11.2022).

Unter Authentisierung versteht man die Vorlage eines Nachweises, der verifiziert, dass die Person ist, wer sie angibt zu sein. In der Regel geschieht dies durch möglichst fälschungssichere Dokumente, wie den Personalausweis. Die weitverbreitetste Art, eine Identität im digitalen Raum zu verifizieren, ist die Bereitstellung eines Nutzernamens und eines Passworts. Die Eingabe von beiden Bestandteilen ist in diesem Fall die Authentisierung. Bei der Authentisierung handelt es sich in der Regel um den ersten von drei Prüfschritten (Authentisierung, Authentifizierung und Autorisierung), die durchgeführt werden, um einen Zugang zu digitalen Informationen oder Dienstleistungen zu erhalten. 

Literatur zum Nach- und Weiterlesen:
Czernik, A. (2016). Authentisierung, Authentifizierung und Autorisierung. Abrufbar unter: https://www.dr-datenschutz.de/authentisierung-authentifizierung-und-autorisierung/ (letzter Zugriff: 03.11.2022).

Beim Automated Assessment identifiziert ein Algorithmus die richtige Lösung einer Aufgabe (z. B. bei einer Abschlussprüfung) aufgrund markierter Trainingsdaten und gibt den Lernenden eine entsprechende Rückmeldung bzw. Bewertung. Automated Assessment ist eine Spezialform des „Supervised Learning“. 

Literatur zum Nach- und Weiterlesen:
Schmid, U., Blanc, B. & Toepel, M. (2021). KI@Bildung: Lehren und Lernen in der Schule mit Werkzeugen Künstlicher Intelligenz: Schlussbericht. Abrufbar unter: https://tinyurl.com/yx34tf38 (letzter Zugriff: 03.11.2022).

Bei der Autorisierung handelt es sich um den letzten von drei Prüfschritten (Authentisierung, Authentifizierung und Autorisierung), die durchgeführt werden, um einen Zugang zu digitalen Informationen oder Dienstleistungen zu erhalten. Abhängig von den vorherigen Schritten wird der Inhaberin bzw. dem Inhaber des Identifikationsnachweises Zugriff auf die angefragten Informationen oder Dienstleistungen gewährt oder verweigert. Im digitalen Raum ist dies der Zugriff auf die jeweiligen Systeme. 

Literatur zum Nach- und Weiterlesen:
Czernik, A. (2016). Authentisierung, Authentifizierung und Autorisierung. Abrufbar unter: https://www.dr-datenschutz.de/authentisierung-authentifizierung-und-autorisierung/ (letzter Zugriff: 03.11.2022).

Barrierefreiheit (engl. „Accessibility“) meint das Ausmaß, in dem ein interaktives System es Benutzer:innen ermöglicht, eine Interaktion effektiv, effizient und zufriedenstellend auszuführen. Dies erfolgt in allgemein üblicher Weise, ohne besondere Erschwernis und grundsätzlich ohne fremde Hilfe sowie ungeachtet möglicher Ausprägungen bzw. Einschränkungen des Sehvermögens, des Hörvermögens, der Geschicklichkeit, der Beweglichkeit oder der kognitiven Fähigkeiten. Barrierefreiheit weist somit einen starken Bezug zur Gebrauchstauglichkeit (Usability) auf, wobei der Schwerpunkt auf der Zugänglichkeit interaktiver Systeme für eine möglichst große Gruppe von Menschen liegt. 

Beispiele für Unterstützungstechnologien im Web-Kontext sind Screenreader, Brailledisplays oder Alt-Attribute für nicht-textuelle Elemente.

Literatur zum Nach- und Weiterlesen:
Deutsches Institut für Normung (2008). Ergonomie der Mensch-System-Interaktion – Teil 171: Leitlinien für die Zugänglichkeit von Software (ISO 9241-171).
§ 4 Gesetz zur Gleichstellung von Menschen mit Behinderungen (BGG). Abrufbar unter: https://www.gesetze-im-internet.de/bgg/__4.html (letzter Zugriff: 03.11.2022).

Bei Blockcerts handelt es sich um einen offenen Standard, mit dem blockchainbasierte Zertifikate ausgestellt und verifiziert werden können.

Literatur zum Nach- und Weiterlesen:
Blockcerts (o. D.). About Blockcerts. Abrufbar unter: https://www.blockcerts.org/about.html (letzter Zugriff: 03.11.2022).

Blockchain ist eine manipulationssichere Art der verteilten Datenspeicherung. Sie gehört zu den Distributed Ledger Technologien (DLTs), bei denen eine dezentrale Datenbank auf verschiedenen Computern (Knoten) in einem Netzwerk gespeichert wird. Dadurch wird Transparenz und Manipulationssicherheit hergestellt. Es gibt unterschiedliche Arten von Blockchain-Technologien. Grundlegend lassen sich “public” und “private” Blockchains unterscheiden. In einer “public” Blockchain haben alle Netzwerkknoten die gleichen Rechte. Der Inhalt der Blockchain ist also öffentlich einsehbar und jeder kann Transaktionen durchführen. Bei einer “private” Blockchain gibt es eine begrenzte Anzahl von Knoten mit unterschiedlichen Rechten. 

Beispiel: Ein Anwendungsfall der Blockchain-Technologie ist Bitcoin. Bitcoin war die erste Kryptowährung, die dezentral, virtuell und digital funktioniert und auf der Blockchain-Technologie basiert. Bitcoin ist eine “public” Blockchain. Neben Kryptowährungen gibt es weitere Anwendungsbereiche für die Blockchain-Technologie, wie z. B. Digitale Bildungsnachweise.

Literatur zum Nach- und Weiterlesen:
Bundesanstalt für Finanzdienstleistungsaufsicht (2017). Blockchain-Technologie. Abrufbar unter: https://www.bafin.de/DE/Aufsicht/FinTech/InnovativeFinanztechnologien/DLT_Blockchain/DLT_Blockchain_node.html (letzter Zugriff: 03.11.2022).
FFM Specials (2018). EU-Kommission gründet Forum für Blockchain-Technologie. Abrufbar unter: https://tinyurl.com/2vj9tfc3 (letzter Zugriff: 03.11.2022).

Das Bundesdatenschutzgesetz ergänzt seit Mai 2018 die Datenschutz-Grundverordnung (DSGVO) um die Bereiche, die von der DSGVO nicht spezifisch geregelt sind und der nationalen Gesetzgebung unterliegen. Ergänzende Bestimmungen umfassen beispielsweise die Verarbeitung besonderer personenbezogener Daten (z. B. Daten von Beschäftigten). 

Literatur zum Nach- und Weiterlesen:
Bundesministerium der Justiz (2018): Bundesdatenschutzgesetz. Abrufbar unter: http://www.gesetze-im-internet.de/bdsg_2018/ (letzter Zugriff: 03.11.2022).

Die CenTrust-Plattform ist der Datentreuhänder der Bundesdruckerei. Als unabhängige Vertrauensinstanz vermittelt ein Datentreuhänder Daten zwischen Datengeber und Datennutzer. Datentreuhänder sollen ermöglichen, dass Daten beispielsweise zu Forschungszwecken genutzt werden können, ohne dass personenbezogene Daten preisgegeben werden. Dazu werden verschiedene Grundprinzipien berücksichtigt (z. B. Anonymisierung, Souveränität und Transparenz). 

Literatur zum Nach- und Weiterlesen:
Bundesdruckerei (o. D.). Datentreuhänder - Datentreuhänder-Plattform mit Vertrauensstellendienst on demand. Abrufbar unter: https://www.bundesdruckerei.de/de/loesungen/datentreuhaender (letzter Zugriff: 03.11.2022).

Chatbots sind ein Beispiel von Mensch-Maschine-Interaktionen. Sie nutzen verschiedene Kommunikationsschnittstellen, z. B. Spracherkennung, um Anfragen automatisiert und ohne direkten menschlichen Eingriff zu beantworten oder zu bearbeiten. Chatbots, mit denen per natürlicher Sprache kommuniziert werden kann, haben sich zu intelligenten persönlichen Assistenten entwickelt. Durch den Einsatz Künstlicher Intelligenz (KI) sowie des maschinellen Lernens ist es möglich, selbstlernende Chatbots zu realisieren.  

Beispiel: Chatbots können überall dort eingesetzt werden, wo es um Kommunikation mit Menschen geht. Dies schließt Internetseiten und Instant-Messaging-Systeme ein.

Literatur zum Nach- und Weiterlesen:
Kohne, A., Kleinmann, P., Rolf, C., Beck, M. (2020). Chatbots – Aufbau und Anwendungsmöglichkeiten von autonomen Sprachassistenten. Wiesbaden: Springer Fachmedien.
McTear, M. F. (2017). The Rise of Conversational Interface: A New Kid on the Block? Future and Emerging Trends in Language Technology, Machine Learning and Big Data, Springer International Publishing, S. 38–49.

Diese technische Spezifikation ermöglicht den Austausch und die Verifikation von Leistungsnachweisen zwischen interoperablen Systemen. Die herkömmliche Übersicht von Lernleistungen (transcript of records) kann durch Implementierung dieses Standards erweitert werden, z. B. um Informationen zu erlangten Kompetenzen, lehrplanunabhängige Aktivitäten oder Open Badges. Zudem wird dadurch ein Speicher der Lernleistungen definiert, der durch den Lernenden gepflegt und kontrolliert wird. Der Comprehensive Learner Record Standard unterstützt Leistungsnachweise, die in unterschiedlichen Bildungsprozessen erlangt werden (z. B. akademisch, betrieblich, informell). Er macht sich den Open Badge Standard zu Nutze und ist mit dem W3C Verifiable Credentials Standard kompatibel. 

Literatur zum Nach- und Weiterlesen:
IMS Global Learning Consortium (o. D.): Comprehensive Learner Record Standard. Abrufbar unter: http://www.imsglobal.org/activity/comprehensive-learner-record (letzter Zugriff: 03.11.2022).

cmi5 (Computer Managed Instruction) ist der neueste LMS-Standard und wird von der Advanced Distributed Learning Initiative (ADL) entwickelt. Er kombiniert die Vorteile von SCORM und xAPI, indem er zahlreiche Möglichkeiten bereithält, um verschiedene Lernaktivitäten und -daten festzuhalten und gleichzeitig die feste Struktur von SCORM aufweist, die eine festgelegte Kommunikation zwischen Kurs und LMS ermöglicht. cmi5 ist im Grunde ein Profil für xAPI, um die Interoperabilität auf verschiedenen Kriterien zwischen Kurs und LMS festzulegen. xAPI allein bietet zu viele Möglichkeiten, um eine einheitliche Kommunikation mit verschiedenen LMS zu ermöglichen. 

Literatur zum Nach- und Weiterlesen:
Advanced Distributed Learning Initiative (o. D.). cmi5 Specification. Abrufbar unter https://adlnet.gov/projects/cmi5-specification/ (letzter Zugriff: 03.11.2022).
GitHub (o. D.). The cmi5 Project. Abrufbar unter: https://aicc.github.io/CMI-5_Spec_Current/ (letzter Zugriff: 03.11.2022).

Computer Supported Collaborative Learning (CSCL) beschreibt einen kollaborativen Lernprozess, der durch einen Computer gestützt wird, z. B. wenn Wikis gemeinsam bearbeitet werden. CSCL fußt auf soziokonstruktivistischen Modellen des Lernens. Im Rahmen der Forschungslinien zu CSCL wird insbesondere betrachtet, durch welche Unterstützungsfunktionen Computer kollaborative Lern- und Arbeitsprozesse bestmöglich fördern können. 

Literatur zum Nach- und Weiterlesen:
Fischer, F., Kollar, I., Stegmann, K., & Wecker, C. (2013). Toward a script theory of guidance in computer-supported collaborative learning. Educational psychologist, 48(1), S. 56–66.
Kerres, M. (2018). Mediendidaktik. Konzeption und Entwicklung digitaler Lernangebote. Berlin/Boston: De Gruyter Oldenbourg.

DEfTIS steht für „Data Exchange for Training Information Systems“. DEfTIS ist ein Datenaustauschformat, das in der DIN-Spezifikation PAS 1045 empfohlen wurde. Die Spezifikation selbst wurde mittlerweile mangels Bedarfs wieder zurückgezogen, das Dateiformat DEfTIS wird jedoch stellenweise noch von Weiterbildungsdatenbanken genutzt. DEfTIS beschreibt, wie der Austausch von Informationen zwischen Weiterbildungsdatenbanken aussehen kann. Dabei wird lediglich ein Datenformat, keine Schnittstelle, definiert. DEfTIS basiert auf XML-Dokumenten. 

