Aufmerksamkeits-Mikrosignal-Erkennung

Das echte Ausmaß des Problems

In rein digitalen Lernumgebungen fehlt das sichtbarste Aufmerksamkeitssignal: das Gesicht. Im Seminarraum sieht Lehrerin Schreiber, wer wegschaut, wer aufgehört hat mitzuschreiben, wer mit dem Stift auf dem Tisch spielt. Im LMS ist dieser Kanal stumm.

Was bleibt, sind Interaktionsdaten — und die meisten Lehrenden schauen kaum hin:

• Einer Analyse des Hochschulforums Digitalisierung (2023) zufolge liegt die aktive Nutzungsrate von eingebauten LMS-Analysetools an deutschen Hochschulen unter 20 Prozent — nicht weil die Daten fehlen, sondern weil niemand Zeit hat, sie regelmäßig auszuwerten.
• Gleichzeitig zeigen Studien zum Studienabbruch (European University Association, 2022): Der kritische Moment, ab dem eine Intervention noch wirkt, liegt oft sechs bis acht Wochen vor dem ersten Leistungsversagen — also weit vor der Prüfung. Wer stärker auf strukturelle Abbruchindikatoren über mehrere Semester hinweg schauen will, findet im Studienabbruch-Frühwarnsystem (KI-gestützte Langzeitanalyse über mehrere Semester) einen komplementären Ansatz.
• Laut einer Meta-Analyse zu LMS-Engagement-Daten (Springer Education and Information Technologies, 2024) sind mindestens drei unabhängige Interaktionssignale nötig, bevor ein Modell zuverlässig zwischen “Lernproblem” und “temporärer Abwesenheit” unterscheiden kann. Single-Signal-Auswertungen produzieren zu viele Fehlalarme.

Das Grundproblem: Lehrende haben die Daten, aber keinen strukturierten Weg, sie in Handlung umzuwandeln. Aufmerksamkeits-Mikrosignal-Erkennung versucht genau das: Die Lücke zwischen Rohdaten und pädagogischer Intervention zu schließen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Wichtig: Die Zahlen in Spalte 3 gelten nur, wenn das Modell mit ausreichend Interaktionsdaten versorgt wird. Kurse unter 20 aktiven Lernenden oder mit weniger als drei datenliefernden Aktivitäten pro Woche produzieren keine belastbaren Signale.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Das Monitoring selbst wird schneller — Lehrende sehen in wenigen Minuten, welche Lernenden auffällige Muster zeigen, statt sich durch rohe Kursstatistiken zu scrollen. Die Interventionsarbeit dagegen fällt nicht weg: Wer ein Warnsignal erhält, muss nachfragen, das Gespräch vorbereiten und begleiten. Netto liegt die Zeitersparnis bei realistisch 10–20 Minuten pro Woche und Kurs — deutlich weniger als bei Anwendungen, die Kernaufgaben abnehmen.

Kosteneinsparung — sehr niedrig (1/5) Die eingesetzten Werkzeuge — Moodles eingebaute Analytics, das Engagement Analytics Plugin (MEAP) oder ILIAS-Plugins — kosten meist nichts extra. Bildungseinrichtungen haben kein direktes Kosten-Einnahmen-Modell, in dem sich Aufmerksamkeitssteigerung monetär ausdrücken ließe. Indirekte Effekte (höhere Abschlussquoten, weniger Nachbetreuung) sind real, aber nur sehr schwer von anderen Faktoren zu isolieren.

Schnelle Umsetzung — niedrig (2/5) Das größte Hindernis ist nicht die Technik, sondern der Prozess davor: Einwilligungsmanagement, DSGVO-Dokumentation, Abstimmung mit dem Datenschutzbeauftragten. Laut Rechtsgutachten des Hochschulforums Digitalisierung (2023) sind allgemeine Datenschutzklauseln für Learning Analytics in Deutschland nicht ausreichend — es braucht konkrete, freiwillige Einwilligungen der Lernenden. Das dauert. Ein realistischer Zeitplan bis zum echten Pilotbetrieb liegt bei 8–16 Wochen.

