Programm Empowering Learning Analytics

In seinem Vortrag wird Hendrik Drachsler sein aktuelles Forschungsprogramm zu Highly-Informative Learning Analytics (HILA) vorstellen. Dieses setzt sich kritisch mit der Frage auseinander, wie Learning Analytics, Künstliche Intelligenz und insbesondere generative KI (GenAI) den Informations- und Unterstützungsbedürfnissen von Studierende und Dozenten sinnvoll, transparent und evidenzbasiert begegnen können. Im Mittelpunkt steht dabei die Frage, wie KI-gestützte Systeme nicht nur automatisierte Informationen erzeugen, sondern tatsächlich lernwirksames Feedback, verständliche Erklärungen und adaptive Unterstützung bereitstellen können.

Hendrik wird seine Perspektive auf Highly-Informative Learning Analytics erläutern, die in Zusammenarbeit mit interdisziplinären Expertinnen und Experten aus den Bereichen Psychometrie, Feedbacktheorie, Learning Design und Artificial Intelligence in Education entwickelt wurde. Das Forschungsprogramm untersucht in experimentellen Interventionsstudien im Hochschul- und Schulkontext, wie KI-basierte Feedback- und Unterstützungssysteme gestaltet werden müssen, damit sie pädagogisch sinnvoll, vertrauenswürdig und nachhaltig einsetzbar sind.

Im Rahmen dieses Forschungsprogramms wurde die sogenannte HILA-Manufaktur entwickelt, eine evidenzbasierte Entwurfsmethodik zur Entwicklung von Data-Enriched Learning Activities (DeLAs). Die DeLAs sind direkt in der Bildungspraxis einsetzbare, datenangereicherte Lernaktivitäten, die Lernprozesse strukturiert unterstützen und zugleich qualitativ hochwertige Daten für die Generierung von HILA-Feedback bereitstellen. Neuere Generationen der DeLAs integrieren zunehmend generative KI, um individuelles formatives Feedback zu erzeugen, Lernprodukte zu analysieren, Reflexionsprozesse anzuregen sowie komplexe Learning-Analytics-Dashboards für Studierende und Dozenten verständlich zu erklären.

Dabei zeichnen sich die DeLAs einerseits durch ihre hohe Flexibilität aus, da sie in unterschiedlichen Disziplinen und Lernszenarien eingesetzt werden können. Andererseits schaffen sie stabile und ökologisch valide Forschungsbedingungen, um förderliche und hinderliche Faktoren beim Einsatz von KI-gestützten Feedback- und Analytics-Systemen systematisch zu untersuchen. Ein besonderer Fokus liegt dabei auf der Frage, wie GenAI sinnvoll mit Learning Analytics kombiniert werden kann, ohne dabei didaktische Qualität, Transparenz oder Datenschutz zu vernachlässigen.

Das Ziel des HILA-Forschungsprogramms ist der Aufbau einer evidenzbasierten Wissensbasis über die Bedingungen wirksamer KI-Anwendungen in Bildungsprozessen. Der Vortrag schließt mit einer kritischen Analyse der gesellschaftlichen, technologischen und didaktischen Herausforderungen ab, die mit der Implementierung von generativer KI, Learning Analytics und intelligenten Assistenzsystemen in der Hochschule verbunden sind. Dabei werden insbesondere Fragen der AI Literacy, des Vertrauens in KI-Systeme, der Erklärbarkeit von Analysen sowie ethische und regulatorische Rahmenbedingungen thematisiert.

Der Workshop geht dieser Frage anhand einer Mischung aus kurzen Vorträgen und praktischen Übungen nach. Wir werden untersuchen, wie Daten neue Einblicke liefern können, wie Studierende lernen, wo sie Schwierigkeiten haben und wie sie mit den Kursmaterialien umgehen. Außerdem werden wir erörtern, wie Lernanalytik mit der Kursgestaltung zusammenhängt: wie die Kursstruktur beeinflusst, welche Erkenntnisse uns die Daten liefern können, und wie diese Erkenntnisse wiederum in bessere Gestaltungsentscheidungen einfließen. Die Teilnehmer*innen werden verschiedene Tools ausprobieren und darüber reflektieren, wie sinnvolle Anwendungen für Lehrende in unterschiedlichen institutionellen Kontexten aussehen könnten.