Literatur zum Nach- und Weiterlesen:
PAS 1045 (2007). Definition der Formate zum Datenaustausch: DEfTIS (Data Exchange for Training Information Systems). Abrufbar unter: tinyurl.com/f8zfmns8 (letzter Zugriff: 03.11.2022).

Ein Data Wallet beschreibt die virtuelle Ablage verschiedener (personenbezogener) Datensätze. Diese können Informationen wie den Namen, eine Adresse, offizielle Zertifikate und Zeugnisse oder auch digitale Chat-Konversationen beinhalten. Meist werden Data Wallets mit Verwaltungsfunktionen angeboten, über die eine Steuerung der Zugriffsberechtigungen von Externen auf die eigenen Daten möglich ist. Das Konzept der individuellen Datenhoheit ist mit der technologischen Lösung des Data Wallets verknüpft. 

Beispiele: Die Apple Wallet für bspw. Flugtickets und Kaufbelege ist eine bereits weit verbreitete Data Wallet. Im Rahmen der Nationalen Bildungsplattform wird die Enmeshed App als Demonstration genutzt. Die Lissi - Identity Wallet ist ein weiteres Beispiel für eine in der Entwicklung befindliche digitale Brieftasche.

Literatur zum Nach- und Weiterlesen:
Ruff, T. (2020). When Exlaining SSL, Start with the Wallet. Abrufbar unter: https://tinyurl.com/4rb9db27 (letzter Zugriff: 03.11.2022).
Die Bundesregierung (2021). Nachweise für die digitale Brieftasche. Abrufbar unter: https://www.bundesregierung.de/breg-de/suche/e-id-1962112 (Letzter Zugriff: 03.11.2022).

Die DKZ ist eine Taxonomie der Bundesagentur für Arbeit (BA), die auf der Klassifikation der Berufe basiert. Sie umfasst u. a. Kernkompetenzen und weitere Kompetenzen, die Berufen zugeordnet werden. Dies ermöglicht ein Matching von Stellen- und Bewerbungsangeboten im Vermittlungssystem der BA. Über eine Mapping Tabelle zu ESCO ist eine internationale Anschlussfähigkeit möglich. 

Literatur zum Nach- und Weiterlesen:
Bundesagentur für Arbeit (2011). Klassifikation der Berufe 2010 – Band 1: Systematischer und alphabetischer Teil mit Erläuterungen. Nürnberg. Abrufbar unter: https://www.arbeitsagentur.de/datei/Klassifikation-der-Berufe_ba017989.pdf (letzter Zugriff: 03.11.2022).

Die Datenethikkommission (DEK) ist ein unabhängiges Expertengremium, das von der Bundesregierung im Juli 2018 eingesetzt wurde. In ihrem Gutachten von 2019 stellt das Gremium ethische Leitlinien und Handlungsempfehlungen für die Datenpolitik vor. Dabei geht es um den Umgang mit Algorithmen, künstlicher Intelligenz und digitalen Innovationen. Die DEK sieht ihr Gutachten als einen Grundstein für einen breiten Zukunftsdiskurs über Ethik, Recht und Technologie. 

Literatur zum Nach- und Weiterlesen:
Datenethikkommission der Bundesregierung (2019): Gutachten der Datenethikkommission der Bundesregierung. Abrufbar unter: https://www.bundesregierung.de/breg-de/service/publikationen/gutachten-der-datenethikkommission-langfassung-1685238 (letzter Zugriff: 03.11.2022).

Die Europäische Datenschutz-Grundverordnung (dt.: DSGVO; engl.: GDPR) ist im Mai 2018 in Kraft getreten. Sie schützt natürliche Personen, wenn bestimmte Daten über sie verarbeitet werden. Diese Daten werden als personenbezogene Daten bezeichnet. Es handelt sich dabei um alle Informationen, die eine natürliche Person identifizieren (z. B. Name) oder identifizierbar machen (z. B. Kennnummer, die einem Namen zugeordnet werden kann).  
Die Verordnung formuliert den rechtlichen Rahmen für die Verarbeitung dieser personenbezogenen Daten. Unter anderem werden sechs Grundsätze benannt, die zu beachten sind (Art. 5 Abs. 1 lit a–f DSGVO):
• Rechtmäßigkeit, Verarbeitung nach Treu und Glauben, Transparenz
• Zweckbindung
• Datenminimierung
• Richtigkeit
• Speicherbegrenzung
• Integrität und Vertraulichkeit

Literatur zum Nach- und Weiterlesen:
Intersoft consulting (o. D.). Datenschutz-Grundverordnung (DSGVO). Abrufbar unter: https://dsgvo-gesetz.de/ (letzter Zugriff: 03.11.2022).

Nach dem Verständnis des Deutschen Ethikrats meint Datensouveränität einen selbstbestimmten und verantwortlichen Umgang mit den eigenen Daten. In diesem Sinne handelt es sich um eine Weiterentwicklung der informationellen Selbstbestimmung hin zu einer informationellen Freiheitsgestaltung. Das bedeutet, dass eine einzelne Person selbst bestimmt, mit welchen Informationen sie in Beziehung zur Umwelt tritt.
An dem Begriff der Datensouveränität gibt es jedoch auch grundsätzliche Kritik. Es wird u.a. kritisch betrachtet, wenn das Konzept ein niedrigeres Datenschutzniveau mit sich bringt oder so verstanden wird, dass der Schutz der Grundrechte nur mündigen Verbraucher:innen zusteht.
Das Begriffsverständnis des Deutschen Ethikrats nimmt diese Kritik auf und grenzt sich davon ab.

Literatur zum Nach- und Weiterlesen:
Deutscher Ethikrat (2018). Big Data und Gesundheit – Datensouveränität als informationelle Freiheitsgestaltung. Berlin. Abrufbar unter: https://www.ethikrat.org/fileadmin/Publikationen/Stellungnahmen/deutsch/stellungnahme-big-data-und-gesundheit.pdf (letzter Zugriff: 03.11.2022).
Hansen, M. (2021). Datenschutz und Datensouveränität. Abrufbar unter: https://www.datenschutzzentrum.de/uploads/vortraege/20211011_DatenschutzDatensouveraenitaet_ZEVEDI_Hansen.pdf (letzter Zugriff: 03.11.2022).

Das W3C arbeitet aktuell einen Standard aus, der einen Rahmen für dezentrale Identifier (DID) beschreibt. DIDs werden benötigt, um das Konzept der SSI umzusetzen. DIDs fungieren dabei als Adressen und zeigen an, wo die zu prüfende Identität zu finden ist. Dabei behalten die Nutzer:innen die Kontrolle über die Erzeugung und Lebensdauer der DIDs. In dem Standard werden beispielsweise die Architektur und das Datenmodel von DIDs beschrieben.

Literatur zum Nach- und Weiterlesen:
W3C (2021): Decentralized Identifiers (DIDs), v1.0. Abrufbar unter: https://www.w3.org/TR/did-core/ (letzter Zugriff: 03.11.2022).

Deep Learning (dt. “tiefes Lernen”) bezeichnet eine Untergruppe von Methoden des maschinellen Lernens (ML). Deep Learning sind ML-Modelle mit mehreren Abstraktionsschichten, die eigenständig Ergebnisse zu großen Datenmengen erzeugen können. Zwei zentrale Anwendungsbereiche des Deep Learning sind die Bildverarbeitung und die Sprachverarbeitung. Im Bildungsbereich können mit Deep Learning beispielsweise Texte von Lernenden ausgewertet werden.

Literatur zum Nach- und Weiterlesen:
Hoppe, H. (2021): Intelligente Lehr-/Lernsysteme im Lichte alter und neuer KI. In: Kienle, A.; Harrer, A.; Haake, J. M.; Lingnau, A. (Hg.): Tagungsband der 19. Fachtagung Bildungstechnologien (DELFI 2021), S. 17-18. Abrufbar unter: https://dl.gi.de/handle/20.500.12116/36992 (letzter Zugriff: 03.11.2022).
LeCun, Y.; Bengio, Y.; Hinton, G. (2015): Deep learning. In: Nature, 521, S. 436-444. Abrufbar unter: https://doi.org/10.1038/nature14539 (letzter Zugriff: 03.11.2022).

Die DELICATE-Checkliste ist eine Acht-Punkte-Checkliste, um eine vertrauenswürdige Implementation von Learning Analytics (LA) zu erreichen. Sie richtet sich an Forscher:innen, politische Entscheidungsträger:innen und Projektentwickler:innen. Die Checkliste besteht aus acht Themenbereichen bzw. Prinzipien und kurzen Reflexionsfragen und Handlungsaufträgen, die es im Projektverlauf zu adressieren gilt. Die Checkliste ist so kurz, dass sie prinzipiell in jedem LA-Projekt zumindest andiskutiert werden kann.

Literatur zum Nach- und Weiterlesen:
Drachsler H. & Greller W. (2016). Privacy and analytics: it’s a DELICATE issue a checklist for trusted learning analytics. In: LAK’ 16: Proceedings of the Sixth International Conference on Learning Analytics and Knowledge, S. 89-98. Abrufbar unter: https://dl.acm.org/doi/10.1145/2883851.2883893 (letzter Zugriff: 03.11.2022).

Der DQR ist ein Instrument, das schulische, berufliche und hochschulische Bildungsabschlüsse acht Niveaustufen zuordnet. Diese acht Niveaustufen entsprechen denen des Europäischen Qualifikationsrahmens (EQR). Ziel ist es deutsche Qualifikationen auch im europäischen Ausland transparent und vergleichbar zu machen und die Durchlässigkeit innerhalb des deutschen Bildungssystems zu unterstützen. Der DQR wurde unter Federführung des Bundesministeriums für Bildung und Forschung und der Kultusministerkonferenz gemeinsam mit dem Bundesministerium für Wirtschaft und Energie und der Wirtschaftsministerkonferenz in der Bund-Länder-Koordinierungsgruppe DQR (jetzt Bund-Länder-Koordinierungsstelle), mit den Sozialpartnern und Wirtschaftsorganisationen sowie weiteren Akteuren im Arbeitskreis DQR erarbeitet. Im Arbeitskreis DQR sind eine Vielzahl von Akteuren aus der allgemeinen Bildung, der Hochschulbildung und der beruflichen Bildung vertreten.

Literatur zum Nach- und Weiterlesen:
Bundesministerium für Bildung und Forschung (o. D.). Der DQR – FAQ. Abrufbar unter: https://www.dqr.de/content/2360.php (letzter Zugriff: 03.11.2022).

Der europäische Rahmen für die digitale Kompetenz Lehrender (DigCompEdu) beschreibt Kompetenzen, die Lehrpersonen für die digital gestützte Lehre benötigen. Das Framework besteht aus 22 Kompetenzen, die sechs Bereichen (Berufliches Engagement, Digitale Ressourcen, Lehren und Lernen, Evaluation, Lernerorientierung, Förderung der Digitalen Kompetenz der Lernenden) zugeordnet werden. Mithilfe eines Tools können Lehrende den Status ihrer persönlichen digitalen Kompetenzen ermitteln. Es werden sechs Niveaustufen unterschieden. Das Tool gibt es in drei Versionen, die für die Bildungsbereiche allgemein- oder berufsbildende Schule, (Fach-)Hochschule, Erwachsenenbildung ausdifferenziert sind.

Literatur zum Nach- und Weiterlesen:
Europäische Kommission (o. D.): Digital Competence Framework for Educators (DigCompEdu). Abrufbar unter: https://ec.europa.eu/jrc/en/digcompedu (letzter Zugriff: 03.11.2022).

Ein Zusammenschluss von Hochschulen und Forschungseinrichtungen (u. a. Fraunhofer FIT), die eine nachhaltige Lösung für digitale Zertifikate basierend auf der Blockchaintechnologie entwickeln wollen. DigiCerts betreibt ein Blockchain-Netzwerk für die Validierung digitaler Zertifikate. Die Basis bildet die „Blockchain for Education“, die vom Fraunhofer FIT entwickelt wird. Sie basiert wiederum auf der Ethereum Blockchain und nutzt den Open Badges V2.0 Standard mit eigenen Erweiterungen zur Beschreibung der Zertifikatsdaten.

Literatur zum Nach- und Weiterlesen:
Fraunhofer-Institut für Angewandte Informationstechnik FIT (o. D.). DigiCerts. Abrufbar unter: https://www.digicerts.de/ (letzter Zugriff: 03.11.2022).