ROI-Sicherheit — niedrig (2/5) Das Moodle-eigene Prognosemodell erreicht in Studien etwa 82 % Genauigkeit — klingt hoch, bedeutet aber bei 30 Lernenden im Kurs: etwa fünf bis sechs Fehlalarme pro Gruppe. In Bildungskontexten führen zu viele Fehlalarme zu Alert-Fatigue: Lehrende hören auf, auf Meldungen zu reagieren, wenn sie zu oft umsonst nachgefragt haben. Außerdem ist der kausale Nachweis schwer: Hat die Intervention geholfen, oder hätte sich der Studierende sowieso erholt? Diese Frage bleibt meistens offen.

Skalierbarkeit — hoch (4/5) Einmal eingerichtet, analysiert das System alle Kurse gleichzeitig ohne zusätzlichen manuellen Aufwand. Wächst die Zahl der Kurse oder Lernenden, steigen die Infrastrukturkosten minimal — der Monitoring-Aufwand für die Lehrenden bleibt konstant. Das ist der stärkste Aspekt dieses Ansatzes: Skalierbarkeit auf Institutsebene ohne proportionalen Personalaufwand.

Richtwerte — stark abhängig von LMS-Nutzungsintensität, Kursstruktur und pädagogischer Interaktionstiefe.

Was das System konkret macht

Das Grundprinzip: Jedes LMS — also Moodle, ILIAS, itslearning oder ähnliche Systeme — speichert automatisch jeden Klick, jeden Seitenaufruf, jede Einreichung mit Zeitstempel. Diese Daten nennt man Interaktions-Logs. Ein Aufmerksamkeits-Analyse-System liest diese Logs kontinuierlich aus und sucht nach Mustern.

Konkret werden typischerweise folgende Signale kombiniert:

Aktivitätsfrequenz — Wie viele Male pro Woche loggt sich die Person ein? Fällt die Frequenz unter einen kursabhängigen Schwellenwert, ist das ein erstes Warnsignal.

Sitzungsdauer und Klickpausen — Wie lange bleiben Lernende auf einer Seite? Eine sehr kurze Verweildauer bei einem langen Lerntext (unter 30 Sekunden) deutet auf Überfliegen oder Abbruch hin. Umgekehrt: sehr lange Pausen auf Quiz-Seiten können auf Blockierung hinweisen.

Aufrufreihenfolge — Folgen Lernende dem intendierten Lernpfad, oder springen sie zwischen Modulen? Rückwärtsnavigation in frühe Module signalisiert oft Verständnisprobleme.

Einreichungsverhalten — Werden Aufgaben kurz vor Ablauf eingereicht (Last-Minute-Cluster)? Werden Quizze mehrfach versucht ohne erkennbaren Fortschritt? Das sind starke Proxy-Signale für Überlastung.

Forumsbeteiligung — Nimmt die Anzahl der Beiträge und Antworten ab? In kursbegleitenden Foren ist Inaktivität ein frühes Warnsignal.

Das Machine Learning-Modell im Hintergrund gewichtet diese Signale kursabhängig — ein Kurs mit wenig Pflichtinteraktion braucht andere Schwellenwerte als ein intensiver Praxiskurs. Die Ausgabe ist keine Diagnose, sondern eine Wahrscheinlichkeitsaussage: “Diese Lernende zeigt in der laufenden Woche ein Interaktionsmuster, das in der Vergangenheit mit schlechten Ergebnissen korreliert hat.”

Was das System nicht kann: Es analysiert ausschließlich das Verhalten im LMS. Ob jemand nebenbei im Lehrbuch lernt, mit Kommilitonen telefoniert oder private Probleme hat, die das Klickverhalten beeinflussen — das sieht kein digitales Monitoring.

Welche Signale wirklich zählen — und welche täuschen

Nicht alle Interaktionssignale sind gleich informativ. Eine 2024 veröffentlichte Meta-Analyse zu Engagement-Erkennungsmodellen in digitalen Lernumgebungen (Springer Education and Information Technologies) kommt zu einem ernüchternden Befund: Einzelne Verhaltenssignale wie Klickfrequenz oder Login-Häufigkeit sind “context-dependent and limited in generalizability” — was für Kurs A ein Warnsignal ist, kann für Kurs B normales Lernverhalten sein.

