Die Entwicklung und der Einsatz datengetriebener adaptiver Lernsysteme finden in einem komplexen Spannungsfeld statt. Informatische Herangehensweisen treffen auf schulische Wirklichkeiten, die sie zu spezifischen Bedingungen modellieren. Dabei sind Entwicklung und Einsatz adaptiver Lernsysteme sowohl mit Optimierungserwartungen als auch mit Kritik seitens der schulischen Akteure verbunden. Der Artikel analysiert die adaptive Mathematik-Lernplattform bettermarks vor diesem Hintergrund als Medienkonstellation, in die sich informatische Modellierungs-, Prozessierungs- und Optimierungsprinzipien einschreiben und mit schulischen Unterrichtspraktiken und Subjektpositionen verflechten. Zentrale Aspekte sind dabei, dass sich in bettermarks Logiken des Computational Thinking, des Solutionismus, der Programmierung iterativer bedingter Schleifen und der profilbasierten Repräsentation von Schülerinnen und Schülern, strikte Lernzielorientierung und hierarchische Machtverhältnisse auffinden lassen. Dabei entsteht eine Medienkonstellation, die weniger auf eine Adaption des Lernsystems an sich als auf die behavioristisch anmutende Adaption des lernenden Subjekts im Sinne der optimierenden Anpassung an vorgegebene Leistungsprofile abzielt. Gleichzeitig wird jenseits der konkreten Modellierungen in bettermarks die informatische Modellierung selbst kritisch in den Blick genommen, insofern sie systematisch nicht-komputierbare Elemente ausschliesst. Für eine Gestaltung adaptiver Lernsysteme, die diese Ergebnisse kritisch-reflexiv einbezieht, wird abschliessend vorgeschlagen, medienwissenschaftliche und informatische Akteure in partizipativen Projekten mit Lehrenden und Lernenden zusammen zu bringen.
With the rise of digital systems in learning scenarios in recent years as learning management systems, massive open online courses, serious games, and the use of sensors and IoT devices huge amounts of personal data are generated. In the context of learning analytics, this data is used to individualize contents and exercises, predict success or dropout. Based on a meta analysis it is investigated to which extent the privacy of learners is respected. Our research found that, although surveys have shown that privacy is a concern for learners and critical to adopt to establish trust in learning analytic solutions, privacy issues are very rarely addressed in actual learning analytic setups.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.