Das Digital Competence Framework (DigComp) wurde von der Europäischen Kommission aufgestellt und bietet ein Verständnis dessen, was digitale Kompetenzen sind. Den Kompetenzen werden darin fünf Dimensionen zugeordnet: Informations- und Datenkompetenz, Kommunikation und Zusammenarbeit, Erstellung digitaler Inhalte, Sicherheit, Problemlösung. Insgesamt werden 21 Kompetenzen identifiziert, die acht verschiedenen Niveaustufen zugeordnet sind.

Beispiel: Das Framework wird beispielsweise in einem Selbsteinschätzungstool zu digitalen Kompetenzen im Rahmen des Europass Lebenslauf-Tools verwendet.

Literatur zum Nach- und Weiterlesen:
Joint Research Centre (o. D.). DigComp. Abrufbar unter: https://ec.europa.eu/jrc/en/digcomp (letzter Zugriff: 03.11.2022).
Vuorikari, R. et al. (2022). The Digital Competence Framework for Citizens. With new examples of knowledge, skills and attitudes. Abrufbar unter: https://publications.jrc.ec.europa.eu/repository/bitstream/JRC128415/JRC128415_01.pdf (letzter Zugriff: 03.11.2022).

Digital Credentials sind die digitalen Repräsentationen eines traditionell papierbasierten Zertifikats und anderen materiellen Objekten, die von vertrauenswürdigen Parteien ausgegeben werden und in einer > Data Wallet gespeichert werden können. Dabei stellen Digital Credentials eine zuverlässige Möglichkeit dar, Zertifikate in sozialen Netzwerken oder per E-Mail zu teilen. Darüber hinaus erlauben Digital Credentials eine bessere Einschätzung des Zertifikats als es üblicherweise bei Papierzertifikaten der Fall ist, da zusätzliche Informationen zur ausstellenden Organisation und zu den Voraussetzungen für den Erhalt bereitgestellt werden können.

Beispiel: Zurzeit wird von der Europäischen Kommission eine Europass-Infrastruktur für digitale Zertifikate entwickelt, um die Anerkennung von Qualifikationen und anderen Lernergebnissen in ganz Europa effizienter und sicherer zu machen.

Literatur zum Nach- und Weiterlesen:
Gottlieb, M., Pongratz, H. (2021) Hilfestellung bei der Entwicklung einer Strategie für Digital Credentials im Bildungswesen. In: Geschäftsstelle beim Stifterverband (Hg) Digitalisierung in Studium und Lehre gemeinsam gestalten. Springer VS, Wiesbaden.
Europäische Union (o. D.). Was sind digitale Zertifikate? Abrufbar unter: https://europa.eu/europass/de/what-are-digital-credentials (letzter Zugriff: 03.11.2022).

Ein digitales Zertifikat (z.B. EMREX) ist ein elektronischer Echtheitsnachweis, der die Identität einer Person, eines interaktiven Systems oder einer Organisation bescheinigt.

Literatur zum Nach- und Weiterlesen:
Czernik, A. (2016). Wie funktioniert ein digitales Zertifikat? Abrufbar unter: https://www.dr-datenschutz.de/wie-funktioniert-ein-digitales-zertifikat/ (letzter Zugriff 03.11.2022).

Ein digitaler Zwilling stellt das digitale Abbild eines realen Objekts dar und kann als angereichertes Modell beispielsweise auch das Verhalten des realen Objekts simulieren. Hierbei kann das reale Objekt sowohl bereits bestehen als auch nur geplant sein.

Beispiel: In der Pilotenausbildung können digitale Zwillinge verschiedener Flugzeugtypen eingesetzt werden, um unterschiedliche Aufbauten der Cockpits bereits vorab am Computer oder Tablet zu erlernen.

Literatur zum Nach- und Weiterlesen:
Fraunhofer IOSB (2022). Digitaler Zwilling – das Schlüsselkonzept für Industrie 4.0. Abrufbar unter: https://www.iosb.fraunhofer.de/de/geschaeftsfelder/automatisierung-digitalisierung/anwendungsfelder/digitaler-zwilling.html#:~:text=Unter dem Begriff »Digitaler Zwilling,-, Kinematik- und Logikdaten. (letzter Zugriff 03.11.2022).

Das Domänenmodell wird in adaptiven Lernsystemen zur Abstraktion des Wissensraums sowie zur Strukturierung und Beschreibung der Lerninhalte verwendet. Es soll somit eine Verbindung zwischen dem Wissen und den Lernzielen der Benutzer:innen des Systems geschaffen werden. Eine Domäne wird aufgefasst als eine endliche Anzahl spezifischer Inhaltskomponenten, die zur Problemlösung oder Inhaltsgenerierung genutzt werden können. Darauf aufbauend können Inhalte und deren Anordnung in Lernsystemen modelliert werden. Das Modell wird von Autor:innen erstellt, in Form von Informationseinheiten (z. B. Fragmente, Seiten, Kapitel, Module) dargestellt.

Literatur zum Nach- und Weiterlesen:
Ennouamani, S., Mahani, Z. (2017). An Overview of Adaptive E-Learning Systems. IEEE Eighth International Conference on Intelligent Computing and Information Systems, S. 342–347.
Knutov, E., de Bra, P., Pechenizkiy, M. (2009). AH 12 Years Later. A Comprehensive Survey of Adaptive Hypermedia Methods and Techniques. New Review of Hypermedia and Multimedia, 15(1), S. 5–38.

Der Dublin Core ist ein Metadatenschema zur Beschreibung von elektronischen Ressourcen. Genauer handelt es sich um eine Sammlung einfacher und standardisierter Konventionen zur Beschreibung von Dokumenten und anderen Objekten im Internet. Es umfasst 15 Kategorien z. B. zur Urheberschaft oder zur Sprache des Materials. Der Dublin Core zielt auf die Beschreibung sämtlicher Ressourcen und wurde nicht spezifisch für Lernmaterialien entwickelt. Der Dublin Core wurde als Norm (ISO 15836) formalisiert.

Literatur zum Nach- und Weiterlesen:
Dublin Core Metadata Innovation (o. D.). DCMI Home. Abrufbar unter: https://www.dublincore.org/ (letzter Zugriff: 03.11.2022).

Educational Data Mining (EDM) ist eine Disziplin, die sich mit der Entwicklung und Anwendung von Methoden zur Erforschung von bildungsbezogenen Daten befasst. Dazu werden beispielsweise Data Mining-Techniken und Methoden aus der Psychometrie genutzt. Durch EDM können z. B. Lernprozesse, -aktivitäten, und -dauer sowie Testleistungen gemessen und analysiert werden, um daraus Erkenntnisse abzuleiten, wie Lernende mit bestimmten Lernangeboten und Systemen lernen. EDM ist eng verwandt mit > Learning Analytics, hat aber eher einen Fokus auf der Automatisierung von Datenauswertungen und der Optimierung von Lernsettings.

Literatur zum Nach- und Weiterlesen:
Baker, R. S., & Yacef, K. (2009). The state of educational data mining in 2009: A review and future visions. Journal of educational data mining, 1(1), S. 3–17.
Siemens, G., & Baker, R. S. D. (2012). Learning analytics and educational data mining: towards communication and collaboration. In Proceedings of the 2nd international conference on learning analytics and knowledge, S. 252–254.

Die eID ist die elektronische Form des Personalausweises. Es handelt sich somit nicht um eine bloße digitale Nutzendenidentität, sondern um die behördlich bestätigte Identität. Die eID ist seit 2017 bei allen neu ausgestellten Personalausweisen aktiviert und kann beispielsweise per App (z. B. „AusweisApp2“) ausgelesen werden. Theoretisch wäre es möglich, die eID als Grundlage für die Anmeldung auf Weiterbildungsplattformen zu nutzen. Allerdings müssen Dienstleister für die Verwendung der eID eine Berechtigung beantragen und DSGVO- und eIDAS-Konformität nachweisen

Literatur zum Nach- und Weiterlesen:
Bundesamt für Sicherheit und Informationstechnik (o. D.). Elektronische Identitäten. Abrufbar unter: https://tinyurl.com/mrybzd4a (letzter Zugriff: 03.11.2022)

ELMO ist ein XML-Format für Informationen zu Assessments. ELMO basiert auf der Norm EN 15981 EuroLMAI. Die aktuelle ELMO-Version ist 1.6.0. Es existiert ein Technisches Handbuch und ein GitHub-Repositorium, welches u. a. das ELMO-XSD-Schema enthält. ELMO erlaubt zusätzlich zu den XML-Daten optionale PDF-Anhänge.

Literatur zum Nach- und Weiterlesen:
EMREX (2020): Technical Description and Implementation Guide, v1.1. Abrufbar unter: https://emrex.eu/wp-content/uploads/2020/01/Technical-Guide-to-EMREX.pdf (letzter Zugriff 03.11.2022).
GitHub (o. D.). Releases emrex-eu/elmo-schemas. Abrufbar unter:
https://github.com/emrex-eu/elmo-schemas/releases (letzter Zugriff 03.11.2022).

ELSI ist die Abkürzung für „Ethical, Legal and Social Implications“, übersetzt bedeutet es so viel wie „ethische, rechtliche und soziale Auswirkungen“. Ursprünglich handelt es sich dabei um ein Forschungsprogramm des National Human Genome Research Institutes, das sich mit der Förderung der grundlagenorientierten und angewandten Forschung über die ethischen, rechtlichen und sozialen Auswirkungen der Gen- und Genomforschung auseinandersetzt. Inzwischen finden die ELSI-Kriterien Anwendung in vielen anderen Disziplinen.

Literatur zum Nach- und Weiterlesen:
National Human Genome Research Institute (o. D.): Ethical, Legal and Social Implications Research Program. Abrufbar unter: https://www.genome.gov/Funded-Programs-Projects/ELSI-Research-Program-ethical-legal-social-implications (letzter Zugriff 03.11.2022).

Die E-Privacy-Verordnung der EU soll den Umgang mit personenbezogenen Daten in Online-Medien regeln. Die Verordnung soll die allgemein gehaltene DSGVO um einige spezifische Regelungen, z. B. zur Nutzung von Cookies, erweitern und die veraltete „ePrivacy-Richtlinie“ von 2002 ersetzen. Allerdings läuft das Rechtssetzungsverfahren seit mindestens 2016 mit Diskussionen und Entwurfsüberarbeitungen. Der finale Verordnungstext ist noch nicht verabschiedet. Ein Inkrafttreten der Verordnung wird daher frühestens für 2023 erwartet.

Literatur zum Nach- und Weiterlesen:
Der Bundesbeauftragte für den Datenschutz und die Informationsfreiheit (o. D.): E-Privacy-Verordnung. Abrufbar unter: https://www.bfdi.bund.de/DE/Fachthemen/Inhalte/Telefon-Internet/Positionen/ePrivacy_Verordnung.html (letzter Zugriff: 03.11.2022).

Die Abkürzung ESCO steht für European Skills, Competences, Qualifications and Occupations. ESCO ist eine europäische Taxonomie zur Klassifikation von Berufen, Fähigkeiten und Qualifikationen. Die erste Säule der Berufe enthält über 3.000 hierarchisch strukturierte Berufskonzepte, die der Internationalen Standardklassifikation der Berufe (ISCO) zugeordnet werden. Innerhalb der zweiten Säule der Fähigkeiten (über 13.500) wird zwischen Fähigkeiten/Kompetenzen auf der einen Seite sowie Kenntnissen auf der anderen Seite unterschieden. Auch diese Säule ist hierarchisch strukturiert. Die dritte Säule der Qualifikationen zeigt Informationen zu nationalen Qualifikationen in Europass an.

Beispiel: Weiterbildungsanbieter können ESCO nutzen, um die bei ihnen erworbenen Kompetenzen zu beschreiben. Durch den gemeinsamen Standard sollen Akteure auf dem Arbeitsmarkt und Lernende die Qualifikationen besser verstehen und einordnen können.

Literatur zum Nach- und Weiterlesen:
Europäische Kommission (o. D.). Was ist ESCO? Abrufbar unter: https://esco.ec.europa.eu/de (letzter Zugriff: 03.11.2022).