Das bedeutet konkret: Du brauchst mindestens drei unabhängige Signalquellen gleichzeitig, damit das Modell zuverlässig arbeitet. Einige Signalkombinationen haben sich als besonders belastbar erwiesen:

Starke Signale (in Kombination valide):

• Rückgang der Login-Frequenz über mehr als sieben Tage
• Letzte Einreichung über 10 Prozent unter dem persönlichen Durchschnitt der vorherigen Wochen
• Null Forum- oder Kommentaraktivität in zwei aufeinanderfolgenden Kurswochen
• Quiz-Wiederholungsrate über drei Versuche ohne Punktzahlverbesserung

Schwache oder irreführende Signale:

• Kurze Sitzungsdauer an Wochenenden (kann einfach heißen: jemand prüft schnell die Aufgaben)
• Viele Klicks auf eine Seite (kann Interesse bedeuten, nicht Verwirrung)
• Keine Einreichung bei freiwilligen Zusatzaufgaben (nicht im Pflichtprogramm)
• Aktivitätsspitzen kurz vor Fristen ohne Wochen davor (Lernstil, kein Problem)

Ein gut konfiguriertes System wertet nur die starken Signale aus und zeigt ausdrücklich an, auf welchen Daten der Alarm basiert. Ohne diese Transparenz ist ein Alarm für Lehrende nicht handlungsleitend — und landet im mentalen Papierkorb.

EU AI Act: Was ab August 2026 für Bildungseinrichtungen gilt

Dieser Abschnitt ist wichtig und zeitkritisch.

Der EU AI Act ist seit August 2024 in Kraft und wird ab August 2026 vollständig durchgesetzt. Für Bildungseinrichtungen in Deutschland gibt es eine direkte Relevanz, die viele noch nicht auf dem Radar haben:

Annex III des EU AI Act klassifiziert KI-Systeme als hochriskant, wenn sie in Bildungskontexten eingesetzt werden und dabei:

• Lernergebnisse bewerten oder prognostizieren,
• das Verhalten von Lernenden während Prüfungen überwachen oder erkennen,
• über Zugang zu Bildungseinrichtungen oder -stufen entscheiden.

Aufmerksamkeits-Mikrosignal-Systeme, die Lernverhalten analysieren und Prognosen über Lernerfolg ausgeben, fallen potenziell unter diese Hochrisiko-Klassifikation — insbesondere wenn die Prognosen Einfluss auf pädagogische Entscheidungen haben.

Was das konkret bedeutet:

Bei einem Hochrisiko-KI-System sind nach dem EU AI Act verpflichtend:

• Technische Dokumentation des Modells (Architektur, Trainingsdaten, Leistungskennzahlen)
• Risikomanagementsystem für die gesamte Lebensdauer des Systems
• Menschliche Aufsicht: Lehrkräfte müssen in der Lage sein, das System zu überschreiben oder abzuschalten
• Registrierung in der EU-Datenbank für Hochrisiko-KI
• Transparenz gegenüber den Betroffenen (Lernenden)

Ausdrücklich verboten ist jegliches KI-System, das Emotionen von Lernenden erkennt oder Gesichtsausdrücke zur Aufmerksamkeitsauswertung analysiert (Artikel 5 EU AI Act). Webcam-basierte Aufmerksamkeitserkennung, Eye-Tracking während Prüfungen oder biometrische Lernverhaltensanalyse sind damit vollständig untersagt.

Für LMS-basierte Interaktionsanalyse ist die Klassifikation noch nicht abschließend geklärt — hier hängt es davon ab, ob das System nur informiert (“diese Person zeigt auffällige Muster”) oder automatisiert entscheidet (“diese Person wird in Gruppe B versetzt”). Nur informierende Systeme mit klarer menschlicher Entscheidungshoheit fallen wahrscheinlich aus der Hochrisiko-Kategorie heraus.