Wie sieht eine Dateninfrastruktur aus, die den heterogenen Datenbeständen einer Hochschule tatsächlich gerecht wird – von Campus-Management und LMS über Forschungs- bis zu Verwaltungsdaten? Dieser Workshop nähert sich der Frage in einer Mischung aus kurzen Impulsvorträgen und praktischen Übungen. Wir klären zunächst die zentralen Bausteine moderner Datenarchitekturen: Was unterscheidet ein Data Warehouse von einem Data Lake und einem Lakehouse, und wann ist welcher Ansatz sinnvoll? Wir betrachten ETL- und ELT-Pipelines, Datenmodellierung (etwa Star- und Snowflake-Schema), Data-Integration und die Rolle von Staging-, Core- und Mart-Schichten. Darüber hinaus geht es um die praktischen Rahmenbedingungen an der Hochschule: Datenqualität und -governance, Metadaten und Data Lineage, Schnittstellen zwischen Quellsystemen sowie Datenschutz- und Sicherheitsanforderungen, die jede Architekturentscheidung mitprägen. Die Teilnehmenden erproben Werkzeuge und Modellierungsansätze und reflektieren, wie eine tragfähige, anschlussfähige Datenarchitektur in unterschiedlichen institutionellen Kontexten aussehen kann.

Dashboards für Studierende sind allgegenwärtig und zeigen ihren Fortschritt, ihre Aktivitäten und prognostizierte Ergebnisse an. Doch ein und dasselbe Dashboard wird von den Lernenden oft sehr unterschiedlich interpretiert, und häufig wird das angezeigt, was die Daten leicht darstellen lassen, anstatt das, was die Lernenden tatsächlich benötigen. Die Gestaltung von Lernanalysen für Lernende ist keine triviale Aufgabe. In diesem praxisorientierten Workshop befassen wir uns mit dem Warum, Was und Wie einer effektiven Gestaltung von Dashboards für Lernende. Die Teilnehmer erhalten am Ende eine Reihe von Grundsätzen, um Dashboards auf der Grundlage der Feedback-Theorie und der Bedürfnisse der Lernenden zu gestalten.

The rapid expansion of artificial intelligence, learning analytics, and digital platforms is fundamentally reshaping education across schools, universities, and lifelong learning systems (Rienties et al., 2026). Yet much of the current discourse surrounding digital transformation remains dominated by narratives of efficiency, automation, optimisation, and scale. In this talk, Professor Bart Rienties argues that education risks losing sight of its fundamentally human purpose if digital futures are designed primarily around what can be measured, predicted, or automated.

Drawing on recent research on AI digital assistants, learning analytics, and large-scale online learning environments, including the development of institutional AI assistants designed to support learners ethically and responsibly at the Open University, this keynote explores how universities can move beyond “standard scripts” of technological adoption. Rather than positioning AI merely as a productivity tool, the talk examines how digital technologies might instead foster empathy, critical thinking, creativity, dialogue, and more inclusive forms of lifelong learning (The Open University, 2026).

Using examples from recent interdisciplinary research and large-scale studies in digital education, the talk reflects on emerging tensions between innovation and institutional responsibility, personalisation and surveillance, and efficiency and human agency. Particular attention will be paid to how learners, educators, and universities can collaboratively shape digital futures that are not only technologically advanced, but also socially just, emotionally intelligent, and environmentally responsible.

Rienties, B., Coughlan, T., Domingue, J., & Herodotou, C. (2026). New systems of learning for distance learning institutions? A six-study review of implementing AIDA. Computers and Education: Artificial Intelligence, 10, 100607. https://doi.org/https://doi.org/10.1016/j.caeai.2026.100607

The Open University. (2026). 5 factors influencing the future of global digital education.