Es gibt zahlreiche Frameworks, die sich mit der ethischen Gestaltung und Nutzung von KI-Systemen allgemein auseinandersetzen. Das „Ethical Framework for AI in Education“ ist eines der wenigen Dokumente, die spezifisch den ethischen Einsatz von KI im Bildungskontext thematisieren.
Das Framework benennt verschiedene Ziele, z. B. „Transparenz“ oder „informierte Teilhabe“ und zeigt auf, mit welchen Kriterien diese Ziele jeweils erreicht werden können. Eine Checkliste in Fragenform kann praktische Hinweise für die Entwicklung neuer Anwendungen bieten. Das (sehr kurze) Framework wurde hauptsächlich für Schulbildungskontexte entwickelt, kann aber auch für KI-Anwendungen in der beruflichen Bildung relevant sein.

Literatur zum Nach- und Weiterlesen:
Institute for Ethical AI in Education (o. D.): The Ethical Framework for AI in Education. Abrufbar unter: https://www.buckingham.ac.uk/wp-content/uploads/2021/03/The-Institute-for-Ethical-AI-in-Education-The-Ethical-Framework-for-AI-in-Education.pdf (letzter Zugriff: 03.11.2022).

Das Dokument zum „Ethically Aligned Design“ (EAD) wurde vom IEEE entwickelt und herausgegeben. Der Herausgeber möchte einen Diskurs über eine menschenzentrierte Ausgestaltung von autonomen und intelligenten Systemen (A/IS) anregen. Der Bericht umfasst wissenschaftliche Analysen, nennt zentrale Herausforderungen und formuliert praktische Empfehlungen für die Ausgestaltung von A/IS. Einige der zentralen Prinzipien, die die Projektentwicklung von A/IS leiten sollten, sind beispielsweise „Accountability“ (Rechenschaftspflicht), „Awareness of Misuse“ (Bewusstsein über das Missbrauchspotenzial) und die Menschenrechte. Zu allen Empfehlungen werden jeweils zahlreiche Ressourcen zur weiteren Information genannt. EAD richtet sich an politische Entscheidungsträger:innen, Entwickler:innen und die allgemeine Öffentlichkeit. Für Projekte in der Digitalisierung der beruflichen Weiterbildung ist es lohnend, ausgewählte Prinzipien und Empfehlungen des EAD auf ihre konkreten KI-Technologien zu beziehen.

Literatur zum Nach- und Weiterlesen:
IEEE Global Initiative on Ethics of Autonomous and Intelligent Systems. (2017). Ethically Aligned Design: A Vision for Prioritizing Human Well-being with Autonomous and Intelligent Systems, Version 2. Abrufbar unter: https://standards.ieee.org/wp-content/uploads/import/documents/other/ead_v2.pdf (letzter Zugriff: 03.11.2022)

Europass ist ein Webangebot der EU-Kommission. Es bietet Nutzer:innen unterschiedliche Tools, die bei der Erstellung von Bewerbungsunterlagen helfen. Editoren unterstützen dabei, Lebensläufe und Bewerbungsschreiben zu erstellen. Über einen Test können digitale Kompetenzen eingeschätzt und auf dem Lebenslauf ausgewiesen werden. Außerdem werden Informationen u. a. zu Stellen- sowie Lernangeboten bereitgestellt.

Literatur zum Nach- und Weiterlesen:
Europäische Union (o. D.): Über Europass. Abrufbar unter: https://europa.eu/europass/de/about-europass (letzter Zugriff: 03.11.2022).

Bei der Europass Digital Credentials Infrastructure handelt es sich um ein von der EU-Kommission initiiertes Projekt, das eine technische Infrastruktur aufgebaut hat, mit der einheitliche digitale Nachweise für Lernleistungen, Qualifikationen etc. ausgestellt werden können. Im Rahmen von EDCI wurde das Datenmodell „Europass Learning Model“ (EDC-Format) neu entwickelt.

Literatur zum Nach- und Weiterlesen:
Europäische Kommission (o. D.): Europass Digital Credentials Infrastructure. Abrufbar unter: https://ec.europa.eu/futurium/en/europass/europass-digital-credentials-infrastructure.html (letzter Zugriff 03.11.2022).

Das im Rahmen von EDCI neu entwickelte Datenmodell „Europass Learning Model“ (EDC-Format) soll die Ausstellung, Speicherung und Verifikation von digitalen Bildungsnachweisen aller Art ermöglichen. Es ist eine Erweiterung des W3C Verifiable Credentials Data Models, das in XML/XSD formuliert wird und auf den ELMO/EMREX Standard abgestimmt ist.

Literatur zum Nach- und Weiterlesen:
GitHub Inc. (2020): Europass Learning Model. Abrufbar unter: https://github.com/european-commission-empl/European-Learning-Model (letzter Zugriff: 03.11.2022).

Die „European Blockchain Services Infrastructure (EBSI)“ ist eine auf Blockchain basierende Infrastruktur, die durch die Zusammenarbeit von 29 Staaten und der Europäischen Kommission entstanden ist. Die Infrastruktur soll grenzüberschreitend digitale öffentliche Dienstleistungen unterstützen, Informationen überprüfbar und Dienste vertrauenswürdig machen. Dabei basiert sie auf offenen Standards und kann derzeitig für folgende vier Use Cases angewendet werden: ESSIF – ein Self-Sovereign Identity Modell in Europa, digitale Bildungsnachweise, rückverfolgbare Dokumente und vertrauenswürdiger Datenaustausch zwischen Steuer- und Zollbehörden der EU.

Literatur zum Nach- und Weiterlesen:
CEF Digital (o. D.): What is EBSI? Abrufbar unter: tinyurl.com/4yf93erh (letzter Zugriff: 03.11.2022).

Der EQF (deutsch: EQR) ist ein Referenzrahmen, der zur Übersetzung der nationalen Berufs- und Qualifikationssysteme in Europa dient. Damit soll Transparenz und Vergleichbarkeit der europäischen Qualifikationen ermöglicht werden. Qualifikationen aus sämtlichen Bildungsbereichen (z. B. schulische, berufliche oder hochschulische Abschlüsse) können einem von acht Niveaus zugeordnet werden.

Literatur zum Nach- und Weiterlesen:
Europäische Union (o. D.): Europäischer Qualifikationsrahmen. Abrufbar unter: https://europa.eu/europass/de/european-qualifications-framework-eqf (letzter Zugriff: 03.11.2022).

Experience API (xAPI) ist eine Open-Source API, die es Lerninhalten und LMS ermöglicht, Lernaktivitäten der Nutzer:innen zu erfassen und auszutauschen. Die Lernaktivitäten (z. B. absolvierte Kurse) werden in einem Learning Record Store (LRS) gesammelt. LRS können in Lernmanagementsystemen (LMS) abgerufen und weiterverarbeitet werden. xAPI wurde als Nachfolger von SCORM entwickelt und beinhaltet entsprechend zahlreiche neue Funktionen. Als zentrale Erweiterung ist xAPI dazu in der Lage, verschiedenste Lernaktivitäten und Lernorte abzubilden, z. B. mobiles Lernen, Simulationen und Virtual Reality. Eine Veröffentlichung der xAPI-Spezifikation als IEEE Gremienstandard wird angestrebt (Arbeitsgruppe „P 92741.1 xAPI Base Standard“).

Literatur zum Nach- und Weiterlesen:
Rustici Software LLC (2022). What is the Experience API? Abrufbar unter: https://xapi.com/overview/ (letzter Zugriff 03.11.2022).
GitHub, Inc (2022). xAPI-Spec. Abrufbar unter: https://github.com/adlnet/xAPI-Spec (letzter Zugriff 03.11.2022).

Die Extensible Markup Language (XML) definiert ein Format, um Dokumente zu beschreiben, zu speichern und auszutauschen. Ein Vorteil von XML besteht in seiner hohen Lesbarkeit, sowohl für Menschen als auch Computer. XML bildet die Grundlage für viele weitere Dateiformate.

Literatur zum Nach- und Weiterlesen:
World Wide Web Consortium (2006). Extensible Markup Language (XML) 1.1 (Second Edition). Abrufbar unter: https://tinyurl.com/sjkfmzew (letzter Zugriff: 03.11.2022).

Gaia-X ist ein europäisches Projekt, dass sich mit dem Aufbau einer leistungsstarken, sicheren und vertrauenswürdigen Dateninfrastruktur für Europa befasst. Ziel ist es, Anforderungen einer gemeinsamen europäischen Datenstruktur abzuleiten. Offenheit, Transparenz und Anschlussfähigkeit stehen bei der Entwicklung besonders im Vordergrund. Zum Einsatz sollen sichere, offene Technologien, ein einheitlicher Daten- und Serviceraum sowie Standards kommen, die auf den Regulierungen der EU und ihrer Mitgliedsstaaten beruhen.

Literatur zum Nach- und Weiterlesen:
Bundesministerium für Wirtschaft und Klimaschutz (Hg.) (2022). Der deutsche Gaia-X Hub. Abrufbar unter: https://www.bmwk.de/Redaktion/DE/Dossier/gaia-x.html (letzter Zugriff: 03.11.2022).
Gaia-X (2022). What is Gaia-X? Abrufbar unter: https://www.data-infrastructure.eu/GAIAX/Navigation/EN/Home/home.html (letzter Zugriff: 03.11.2022).

Gamification bezeichnet das Einbeziehen von Elementen, Mechanismen und Ästhetik digitaler Spiele in spielfremde Kontexte, um die Teilnahme sowie Motivation zu fördern. Das Prinzip erfreut sich erhöhter Popularität und findet in diversen Anwendungsgebieten, z. B. als von Innovationsanreizen in Unternehmen, über Motivationstreiber in als Motivationstreiber in Schulungen und Fitness-Apps Anwendung. Unterschieden wird zwischen inhalts- und strukturbezogenen Gamification-Elementen. Auf inhaltlicher Ebene können z. B. spielbasierte Storytelling-Ansätze oder digitaler Avatare / Charaktere zum Einsatz kommen. Strukturbezogene Elemente können z. B. Ranglisten, Badges oder Level sein.

Literatur zum Nach- und Weiterlesen:
Schuldt, J. (2020). Lernspiele und Gamification. In: H. N. Niegemann, A. Weinberger (Hg.). Handbuch Bildungstechnologien. Berlin: Springer.
Deterding, S., Dixon, D., Khaled, R. & Nacke, L. (2011). From game design elements to gamefulness: defining "gamification". Proceedings of the 15th International Academic MindTrek Conference: Envisioning Future Media Environments (MindTrek '11). Association for Computing Machinery, New York, USA, S. 9–15.

Ein Geschäftsmodell beschreibt, wie eine Organisation Wert für Kund:innen schafft und wie Wert für die Organisation gesichert wird. Es umfasst je nach theoretischem Ansatz unterschiedliche Elemente. Ein weitverbreitetes Tool zur Entwicklung von Geschäftsmodellen ist das der Business Model Canvas. Es beschreibt ein Geschäftsmodell auf Basis von neun Elementen (u. a. Wertangebot, Einnahmen, Kundensegmente, Schlüsselpartner). Dadurch wird klar, dass es sehr viele unterschiedliche Ausprägungen von Geschäftsmodellen geben kann. Deshalb untersuchen Wirtschaftswissenschaftler Muster in den Geschäftsmodellen.

Beispiel: Ein Beispiel für ein solches Muster ist das Freemium-Modell. Es zeichnet sich dadurch aus, dass es sowohl eine kostenlose Version als auch kostenpflichtige Ausprägungen des Produkts gibt.

Literatur zum Nach- und Weiterlesen:
Grösser, S. (2018). Definition: Geschäftsmodell. In: Springer Fachmedien Wiesbaden GmbH. Abrufbar unter: https://wirtschaftslexikon.gabler.de/definition/geschaeftsmodell-52275 (letzter Zugriff 03.11.2022).
Osterwalder, A. & Pigneur, Y. (2011). Business Model Generation. Ein Handbuch für Visionäre, Spielveränderer und Herausforderer. Frankfurt a.M.: Campus.

GraphQL ist eine Datenabfragesprache („query language“), die zur Entwicklung von APIs genutzt wird. GraphQL ermöglicht es, genau die Daten bei einem Server anzufragen, die ein Client benötigt. GraphQL bietet eine Alternative zu REST- APIs, die häufig langsamer in der Bereitstellung von Daten sind. GraphQL ist ein Open Source-Produkt.

Literatur zum Nach- und Weiterlesen:
GraphQL (o. D.). A query language for your API. Abrufbar unter: https://graphql.org/ (letzter Zugriff: 03.11.2022).