Praktische Empfehlung: Lass das Thema vor dem Pilotstart durch euren Datenschutzbeauftragten und eine rechtliche Einschätzung zum EU AI Act laufen. Der Aufwand ist überschaubar, aber nicht zu verschieben — August 2026 ist nah.

Konkrete Werkzeuge — was wann passt

Für Learning Analytics in deutschen Bildungseinrichtungen gibt es wenige Speziallösungen außerhalb des LMS. Der Hauptgrund: Die Interaktionsdaten liegen im LMS und verlassen es in der Praxis selten — zu Recht, denn jeder Datenexport erfordert erneute datenschutzrechtliche Prüfung.

Moodle mit eingebauter Analytics Moodle hat seit Version 3.4 ein integriertes Learning-Analytics-Framework mit drei vortrainierten Modellen: “Students at risk of dropping out”, “Upcoming activities due” und “No Teaching”. Das Dropout-Modell ist direkt auf Engagement-Signale ausgerichtet und benötigt keine zusätzliche Installation. Kosten: 0 € (Teil des Open-Source-Cores). Voraussetzung: PHP-Backend muss den Cron-Job für die Analytics-Berechnungen regelmäßig ausführen — bei Managed Hosting ist das meist Standard, bei selbstgehosteten Installationen gelegentlich nicht aktiviert. Ideal für Bildungseinrichtungen, die bereits Moodle betreiben und keine zusätzliche Infrastruktur wollen.

Moodle mit Engagement Analytics Plugin (MEAP) Das Engagement Analytics Plugin ist ein kostenloses Moodle-Plugin, das zusätzlich zu den Kerndaten auch Forenaktivität, Bewertungshistorie und Einreichungsverhalten auswertet. Es ermöglicht direktes E-Mail-Messaging an identifizierte Risikogruppen aus dem Plugin-Interface. Vorteil gegenüber dem Kernmodell: Die Lehrkraft kann im Plugin direkt handeln, ohne zwischen Interfaces zu wechseln. Nachteil: Die Konfiguration erfordert technisches Verständnis und regelmäßige Anpassung an kursabhängige Schwellenwerte.

ILIAS mit LeAP-Plugin Die Universität Mannheim hat für ILIAS das Plugin LeAP (Learning Analytics Profile) entwickelt, das Lernprofile auf Basis von ILIAS-Interaktionsdaten erstellt und für Lehrkräfte visualisiert. LeAP ist als Open-Source-Plugin verfügbar und eignet sich für Hochschulen, die ILIAS als LMS betreiben. Besonderes Merkmal: Das Plugin legt großen Wert auf Datensparsamkeit und zeigt nur aggregierte, nicht personenidentifizierbare Daten, solange Lernende keine individualisierte Ansicht freigeschaltet haben. Kostenfrei, erfordert aber ILIAS-Expertise für die Installation.

itslearning Analytics Dashboard itslearning bietet ein eingebautes Analyse-Dashboard, das Kursaktivität, Einreichungsraten und Engagement-Trends über alle Kurse hinweg zeigt. Für Schulen, die itslearning bereits über die dBildungscloud nutzen, ist dies der reibungsloseste Einstieg — keine zusätzliche Installation, EU-Datenhaltung inklusive. Tiefe Risikomodellierung wie bei Moodle Analytics ist hier weniger ausgeprägt; das Tool eignet sich besonders für einen Gesamtüberblick auf Schulebene.