GRETA steht für „Grundlagen für die Entwicklung eines trägerübergreifenden Anerkennungsverfahrens von Kompetenzen Lehrender in der Erwachsenen- und Weiterbildung“. Das GRETA-Kompetenzmodell bezieht sich auf Lehrende in der Weiterbildung, wie u. a. Trainer:innen, Kursleitende, Tutor:innen und wird zur Qualitätssicherung eingesetzt. Für die (Weiter-)Entwicklung von Fortbildungsangeboten für diese Zielgruppe bietet das Modell einen Anhaltspunkt.

Literatur zum Nach- und Weiterlesen:
Deutsches Institut für Erwachsenenbildung – Leibniz-Zentrum für Lebenslanges Lernen e.V. (o. D.): Greta Kompetenzmodell. Abrufbar unter: tinyurl.com/2p8uxcx4 (letzter Zugriff: 03.11.2022).

H5P ist eine plattformunabhängige, kostenlose und quelloffene Software zur Erstellung von HTML5-Inhalten, beispielsweise kleinen Spielen, interaktiven Videos oder Präsentationen. H5P-Elemente werden über Templates im Browser entwickelt und können in verschiedene Plattformen eingebunden werden, z. B. Moodle, WordPress oder ILIAS. Viele Typen unterstützen xAPI, so dass Lerner-Informationen festgehalten werden können. Allerdings sind die Anpassungsmöglichkeiten von H5P, z. B. was die Anpassung an das visuelle Design der Lernplattform angeht, begrenzt.

Literatur zum Nach- und Weiterlesen:
H5P (o. D.) Home. Abrufbar unter: https://h5p.org/ (letzter Zugriff 03.11.2022).

Hybride KI resultiert aus der Kombination statistischer mit symbolischen KI-Verfahren. Damit sollen die jeweiligen Vorteile der Verfahrenstypen vereint und Nachteile minimiert werden. So können beispielsweise neuronale Netze (ein statistisches KI-Verfahren) Muster in den unübersichtlichen Informationen finden, die wir in der realen Welt sammeln, z. B. große Mengen unstrukturierter Texte oder dokumentierter Lernaktivitäten. Symbolische KI-Systeme können dann beispielsweise auf den Ergebnissen der extrahierten Informationen didaktisch sinnvolle nächste Lernschritte vorschlagen.

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).

Unter dem Identitätsmanagement werden Vorgänge der Authentisierung, Authentifizierung und Autorisierung zusammengefasst, die Benutzer:innen den Zugriff auf eine benötigte (digitale) Ressource gewähren. Es können Benutzendenrechte und Einschränkungen festgelegt und mit der digitalen Identität abgeglichen werden. Das Identitätsmanagement ist somit eng mit dem Zugriffsmanagement verknüpft.

Literatur zum Nach- und Weiterlesen:
Redaktion Computerweekly.de (o. D.) Identitäts-Management (Identity Management). Abrufbar unter: https://www.computerweekly.com/de/definition/Identitaets-Management-Identity-Management (letzter Zugriff 03.11.2022).

Im technologischen Sinne ist ein „Identitätsanbieter” ein Dienst, der die Identität eines Benutzenden speichert und verifiziert. Dieser Dienst kann lokal verwaltet werden, oder über eine dritte Partei bereitgestellt werden.

Beispiel: Meldet sich ein Nutzender auf einer dritten Webseite über Facebook an, ist in diesem Falle Facebook der Identitätsanbieter, der gegenüber der dritten Seite die Nutzenden-Identität bestätigt. Der Vorgang setzt voraus, dass beide Parteien dem Identitätsanbieter vertrauen.

Literatur zum Nach- und Weiterlesen:
Norbert Polmann (o. D.). Was ist ein Identity Provider oder ID-Provider? Abrufbar unter: https://norbert-pohlmann.com/glossar-cyber-sicherheit/identity-provider/ (letzter Zugriff 03.11.2022).

Das „Institute of Electrical and Electronics Engineers“ (IEEE) ist ein technischer Berufsverband, der sich über seine IEEE Standards Association der Entwicklung von Standards für Hardware und Software widmet. So arbeiten verschiedene Gremien an Standards für autonome und intelligente Systeme, beispielsweise im Bereich ethischem Design und Big Data. Das IEEE ist keine offizielle Normungseinrichtung, jedoch sind die Standards häufig international anerkannt. Eine Vielzahl der bereits publizierten Standards ist auch für den digitalen Bildungsraum relevant oder könnte gerade für KI-gestützte Bildungstechnologien zukünftig relevant werden.

Literatur zum Nach- und Weiterlesen:
IEEE (o. D.). About. Abrufbar unter: https://www.ieee.org/about/index.html (letzter Zugriff: 03.11.2022).
IEEE Standards Association (o. D.). The Standards Development Lifecycle. Abrufbar unter: https://standards.ieee.org/develop/ (letzter Zugriff: 03.11.2022).

Der IEEE 7000 ist ein im September 2021 veröffentlichter Standard, der dabei helfen soll, Ethik in der Entwicklung autonomer und intelligenter Systeme mitzudenken. Dazu sollen ethische Werte ermittelt, priorisiert und gegenüber zentralen Interessensgruppen kommuniziert werden. Die Entwickler:innen des Standards unterstreichen die praktische Anwendbarkeit des Standards für eine Vielzahl an Organisationen.

Literatur zum Nach- und Weiterlesen:
IEEE SA (o. D.). IEEE SA - IEEE 7000-2021. Abrufbar unter: https://standards.ieee.org/standard/7000-2021.html (letzter Zugriff: 03.11.2022).

ILIAS ist ein frei verfügbares Open-Source LMS, das von vielen deutschen Hochschulen genutzt wird. Es setzt zahlreiche Standards um, beispielsweise SCORM 2004. Genau wie Moodle wird es unter einer GNU General Public License veröffentlicht und unter Einbeziehung von Plugins an eigene Zwecke angepasst werden.

Literatur zum Nach- und Weiterlesen:
ILIAS open source e-Learning e.V.: Über ILIAS. Abrufbar unter: https://www.ilias.de/ (letzter Zugriff: 03.11.2022).
Kerres, M. (2018). Mediendidaktik. Konzeption und Entwicklung digitaler Lernangebote. Berlin/Boston: De Gruyter Oldenbourg.

Die Individualisierung des Lernens ist ein didaktisches Konzept, insbesondere für das Lernen heterogener Zielgruppen, z. B. in puncto Alter, sozialer oder kultureller Herkunft, aber auch bezüglich des persönlichen Zeitbudgets und der vorhandenen Kompetenzen.
Individualisiertes Lernen kann sowohl im Präsenzunterricht (z. B. durch intensive tutorielle Betreuung oder kleinere Lerngruppen), als auch beim digitalen Lernen umgesetzt werden. Beim digitalen Lernen lässt sich individualisiertes Lernen selbstgesteuert (z. B. entscheiden Lernende selbst, welche Inhalte oder Lernwerkzeuge ihren Lernbedarfen entsprechen) oder adaptiv (siehe Adaptives Lernen) umsetzen.

Literatur zum Nach- und Weiterlesen:
Goertz, L. (2014). Digitales Lernen adaptiv: Technische und didaktische Potenziale für die Weiterbildung der Zukunft. Abrufbar unter: https://www.bertelsmann-stiftung.de/fileadmin/files/BSt/Publikationen/GrauePublikationen/LL_GP_DigitalesLernen_final_2014.pdf (letzter Zugriff: 03.11.2022).

Intelligente Suchfunktionen gehen über die einfache Suche nach Wörtern in einem Text hinaus. Sie umfassen sowohl traditionelle intelligente Such-Algorithmen, welche die regelbasierte Verarbeitung von Suchwörtern durchführen als auch solche, welche menschliche Sprache verstehen und eine semantische Suche mit einem kontextbezogenen Verständnis der Abfrage ermöglichen. Maschinelles und Deep Learning werden eingesetzt, um die Suchabfrage zu analysieren. Dabei können die Algorithmen vom Verhalten der Nutzenden lernen und so optimiert werden.

Literatur zum Nach- und Weiterlesen:
eCommerce Werkstatt GmbH (o. D.): Die Konversionrate im Webshop durch intelligente Suchfunktion steigern. Abrufbar unter: https://www.ecommerce-werkstatt.de/magazin/die-intelligente-suchfunktion/ (letzter Zugriff 03.11.2022).

Intelligente Tutoringsysteme (ITS) sind digitale Assistenz-Systeme, die Lernende in ihrem Lernprozess unterstützten. Beispielsweise kann die Bearbeitung von Aufgaben durch automatisches, individuelles Feedback unterstützt werden. Traditionell werden dafür die Lerninhalte, Aufgaben und Feedbackregeln von Domänenexpert:innen händisch erstellt und dann von Computerprogrammen ausgeführt. In dieser auf Expertenwissen basierenden Form existieren ITS bereits seit den 1970er Jahren. In den letzten Jahren sind komplexere ITS hinzugekommen, die auf umfassenden Datenbeständen zu Lernenden und Lernangeboten basieren und über Methoden des maschinellen Lernens Empfehlungen und Feedback aussprechen und Unterstützung durch Chatbots anbieten. Solche ITS werden häufig auch adaptive Lernsysteme (> Adaptives Lernen) genannt.

Beispiel: Das bekannte Produkt bettermarks soll mathematische Grundkenntnisse vermitteln.

Literatur zum Nach- und Weiterlesen:
VanLehn, K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. Educational Psychologist, 46(4), S. 197–221.
Schmid, U., Blanc, B. & Toepel, M. (2021). KI@Bildung: Lehren und Lernen in der Schule mit Werkzeugen Künstlicher Intelligenz: -Schlussbericht. Abrufbar unter: tinyurl.com/yc2c88um (letzter Zugriff: 03.11.2022).

Interoperabilität kann definiert werden als die Fähigkeit von zwei oder mehr technischen Systemen zielgerichtet zu interagieren und dabei Informationen auszutauschen, deren Bedeutung von allen beteiligten Systemen geteilt wird. Interoperabilität lässt sich durch die Verwendung von Standards erreichen. Diese Standards legen fest, wie verschiedene Systeme für einen bestimmten Bereich Daten austauschen und verarbeiten sollen.

Beispiel: Der Standard xAPI ermöglicht das Abbilden von Lernaktivitätsdaten, so dass diese zwischen verschiedenen Lernplattformen, die den xAPI-Standard unterstützen, geteilt werden können.

Literatur zum Nach- und Weiterlesen:
Buntins, K., Hochbauer, M., Goertz, L. (2021). Lernorganisation und Interoperabilität. Wenn die Grenzen zwischen den Lernplattformen verschwimmen – warum man bei der Lernorganisation auf Interoperabilität achten sollte. Handbuch E-Learning, 94.

Die JavaScript Object Notation (JSON) ist ein kompaktes Datenformat in einer einfach lesbaren Textform für den Datenaustausch zwischen Anwendungen. In den letzten Jahren wurde JSON immer populärer, da das Datenformat für Menschen leicht lesbar und auch für Anwendungen mit inkompatiblen Programmiersprachen leicht verarbeitbar ist. JSON hat sich durch seine schlanke, textbasierte und sprachunabhängige Syntax als eine gute Alternative zu XML etabliert. Der Standard xAPI basiert beispielsweise auf Statements im JSON-Format. Die JSON-Syntax wird in der Norm ISO/IEC 21778 definiert.

Literatur zum Nach- und Weiterlesen:
JSON (o. D.) Einführung in JSON. Abrufbar unter: https://www.json.org/json-de.html (letzter Zugriff: 03.11.2022).
ISO/IEC 21778:2017(en), Information technology — The JSON data interchange syntax.
Abrufbar unter: https://www.iso.org/obp/ui/fr/#iso:std:71616:en (letzter Zugriff: 03.11.2022).

Die geplante KI-Verordnung der Europäischen Union enthält Vorschriften für das Inverkehrbringen, die Inbetriebnahme und die Verwendung von KI-Systemen. Als horizontale Regulierung soll die Verordnung künftig einen EU-weit einheitlichen Rechtsrahmen für die Herstellung und Verwendung von KI-Systemen bilden. Besonders gefährliche KI-Praktiken werden verboten, solche mit einem hohen Risiko müssen hohe Compliance-Anforderungen erfüllen. Zudem sind Transparenzpflichten für bestimmte KI-Systeme sowie Vorschriften für die Marktbeobachtung und Marktüberwachung vorgesehen. Sollte die KI-Verordnung wie geplant Anfang 2023 verabschiedet werden, folgt eine Übergangsphase von 36 Monaten bis die Regelungen Anwendung finden.

Literatur zum Nach- und Weiterlesen:
EUR-Lex (2022): Vorschlag für eine Verordnung des Europäischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Gesetz über künstliche Intelligenz) und zur Änderung bestimmter Rechtsakte der Union. Abrufbar unter: https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:52021PC0206 (letzter Zugriff: 03.11.2022).

Kollaboratives Lernen beschreibt Lehr-/Lernsettings, die sich durch einen selbstgesteuerten, interaktiven und synchronen Austausch auszeichnen. Die Zusammenarbeit an einem gemeinsamen Ziel und die Unterstützung beim Lernen kann den Lernerfolg positiv beeinflussen. Kollaboratives Lernen kann digital oder in Präsenz stattfinden.

Literatur zum Nach- und Weiterlesen:
Grogorick, L.; Lamprecht, J. (2021). AC:DC – Agiles und kollaboratives digitales Klassenzimmer. Braunschweig. Abrufbar unter: https://link.springer.com/content/pdf/10.1365/s40702-021-00736-w.pdf (letzter Zugriff: 03.11.2022).

Es gibt zahlreiche und sich ständig wandelnde Definitionen von Künstlicher Intelligenz (KI). Im weitesten Sinne bezeichnet KI technische Systeme, die sich intelligent verhalten. Dabei muss mit „intelligent“ nicht unbedingt menschliche Intelligenz gemeint sein, sondern ganz allgemein die Fähigkeit, mit einem gewissen Grad an Autonomie spezifische Ziele zu erreichen.
Es gibt hunderte verschiedene Methoden, die unter dem Begriff KI subsumiert werden können. Diese Methoden werden häufig in die beiden Hauptkategorien „wissensbasierte bzw. symbolische KI“ und „statistische bzw. lernende KI“ unterteilt.

Literatur zum Nach- und Weiterlesen:
Goertz, L. (2019). Stichwort Künstliche Intelligenz. weiterbilden(4), S. 10–11.
EU High Level Expert Group on Artificial Intelligence (2019): Eine Definition der KI: Wichtigste Fähigkeiten und Wissensgebiete. https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai (letzter Zugriff: 03.11.2022).

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.

Maschinelles Lernen (engl. „machine learning“, ML) bezeichnet eine Kategorie von KI-Ansätzen, die alternativ auch als statistische bzw. lernende KI bezeichnet wird. ML-Algorithmen lernen eigenständig auf Basis von Trainingsdatensätzen. Dafür werden Muster und Gesetzmäßigkeiten erkannt, die dann auf andere Daten angewendet werden können, z. B. um Klassifikations- oder Vorhersageaufgaben auszuführen. Maschinelles Lernen lässt sich in drei Typen von Lernalgorithmen einteilen: Supervised, Unsupervised und Reinforcement Learning.

Literatur zum Nach- und Weiterlesen:
SAP Deutschland SE & Co. KG (o. D.). Was ist maschinelles Lernen? Abrufbar unter: https://www.sap.com/germany/insights/what-is-machine-learning.html (letzter Zugriff 03.11.2022).

Unter Matching wird der Abgleich von Informationen (bspw. Arbeitsplatzanforderungen mit persönlichen Eigenschaften und Kompetenzen) verstanden. Dieser Abgleich wird häufig mit Profiling-Werkzeugen wie beispielsweise Fragebögen, Tests oder Programmen (auf Grundlage von Algorithmen) vorgenommen. Ein ähnlicher Begriff ist der der Passung. Er wird in der soziologischen Bildungsforschung genutzt, um das Verhältnis von Lernenden zum Bildungssystem zu untersuchen.

Beispiel: Dating-Plattform – Anhand verschiedener Merkmale der Lernenden werden verschiedene Lernprofile erstellt und passende Lernangebote ausgewählt.

Literatur zum Nach- und Weiterlesen:
Möller, C. (2016). Passungsverhältnisse im Bildungssystem – Beiträge zur theoretischen und empirischen Systematisierung einer Forschungsheuristik. Abrufbar unter: https://www.soziopolis.de/passungsverhaeltnisse-im-bildungssystem-beitraege-zur-theoretischen-und-empirischen-systematisierung-einer-forschungsheuristik.html (letzter Zugriff 03.11.2022).

Metadaten sind strukturierte, maschinenlesbare Informationen, mit deren Hilfe eine Ressource beschrieben wird, z. B. das Datenfeld „Autor“ bei der Beschreibung eines Buchs. Sie werden häufig mit den zugehörigen Daten abgespeichert und verknüpft. Metadaten dienen der Wiederverwendbarkeit und Auffindbarkeit von Daten sowie der vereinfachten Verwaltung und Organisation. Durch Klassifikationssysteme und Metadatenstandards kann die Vergabe von Metadaten standardisiert werden.

Literatur zum Nach- und Weiterlesen:
Friedrich-Schiller-Universität Jena Kontaktstelle Forschungsdatenmanagement (o. D.) Metadaten und Metadatenstandards. Abrufbar unter: https://www.researchdata.uni-jena.de/information/metadatenstandards (letzter Zugriff 03.11.2022).

Bei Metadatenstandards handelt es sich um ein Regelwerk zur Vergabe von Metadaten. Beispielsweise bietet der Metadatenstandard „Learning Object Metdata“ (LOM) Datenfelder zur Beschreibung von Lernressourcen. Es werden von Kommissionen Vorgaben zu Informationseinheiten oder Inhalten festgelegt, wie Metadaten vergeben bzw. kodiert werden müssen, um dem jeweiligen Standard zu entsprechen. Ziel ist, eine konsistente Verwendung durch EndanwenderInnen zu gewährleisten und Interoperabilität zwischen verschiedenen Bildungsangeboten zu ermöglichen.

Literatur zum Nach- und Weiterlesen:
Friedrich-Schiller-Universität Jena Kontaktstelle Forschungsdatenmanagement (o. D.) Metadaten und Metadatenstandards. Abrufbar unter: https://www.researchdata.uni-jena.de/information/metadatenstandards (letzter Zugriff: 03.11.2022).

Allgemein steht Microlearning (dt. Mikrolernen) für verschiedene Lernaktivitäten von kurzer Dauer bzw. für das Lernen mit kleinen abgegrenzten Lerneinheiten, den Mikrolernelementen. Häufig wird dieses Lernen im Zusammenhang mit dem Lernen auf Mobilgeräten thematisiert. Die vielfältige Kombination von Mikrolernelementen birgt die Möglichkeit der Flexibilisierung von Lernwegen (Lernpfad) und ermöglicht eine zunehmende Modularisierung und damit perspektivisch eine höhere Passgenauigkeit zwischen Lernangeboten und -bedarfen.

Literatur zum Nach- und Weiterlesen:
Hug, T. (2018). Mikrolernen und mobiles Lernen. In: de Witt, C., Gloerfeld C. (Hg.) Handbuch Mobile Learning. Springer VS, Wiesbaden. S. 321-340.

Bei Moodle handelt es sich um ein frei verfügbares Open-Source Lernmanagementsystem, das an verschiedene Zwecke angepasst werden kann. Es hat aktuell mit über 245 Millionen Benutzer:innen (an über 100.000 Bildungseinrichtungen) weltweit den höchsten Verbreitungsgrad aller LMS. Moodle wird stetig weiterentwickelt und besitzt bereits zahlreiche Plugins zu anderen Tools, z. B. Mahara und H5P. Moodle wird unter einer GNU General Public License veröffentlicht und kann kostenlos heruntergeladen und auf eigenen Servern installiert werden.

Literatur zum Nach- und Weiterlesen:
Moodle (2019). Was ist Moodle. Abrufbar unter: https://docs.moodle.org/400/de/Was_ist_Moodle (letzter Zugriff: 03.11.2022).
Kerres, M. (2018). Mediendidaktik. Konzeption und Entwicklung digitaler Lernangebote. Berlin/Boston: De Gruyter Oldenbourg.

Multiagentensysteme (MAS) sind ein neues und vielversprechendes Gebiet im Bereich der verteilten künstlichen Intelligenz. Diese Systeme bestehen aus relativ autonomen und intelligenten Teilen, die Agenten genannt werden. Agenten besitzen im Kern vier Eigenschaften. Zunächst agieren sie ohne direktes Eingreifen durch andere (Autonomie). Sie besitzen eine „Sozialkompetenz“, in dem Sinne, dass sie mit Anderen interagieren. Außerdem reagieren sie auf Veränderungen in der Umgebung (Reaktivität). Schließlich sind sie in der Lage, die Initiative zu ergreifen (Proaktivität).

Literatur zum Nach- und Weiterlesen:
Zedan, H. S. M., & Cau, A. (1999). Object-oriented technology and computing systems re-engineering. Horwood Publishing.

Bei der Nationalen Bildungsplattform (NBP) handelt es sich um ein BMBF-Projekt zur Entwicklung einer digitalen Vernetzungsinfrastruktur im Bereich Bildung. Die NBP soll Ende 2023 in Betrieb gehen und eine nutzendenzentrierte, anbieterneutrale Meta-Plattform werden. Als solche soll sie bildungsbereichsübergreifende Vernetzungs- und Austauschmöglichkeiten bieten und Bildungsinhalte bestehender oder neuer Plattformen verknüpfen, um, ein durchgehendes Nutzendenerlebnis zu ermöglichen. Die Plattform soll Teil des „Digitalen Bildungsraums“ mit gemeinsamen Standards, Formaten und interoperablen Strukturen sein.

Literatur zum Nach- und Weiterlesen:
Bundesministerium für Bildung und Forschung (Hg.). Erstes Pilotprojekt für Nationale Bildungsplattform startet. Abrufbar unter: https://www.bmbf.de/bmbf/de/home/_documents/erstes-pilotprojekt-fuer-nationale-bildungsplattform-startet.html (letzter Zugriff: 03.11.2022).
Nationale Bildungsplattform (Hg.). Auf dem Weg in den Digitalen Bildungsraum. Abrufbar unter: https://bildungsraum.de/dashboard.action (letzter Zugriff: 03.11.2022).

Um Bürger:innen einen Zugang zu Förder- und Beratungsmöglichkeiten, aber auch Informationen zu Berufen und Weiterbildungsangeboten anbieten zu können, plant die Bundesagentur für Arbeit (BA) die Entwicklung eines zentralen Online-Eingangsportals zur arbeitsmarktorientierten, beruflichen Weiterbildung die Nationale Online-Weiterbildungsplattform (NOW). Die Plattform soll es auch Unternehmen, insbesondere kleineren und mittleren Unternehmen (KMU), leichter machen, passende Angebote zu finden, um Qualifizierungsbedarfe ihrer Beschäftigten zu decken. Das Bundesministerium für Arbeit und Soziales (BMAS) unterstützt die BA im Rahmen der Nationalen Weiterbildungsstrategie bei der derzeit laufenden Entwicklung. NOW soll laut aktueller Planungen 2024 in Betrieb gehen.

Literatur zum Nach- und Weiterlesen:
BMAS (2022) Weiterbildung mit Strategie. Abrufbar unter: https://www.bmas.de/DE/Arbeit/Aus-und-Weiterbildung/Weiterbildungsrepublik/Nationale-Weiterbildungsstrategie/nationale-weiterbildungsstrategie.html (letzter Zugriff: 03.11.2022).

Die Nationale Weiterbildungsstrategie ist eine gemeinsame Initiative von Bund, Ländern, Wirtschafts- und Sozialpartnern und der Bundesagentur für Arbeit (BA). Unter der gemeinsamen Federführung des Bundesministeriums für Bildung und Forschung (BMBF) sowie des Bundesministeriums für Arbeit und Soziales (BMAS) wurde sie im Juni 2019 ins Leben gerufen. Ihr Ziel ist es, eine gemeinsame Weiterbildungskultur zu schaffen und Weiterbildung als festen Bestandteil beruflicher und unternehmerischer Entwicklung zu etablieren. Im September 2022 wurde die Fortführung und Weiterentwicklung der Strategie vorgestellt. Schwerpunkte sind die quantitative und qualitative Erhöhung der Weiterbildungsbeteiligung und Erreichung der heterogenen Zielgruppen (bspw. Geringverdiener, KMU).