Zusammenfassung: Wann welcher Ansatz

• Bereits Moodle im Einsatz → Eingebaute Analytics aktivieren, dann MEAP testen
• Bereits ILIAS im Einsatz → LeAP-Plugin installieren und pilotieren
• Bereits itslearning über dBildungscloud → Eingebautes Dashboard als Einstieg
• Kein LMS oder LMS ohne aktive Nutzung → Erst LMS-Nutzung aufbauen, dann Analytics

Datenschutz, Einwilligung und die Besonderheit des Bildungskontexts

Learning Analytics ist datenschutzrechtlich keine Standardaufgabe. Das Hochschulforum Digitalisierung hat 2023 ein Rechtsgutachten veröffentlicht, das die Situation für nordrhein-westfälische Hochschulen analysiert — mit Schlussfolgerungen, die bundesweit relevant sind:

Allgemeine Datenschutzklauseln reichen nicht. Für die Analyse von Lernverhaltensdaten zu Monitoring-Zwecken braucht es eine spezifische Rechtsgrundlage. Diese kann entweder eine ausdrückliche gesetzliche Ermächtigung im Landeshochschulgesetz sein (in den meisten Bundesländern noch nicht vorhanden) oder eine freiwillige, informierte Einwilligung der Lernenden.

Das Freiwilligkeitsproblem. Hier wird es schwierig: Wenn die Lehrperson, die Learning Analytics nutzt, gleichzeitig diejenige ist, die Noten vergibt, ist ein echtes Machtgefälle vorhanden. DSGVO Artikel 7 verlangt, dass Einwilligungen freiwillig sind — was bei einem Machtverhältnis zwischen Institution und Lernenden kritisch zu prüfen ist. In der Praxis empfehlen Juristen: Einwilligungen müssen revozierbar sein, ohne dass Lernende Nachteile aus dem Widerruf fürchten müssen. Das bedeutet: Wer kein Analytics-Tracking will, muss denselben Kurs ohne Beobachtung absolvieren können.

Praktische Schritte vor dem Pilotstart:

1. Abstimmung mit dem institutionellen Datenschutzbeauftragten (DSB)
2. Erstellung eines spezifischen Einwilligungsdokuments (kein generisches Formular)
3. Technische Umsetzung der Opt-out-Möglichkeit ohne Kursnachteile
4. Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO — bei systematischem Monitoring wahrscheinlich verpflichtend
5. Auftragsverarbeitungsvertrag mit dem LMS-Hoster oder Plugin-Anbieter (Art. 28 DSGVO)

Besonders beim Einsatz in Schulen (Minderjährige): Hier sind zusätzlich elterliche Einwilligungen nach § 8 DSGVO erforderlich. Für Schulen unter öffentlichem Schulträgerbetrieb ist außerdem die jeweilige Landesdatenschutzbehörde einzubeziehen.

Was es kostet — realistisch gerechnet

Direkte Kosten (meist niedrig) Das ist die gute Nachricht: Die Analysetools selbst kosten bei open-source LMS wie Moodle und ILIAS nichts extra. Für Moodle-Installationen auf Managed Hosting mit einem deutschen Anbieter liegen die laufenden Hosting-Kosten bei ca. 30–500 €/Monat je nach Größe — aber die entstehen für das LMS sowieso, nicht für die Analytics.

Der reale Kostenblock liegt woanders:

Einrichtungskosten (versteckt)

• Datenschutz-Folgenabschätzung + Rechtsberatung: 2.000–6.000 €, je nach Komplexität und ob Inhouse-DSB oder extern
• Einwilligungsmanagement einrichten (technische Umsetzung + Kommunikation): 2–4 Wochen interner Aufwand
• Plugin-Konfiguration, Schwellenwert-Anpassung, Test-Phase: 2–4 Wochen technischer Aufwand

Laufende Kosten (unterschätzt)

• Pflege der Modell-Schwellenwerte: 1–2 Stunden/Semester pro Kurs (Anpassung an neue Kursformate)
• Lehrkräfte-Schulung: Einmaliger Aufwand von ca. 3–4 Stunden pro Person
• Interventions-Zeit: Pro ausgelöstem Alert 30–60 Minuten für Nachfrage und Gesprächsprotokoll

Wie du den Nutzen misst (wenn du ihn messen kannst) Der schwierigste Teil: Gab es weniger Prüfungsversagen, weil das Monitoring früher eingriff — oder wegen anderer Maßnahmen im selben Semester? Dieser kausale Nachweis gelingt selten. Was stattdessen messbar ist: Alarmtreffer-Rate (wie viele ausgelöste Alerts führten wirklich zur Intervention?), Alert-Response-Time (wie schnell reagierte die Lehrkraft?), und langfristig: Abschlussquoten im Jahresvergleich. Ohne diese Metriken bleibt das System ein Schwarzes Brett, nicht ein Steuerungsinstrument.

Vier typische Einstiegsfehler

1. Alle Kurse auf einmal aktivieren. Das häufigste Muster: Eine Bildungseinrichtung schaltet Learning Analytics für alle Kurse gleichzeitig frei, ohne Schwellenwerte anzupassen. Das Ergebnis ist eine Warnflut — jede Kursabweichung generiert Meldungen. Lehrende werden mit Alerts überhäuft, die sie nicht einordnen können. Der Begriff für dieses Phänomen — “Alert-Fatigue” — ist aus der Medizin und Cybersicherheit gut belegt: Systeme, die zu viele Alarme absetzen, werden irgendwann ignoriert. Lösung: Mit einem einzigen Kurs und zwei erfahrenen Lehrenden beginnen. Schwellenwerte drei bis vier Wochen lang kalibrieren, bevor das System auf weitere Kurse ausgeweitet wird.

2. Kein pädagogisches Interventionsprotokoll vorhanden. Das System meldet Risikogruppen. Und dann? Wenn keine klare Prozedur existiert — wer nimmt Kontakt auf, in welcher Form, wie wird es dokumentiert, wie folgt man nach — werden Alerts zur rein bürokratischen Pflichtübung. Lernende erhalten unpersönliche Massen-E-Mails statt gezielter Unterstützung. Das schadet mehr als es nützt. Die Intervention muss vor dem Analytics-System definiert werden, nicht danach.

3. Das System als Ersatz für Lehrkraft-Kontakt behandeln. Learning Analytics ist ein Frühwarnsignal, keine Diagnose. Wenn Lehrende auf ein Alert mit einer automatischen E-Mail antworten (“Wir haben gesehen, dass du weniger aktiv bist — meld dich”) statt mit einem persönlichen Gespräch, fehlt der Interventionseffekt. Das Engagement-Problem eines Lernenden hat meist einen Grund, den nur ein Gespräch aufdeckt: Überlastung durch Nebenjob, Probleme im Privatleben, inhaltliche Blockade. Diese Ursachen sind für das Monitoring-System unsichtbar. Die menschliche Beziehung bleibt das eigentliche Interventionsinstrument — das System zeigt nur, wo sie gebraucht wird.

4. Das Modell einrichten und nie wieder anfassen. Kurse ändern sich. Lerngruppen verändern sich. Was im Wintersemester 2023 ein valider Schwellenwert war (“weniger als zwei Logins pro Woche = Warnung”), kann im Sommersemester 2025 mit anderem Kursformat Unsinn produzieren. Modelle in Learning-Analytics-Systemen brauchen eine feste Kalibrierungsroutine — mindestens einmal pro Semester. Ohne diese Routine degradiert das System schleichend: Es meldet weiter, aber immer weniger von dem, was es melden soll.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist nicht das Problem. Das Problem ist die Institutionskultur.

Was in fast jeder Einführung auftaucht:

Die skeptische Lehrkraft. “Das ist doch Überwachung.” Dieser Einwand ist berechtigt — und muss ernsthaft beantwortet werden, nicht weggewedelt. Learning Analytics ist eine Form der Verhaltensbeobachtung. Die ethische Grenzlinie liegt bei Transparenz und Reversibilität: Lernende müssen wissen, dass ihre Interaktionsdaten ausgewertet werden, und sie müssen es ablehnen können. Wenn das nicht gewährleistet ist, ist die Skepsis vollständig berechtigt. Was konkret hilft: Lehrende in die Konfiguration einbeziehen, nicht vor vollendete Tatsachen stellen. Wer das System mitgestaltet hat, übernimmt Verantwortung für seinen sinnvollen Einsatz.