Literatur zum Nach- und Weiterlesen:
BMAS – Nationale Weiterbildungsstrategie. Abrufbar unter: https://www.bmas.de/DE/Arbeit/Aus-und-Weiterbildung/Weiterbildungsrepublik/Nationale-Weiterbildungsstrategie/nationale-weiterbildungsstrategie.html (letzter Zugriff: 10.10.2022).
Wissen teilen. Zukunft gestalten. Zusammenwachsen. Nationale Weiterbildungsstrategie. Abrufbar unter: https://www.bmas.de/SharedDocs/Downloads/DE/Aus-Weiterbildung/strategiepapier-nationale-weiterbildungsstrategie.pdf;jsessionid=F66178E1797430963AF94C9B319BFECA.delivery1-master?__blob=publicationFile&v=1 (letzter Zugriff: 10.10.2022).

Natural Language Processing (NLP) versucht, unstrukturierte Sprachdaten in ein strukturiertes Datenformat umzuwandeln, damit Maschinen Sprache und Text auswerten und relevante kontextbezogene Antworten formulieren können. Seine Unterthemen umfassen die Verarbeitung natürlicher Sprache und die Erzeugung natürlicher Sprache.
NLU: Natural Language Understanding (NLU) konzentriert sich auf das maschinelle Leseverstehen durch Grammatik und Kontext und ermöglicht es, die beabsichtigte Bedeutung eines Satzes zu bestimmen.

Literatur zum Nach- und Weiterlesen:
Kavlakoglu, E.: NLP vs. NLU vs. NLG: the differences between three natural language processing concepts. Abrufbar unter: https://www.ibm.com/blogs/watson/2020/11/nlp-vs-nlu-vs-nlg-the-differences-between-three-natural-language-processing-concepts/ (letzter Zugriff 03.11.2022).

In der Informationswissenschaft ist eine Ontologie eine maschinenlesbare Repräsentation und Organisation von Wissen in einer Domäne. Durch ontologische Systematisierungen können relevante Informationen strukturiert und für Nutzende und interaktive Systeme verwendbar gemacht werden. Ontologien werden durch Ontologiesprachen umgesetzt (z. B. RDF, OWL).

Literatur zum Nach- und Weiterlesen:
Retresco GmbH (o. D.) Ontologien in der Informatik. Abrufbar unter: https://www.retresco.de/ressourcen/lexikon/lexikoneintrag/ontologie (letzter Zugriff 03.11.2022).

Offene Bildungsressourcen (engl. „Open Educational Resources“, OER) sind Materialien für Lehr-, Lern- und Forschungszwecke, die für Nutzer:innen kostenlos sind und durch sie angepasst und weiterverbreitet werden dürfen. Diese Nutzungsrechte können durch eine offene Lizenz eingeräumt werden oder die Werke sind bereits gemeinfrei. OER können in jedem beliebigen Medienformat, egal ob digital oder haptisch, vorliegen.

Beispiele: Lehrbücher, Videos, Lehrpläne.

Literatur zum Nach- und Weiterlesen:
UNESCO (o. D.). Open Educational Resources. Abrufbar unter: https://www.unesco.de/en/education/open-educational-resources (letzter Zugriff: 03.11.2022).

Open Source ist ein Begriff, der ursprünglich auf Open Source-Software (OSS) zurückgeht. Es handelt sich dabei um einen Quellcode, der der Öffentlichkeit zugänglich ist, das heißt, der offen für das Analysieren, Benutzen, Kopieren oder Verändern durch Nutzende ist.

Literatur zum Nach- und Weiterlesen:
Red Hat, Inc. (2019). Was ist Open Source? Abrufbar unter: https://www.redhat.com/de/topics/open-source/what-is-open-source (letzter Zugriff: 03.11.2022).

OpenCerts ist eine Open Source Plattform, die als Teil der Smart Nation Initiative von Singapur entstand und von Bildungsinstitutionen für die Ausstellung digitaler Bildungsnachweise verwendet werden kann. Die erstellten Bildungsnachweise können via Blockchain (Ethereum Blockchain) verifiziert werden und sind kryptografisch geschützt. Die Verifikation erfolgt, indem die opencert-Datei auf der Website https://www.opencerts.io/ geöffnet und mit den Informationen der Blockchain abgeglichen wird.

Literatur zum Nach- und Weiterlesen:
OpenCerts: An easy way to check and verify your OpenCerts certificates. Abrufbar unter: https://www.opencerts.io/ (letzter Zugriff: 03.11.2022).

Open-Qcat ist ein Format, mit dem Weiterbildungsangebote standardisiert beschrieben werden. Es wurde vom Fraunhofer Institut Arbeitswirtschaft und Organisation (IAO) für die Bundesagentur für Arbeit (BA) entwickelt und ist das alleinig akzeptierte Format für die Einbindung von Angeboten in das Metasuchportal KURSNET der BA.

Literatur zum Nach- und Weiterlesen:
Bundesagentur für Arbeit (o. D.). XML-Upload in KURSNET. Abrufbar unter: https://www.arbeitsagentur.de/institutionen/xml-upload (letzter Zugriff: 03.11.2022).
Bundesagentur für Arbeit und Fraunhofer IAO (2008). Spezifikation open-Qcat. Abrufbar unter: https://www.kursnet-online.arbeitsagentur.de/onlinekurs/upload/openq/open-qcat.v1.1.pdf (letzter Zugriff: 03.11.2022).

Das „Gesetz zur Verbesserung des Onlinezugangs zu Verwaltungsleistungen“ (Onlinezugangsgesetz, OZG) sieht u. a. die Digitalisierung öffentlicher Dienstleistungen bis Ende 2022 vor. Dazu gehört einerseits die Digitalisierung zahlreicher Verwaltungsleistungen auf Ebene von Bund, Ländern und Kommunen und andererseits das Bereitstellen einer IT-Infrastruktur mit der Bürger:innen diese Leistungen auch online nutzen können. Im Rahmen des OZG werden auch die Anforderungen der SDG-Verordnung (s. u.) umgesetzt. Für das Themenfeld Bildung definiert das OZG 25 Leistungen, darunter auch einige für das Feld der Weiterbildung. Die Lösungen, die hier in den kommenden Jahren gefunden werden, könnten eine standardisierende Wirkung auch für nicht-öffentliche Dienstleistungen entwickeln.

Literatur zum Nach- und Weiterlesen:
Bundesministerium des Innern und für Heimat (o. D.): Startseite. Abrufbar unter: https://www.onlinezugangsgesetz.de/ (letzter Zugriff 03.11.2022).

Unter dem Projekttitel „P2881 – Standard for Learning Metadata“ entwickelt eine Arbeitsgruppe des IEEE aktuell einen neuen Standard für lernbezogene Metadaten. Der Standard baut auf dem LOM-Standard auf, soll jedoch auch neuere Lerntechnologien und -paradigmen einschließen, die im LOM-Modell fehlen. So soll der neue Standard beispielsweise auch den Einsatz von Sensoren und biometrischen Daten abbilden können. Weiterhin sollen andere Vorhaben im Feld der Metadaten-Schemata einbezogen werden, um einen integrativen und zukunftsfähigen Standard zu schaffen.

Literatur zum Nach- und Weiterlesen:
Advanced Distributed Learning Initiative (2021). Toward the Harmonization of Learning Activity Metadata. Abrufbar unter: https://tinyurl.com/mu9ywvh7 (letzter Zugriff: 03.11.2022).

Der Begriff des personalisierten Lernens wird im englisch- und deutschsprachigen Diskurs unterschiedlich genutzt. Insbesondere im US-amerikanischen Diskurs ist der Begriff des „personalized learning” stark mit dem Einsatz von Lerntechnologien verbunden. Das personalisierte Lernen bezeichnet hier ein Lernen, das an den Bedürfnissen und Merkmalen des Lernenden ausgerichtet ist. So können beispielsweise Lernziele, -form, -inhalt und -geschwindigkeit innerhalb eines Lernsystems individuell am Lernenden ausgerichtet werden. Andere Autorinnen und Autoren grenzen den Begriff noch vom Adaptiven Lernen ab.
Im deutschsprachigen Diskurs ist das personalisierte Lernen eingebettet in einen Diskurs rund um eine neue Lehr-Lernkultur und basiert auf Ideen der Reformpädagogik und lernpsychologischen Ansätzen. Personalisiertes Lernen meint hier vor allem eine Lernform, die maßgeblich durch Lernende mitgestaltet oder mitentschieden werden kann. Empirische Studien greifen diesen metadiskursiven Aspekt im deutschen Raum oft nicht auf, sondern referenzieren auf ein englischsprachiges Begriffsverständnis.

Beispiel (aus dem deutschsprachigen Diskurs): Lehrer:innen verteilen Arbeitsblätter mit unterschiedlichen Niveaustufen an Lernende, basierend auf deren individuellen Bedarfen und Kompetenzen.

Literatur zum Nach- und Weiterlesen:
Stebler, R., Pauli, C., & Reusser, K. (2018). Personalisiertes Lernen. Zur Analyse eines Bildungsschlagwortes und erste Ergebnisse aus der perLen-Studie. Zeitschrift für Pädagogik, 64(2), S. 159–178.
Schaumburg, H. (2021). Personalisiertes Lernen mit digitalen Medien als Herausforderung für die Schulentwicklung: Ein systematischer Forschungsüberblick. MedienPädagogik: Zeitschrift für Theorie und Praxis der Medienbildung, 41, S. 134–166.

Recommendersysteme (dt. meist „Empfehlungssysteme“) sind Softwaresysteme, die Nutzer:innen auf personalisierte Weise zu interessanten oder nützlichen Objekten in einem großen Feld möglicher Optionen führen. Sie werden gerade in solchen Bereichen eingesetzt, in denen die Menge an verfügbaren Informationen die Fähigkeit des Einzelnen, diese Informationen alle zu überblicken, bei Weitem übersteigt.
Recommendersysteme werden seit Beginn der 2000er auch im Bildungsbereich zu verschiedensten Zwecken, meist im Rahmen von Online-Lernplattformen, eingesetzt und können anhand des Empfehlungsinhalts des Systems unterschieden werden. Recommendersysteme können beispielsweise passende Kurse, Lernmaterialien, Lernpfade oder Lernpartner vorschlagen.
Alternative Begriffe: recommender engine, Empfehlungssystem, Empfehlungsdienst.

Literatur zum Nach- und Weiterlesen:
Burke, R. (2002). Hybrid Recommender Systems: Survey and Experiments. User-Modeling und User-Adapted Interaction (12), S. 331–370.
Drachsler, H., Verbert, K., Santos, O. C. & Manouselis, N. (2015). Panorama of Recommender Systems to Support Learning. In F. Ricci, L. Rokach & B. Shapira (Hg.), Recommender Systems Handbook, S. 421–451.

„Representational State Transfer Application Programming Interface“ (REST-API) ist eine Programmier-Schnittstelle, die den Austausch von Daten auf verteilten Systemen – insbesondere für Web-Services – ermöglicht. Eine REST-API (auch bekannt als RESTful API) ist eine API (Application Programming Interface), die den Prinzipien der REST-Architektur unterliegt und Interaktionen mit RESTful Webservices ermöglicht. Indem HTTP-Befehle definiert werden (z. B. DELETE, um bestimmte Inhalte zu löschen) ermöglicht sie eine klare Kommunikation zwischen Client und Server.

Literatur zum Nach- und Weiterlesen:
Red Hat, Inc. (2020): Was ist eine REST-API und was ist REST (Representational State Transfer)? Abrufbar unter: https://www.redhat.com/de/topics/api/what-is-a-rest-api (letzter Zugriff: 03.11.2022).

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).

Bei einer Taxonomie handelt es sich um ein Klassifikationsschema bestehend aus Hauptkategorien und Untergruppen. Eine Taxonomie ist zumeist als Ordnungssystem aufgebaut (z. B. hierarchisch) und begrenzt auf einen spezifischen Anwendungsbereich (z. B. Berufsgruppen, Kompetenzen). Aus der Klassifikation resultiert ein konzeptionelles Gerüst eines spezifischen Themas mit zugehörigen Elementen und Zusammenhängen.

Im Bildungsbereich ist ein typisches Beispiel die Lernziel-Taxonomie nach Bloom (et al. 1956), welche Lernziele nach zunehmender Komplexität anordnet.

Literatur zum Nach- und Weiterlesen:
Hogrefe AG (2019). Taxonomie. In: Dorsch – Lexikon der Psychologie. Abrufbar unter https://dorsch.hogrefe.com/stichwort/taxonomie (letzter Zugriff 03.11.2022).
Bloom, B. S., Engelhart, M. D., Furst, E. J., Hill, W. H. & Krathwohl, D. R. (Hg.). (1956): Taxonomy of Educational Objectives. The Classification of Educational Goals, Handbook I: Cognitive Domain. New York: David McKay Company, Inc.

„Unsupervised Learning“ (zu dt. „unüberwachtes Lernen“) ist eine Unterkategorie des maschinellen Lernens. Im Gegensatz zum „supervised learning“ wird der Algorithmus dabei mit nicht-beschrifteten Daten trainiert. Die Algorithmen entdecken versteckte Muster oder Datenkategorien, ohne dass eine menschliche Vorkodierung notwendig ist.

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

Usability ist die Gebrauchstauglichkeit interaktiver Systeme und wird definiert als das Ausmaß, in dem ein interaktives System durch bestimmte Benutzer:innen in einem bestimmten Nutzungskontext genutzt werden kann, um festgelegte Ziele effektiv, effizient und zufriedenstellend zu erreichen. Benutzer:innen sind Personen, die in einem interaktiven System aktiv sind oder Systemergebnisse verwenden. Der Nutzungskontext ist eine Kombination der Faktoren Benutzer:innen, Ziele, Aufgaben, Ressourcen und Umgebung. Usability ist zudem ein Teil des Benutzererlebnisses (User Experience) und bezieht sich dahingehend auf die Erlebnisse während der eigentlichen Nutzung eines interaktiven Systems.

Literatur zum Nach- und Weiterlesen:
Deutsches Institut für Normung (2018). Ergonomie der Mensch-System-Interaktion - Teil 11: Gebrauchstauglichkeit: Begriffe und Konzepte (ISO 9241-11).
Preim, B., Dachselt, R. (2015). Interaktive Systeme Band 2. Berlin/Heidelberg: Springer.

Die User Experience ist das Benutzererlebnis und wird definiert als die Wahrnehmungen und Reaktionen von Benutzer:innen, die sich aus der Benutzung und/oder erwarteten Benutzung eines interaktiven Systems ergeben. Dies beinhaltet somit z. B. Emotionen, Überzeugungen, Vorlieben, Vorstellungen, Erwartungen oder Verhaltensweisen der Benutzer:innen vor, während und nach der Benutzung. Die momentanen Benutzungserlebnisse, d. h. die eigentliche Interaktion mit dem System, werden dabei hauptsächlich von der Usability beeinflusst. Antizipierte und reflektierte Benutzungserlebnisse (vor und nach der Benutzung) werden maßgeblich von qualitativen Benutzungsfaktoren bestimmt, z. B. Markenbild, Image, Vorwissen oder Einstellungen.

Literatur zum Nach- und Weiterlesen:
Deutsches Institut für Normung (2019). Ergonomie der Mensch-System-Interaktion - Teil 210: Menschzentrierte Gestaltung interaktiver Systeme (ISO 9241-210).
Hartson, R., Pyla, P. (2012). The UX Book. Process and Guidelines for ensuring a Quality User Experience. Amsterdam: Morgan Kaufmann.

Verifiable Credentials umfassen diverse Arten von Berechtigungsnachweisen, die bislang physisch vorlagen (z. B. Krankenversichertenkarte, Hochschulzeugnis) oder neu sind (z. B. Besitz eines Bankkontos) in digitaler und verifizierbarer Form. Wie physische Berechtigungsnachweise enthalten sie Informationen zum Träger, zur ausstellenden Stelle, zur Art der Berechtigung oder zum Ablaufdatum. Durch digitale Signaturen sollen Verifiable Credentials fälschungssicher und verifizierbar sein. Zudem sollen Verifiable Credentials maschinenlesbar sein. Der W3C-Standard definiert verschiedene Rollen (z. B. holder, issuer, verifier) und macht Vorschläge, wie die Rollen und ihre Zusammenhänge für verschiedene Anwendungsfelder standardisiert werden können.

Literatur zum Nach- und Weiterlesen:
Sedlmeir, J., Smethurst, R., Rieger, A., Fridgen, G. (2021). Digital Identities and Verifiable Credentials. Business & Information Systems Engineering, Vol. 63, S. 603–-613.
W3C (Hg.) (2019). Verifiable Credentials Data Model 1.0: Expressing Verifiable Information on the Web. Abrufbar unter : https://uidl.naswa.org/handle/20.500.11941/3138_Verifiable-Credentials-Data-Model (letzter Zugriff: 03.11.2022).

Virtual Reality bezeichnet das Erleben einer virtuellen Welt im Sinne einer synthetischen, räumlichen 3D-Umwelt, die zumeist aus Egoperspektive dargestellt wird. Echtzeitfähigkeit und Interaktivität sind dahingehend zentrale Voraussetzungen für das Entstehen von Immersion und Präsenz. Immersion meint das Ausmaß der verfügbaren Technologien, eine inklusive, umfassende, umgebende und lebendige Illusion der Realität zu ermöglichen. Die Präsenz ist die subjektive Reaktion auf Immersion. Am weitesten verbreitet ist die Nutzung von Head-Mounted-Displays (auch: VR-Brille) und Lautsprechern, über die visuelle und auditive Reize an die Sinnesorgane weitergeleitet werden, in Kombination mit einem Joystick-Set, mit dem die Bewegung und Interaktion gesteuert wird.

Literatur zum Nach- und Weiterlesen:
Dörner, R. Broll, W., Grimm, P., Jung, B. (2019): Virtual und Augmented Reality (VR/AR). Berlin/Heidelberg: Springer, eXamen.Press.
LaViola, J. J., Kruijff, E., Bowman, D. A., Poupyrev, I., McMahan, R. P. (2017). 3D User Interfaces: Theory and Practice. Boston: Addison Wesley.

Das World Wide Web Consortium (W3C) ist ein Gremium zur Standardisierung von Techniken des World Wide Web. Der Fokus liegt auf der Entwicklung technischer Spezifikationen und Richtlinien. Beispiele für Technologien, die durch das W3C standardisiert wurden, sind HTML, XHTML, XML, RDF, OWL, CSS oder SVG. Darüber hinaus spielt das Thema Barrierefreiheit eine wichtige Rolle, welches über die Web Content Accessibility Guidelines (WCAG) adressiert wird und von der W3C Web Accessibiltiy Initiative (WAI) betreut und weiterentwickelt wird.

Literatur zum Nach- und Weiterlesen:
World Wide Web Consortium (2022). Abrufbar unter: https://www.w3.org/ (letzter Zugriff: 03.11.2022).

Die Accessible Rich Internet Applications Suite (ARIA) wurde von der „Web Accessibility Initative“ (WAI) innerhalb des W3C, entwickelt. Im Kern soll ARIA vor allem dynamischen Webcontent (z. B. Sliders, Widgets) für Nutzer:innen mit verschiedenen Beeinträchtigungen zugänglicher machen. ARIA ist eine Erweiterung für HTML und definiert, wie assistive Technologien (v. a. Screen Reader) mit dynamischem Content einer Webseite umgehen sollen.

Literatur zum Nach- und Weiterlesen:
World Wide Web Consortium (2017). Accessible Rich Internet Applications (WAI-ARIA) 1.1. Abrufbar unter: https://tinyurl.com/yc4dp8yr (letzter Zugriff: 03.11.2022).

Die Web Content Accessibility Guidelines (WCAG) sind ein internationaler technischer Standard des W3C. Die WCAG bieten Richtlinien für die barrierefreie Gestaltung von Webseiten und mobilen Anwendungen. Für Menschen mit Sehbehinderungen, Einschränkungen des Gehörs, Lernbehinderungen, kognitiven Einschränkungen, eingeschränkter Bewegungsfähigkeit und Sprachbehinderungen und auch für Menschen ohne Beeinträchtigungen werden Webinhalte benutzbar(er). Die WCAG 2.1 umfassen 13 Richtlinien, die vier übergeordneten Prinzipien zuzuordnen sind:
• Wahrnehmbarkeit (Benutzer:innen können die Elemente der Benutzeroberfläche mit ihren Sinnen wahrnehmen)
• Bedienbarkeit (Benutzer:innen können die Oberfläche bedienen)
• Verständlichkeit (Benutzer:innen können die Bedienung und die Informationen der Benutzeroberfläche verstehen)
• Robustheit (Inhalte können von einer Vielzahl von Benutzer:innen inkl. Ihrer Hilfstechnologien interpretiert werden)

Literatur zum Nach- und Weiterlesen:
Deutsche Übersetzung der WCAG 2.0: World Wide Web Consortium (2009). Richtlinien für barrierefreie Webinhalte (WCAG). Abrufbar unter:
https://www.w3.org/Translations/WCAG20-de (letzter Zugriff: 03.11.2022).
Aktuelle Version WCAG 2.1: World Wide Web Consortium (2018). Abrufbar unter: https://www.w3.org/TR/WCAG21/ (letzter Zugriff: 03.11.2022).

Web Scraping beschreibt das automatische Auslesen von Inhalten einer dritten Website zur Einbindung in das eigene Angebot. Neben dem legalen und erwünschten Web Scraping, wie es beispielsweise Suchmaschinen durchführen, um Websites zu indexieren, gibt es auch schädliche und missbräuchliche Methoden des Web Scrapings. Web Scraping kann genutzt werden, um Daten über Nutzende zu sammeln und für Dritte zur Verfügung zu stellen.

Literatur zum Nach- und Weiterlesen:
Kinsta (2022). Was ist Web Scraping. Abrufbar unter: https://kinsta.com/de/wissensdatenbank/was-ist-web-scraping/ (letzter Zugriff 03.11.2022).

KI-basierte Algorithmen können in mehrere Kategorien unterteilt werden. Die wissensbasierte bzw. symbolische KI ist eine davon.
Bei der symbolischen KI werden spezifische Wissensinhalte oder Verhaltensregeln explizit in Computerprogramme eingebettet. Dazu wird eine Wissensbasis (z. B. Fakten zu einer Wissensdomäne) und ein Inferenzmechanismus implementiert. Der Inferenzmechanismus ermöglicht die Ableitung neuer Erkenntnisse, z. B. die Diagnose des Lernfortschritts. In den ersten Jahrzehnten der KI-Forschung waren symbolische KI-Verfahren sehr vielversprechend, um komplexe Probleme zu lösen. Mittlerweile wurden sie in vielen Bereichen aber von statistischen bzw. lernenden KI-Verfahren abgelöst.
Vorteile der wissensbasierten KI-Verfahren im Bildungskontext sind die Möglichkeit didaktisch fundierte Entscheidungen in einem Computerprogramm abzubilden und der geringe Bedarf an personenbezogenen Daten.

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).
Dickson, B. (2019). What is symbolic artificial intelligence? TechTalks. Abrufbar unter: https://bdtechtalks.com/2019/11/18/what-is-symbolic-artificial-intelligence/ (letzter Zugriff, 03.11.2022)

XBildung ist ein übergreifender Datenaustauschstandard, der auf dem XÖV-Standardisierungsrahmen basiert. Mit XBildung sollen Akteure im Bildungswesen Daten in standardisierter Form austauschen können. Der XBildung-Standard berücksichtigt Vorgaben des Onlinezugangsgesetzes (OZG) und der Verordnung zur Errichtung eines einheitlichen digitalen Zugangstores (SDG). XBildung bildet einen organisatorischen, lebenslagenübergreifenden Rahmen und setzt auf das europäische Interoperabilitätsframework von Europass auf. XHochschule ist eine Untergruppe der XBildung-Standards, die derzeit entwickelt werden. Die Entwicklung eines Standards für die Weiterbildung

Literatur zum Nach- und Weiterlesen:
Bundesministerium für Bildung und Forschung und Finanzministerium Sachsen-Anhalt (2021). Spezifikation XBildung Version 0.3. Abrufbar unter: https://tinyurl.com/vaxdx2zy (letzter Zugriff: 03.11.2022).

XÖV (=XML in der öffentlichen Verwaltung) ist der XML-Standard der öffentlichen Verwaltung für den elektronischen Datenaustausch zwischen öffentlichen Verwaltungen bzw. zwischen der öffentlichen Verwaltung und ihren Kund:innen. Der XÖV-Standard regelt die Struktur und Semantik der zu übermittelnden Daten. Für verschiedene Arbeitsbereiche werden eigene XÖV-Standards eingerichtet. Für den Bildungsbereich (von der Schule bis zur Hochschule) wird der XBildung-Standard entwickelt. In Planung sind weitere Fachmodule, z. B. XWeiterbildung.

Literatur zum Nach- und Weiterlesen:
Senatorin für Finanzen Referat 44 - Koordinierungsstelle für IT Standards (o. D.): Startseite. Abrufbar unter: https://www.xoev.de/ (letzter Zugriff: 03.11.2022).