Der Datenschutz-Stopp. An mindestens der Hälfte der deutschen Hochschulen, die Learning Analytics einführen wollen, kommt früh ein Halt vom Datenschutzbeauftragten. Das ist kein Bug, sondern ein Feature — der DSB stellt berechtigte Fragen, die vorher zu klären sind. Das kostet Zeit. Wer diesen Schritt überspringt und einfach loslegt, riskiert nachträgliche Abschaltung und Vertrauensverlust bei Lernenden.

Die Erschöpfung nach dem Piloten. Nach sechs Wochen Pilotbetrieb mit einem engagierten Team ist klar: Es funktioniert, aber es macht auch Arbeit. Die Frage ist, ob die beteiligte Lehrkraft das dauerhaft tragen will — oder ob nach dem Piloten niemand mehr das System aktiv nutzt. Die Lösung ist institutionelle Verankerung: Wer ist verantwortlich für das Monitoring? Ist die Zeit dafür im Lehrdeputat berücksichtigt? Ohne diese Klärung verblasst der Pilot.

Was konkret hilft:

• Eine Person als Learning-Analytics-Verantwortliche:n benennen — nicht die IT, sondern jemand mit pädagogischem Hintergrund
• Feste Zeitslots in den Wochen-Rhythmus einbauen: “Montagmorgen, 9–9:30 Uhr, Blick auf die Wochenstatistik”
• Interventionen protokollieren — nicht aus Bürokratie, sondern um zu sehen, ob das System tatsächlich hilft
• Offen mit Lernenden kommunizieren: “Wir nutzen Learning Analytics. Ihr könnt opt out. Hier ist wie.”

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Dieser Zeitplan gilt für einen seriösen, DSGVO-konformen Piloten an einer Hochschule oder Berufsschule. Schnellere Umsetzungen sind möglich — aber nur unter Auslassung von Schritten, die rechtliche Risiken vergrößern.

Häufige Einwände — und was dahintersteckt

“Das ist Überwachung.” Jein. Klassische Überwachung bedeutet: Eine Partei schaut heimlich auf das Verhalten einer anderen. Learning Analytics macht das Gegenteil, wenn es richtig eingeführt wird — Lernende wissen davon, können ablehnen und sehen idealerweise selbst ihre eigenen Daten. Der Unterschied zwischen ethischem Learning Analytics und Überwachung liegt in Transparenz und Kontrolle. Wenn Lernende ihr eigenes Engagement-Dashboard sehen und eigenständig handeln können, ist das Selbstförderung, keine Kontrolle.

“Die Daten sind sowieso schon da — warum nicht nutzen?” Diese Logik ist verbreitet und gefährlich. Dass Daten technisch vorhanden sind, schafft keine Erlaubnis zu ihrer Auswertung — das ist ein grundlegendes Prinzip des Datenschutzrechts. Logs sind kein Freifahrtschein. Jede Zweckänderung (Betriebsdaten werden zu Verhaltensauswertungsdaten) braucht eine neue Rechtsgrundlage.

“Wir haben keine Zeit für Interventionen, also macht das keinen Sinn.” Das ist der ehrlichste Einwand in dieser Liste. Learning Analytics funktioniert nur dann, wenn die Alerts zu Handlungen führen. Wenn das personelle Kapazitätsproblem real ist, sollte zuerst dieses gelöst werden — nicht mit einem Monitoring-System, das alerts produziert, auf die niemand reagiert. Möglicherweise ist der sinnvollere erste Schritt ein Peer-Mentoring-Programm oder ein niederschwelliges Selbst-Check-in-Tool für Lernende.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Eure Lehrenden beklagen, dass Aufmerksamkeitsprobleme erst bei Prüfungen sichtbar werden
• Euer LMS wird aktiv genutzt — Lernende loggen sich täglich oder mehrmals wöchentlich ein und führen echte Lernaktivitäten durch
• Eine Person (Lehrende, Lernberatende) hat pro Woche mindestens 30–60 Minuten Zeit für Interventionsarbeit
• Die Einrichtung hat einen Datenschutzbeauftragten, der das Thema kennt oder bereit ist, es zu prüfen
• Der Pilotstart kann auf einen einzelnen Kurs mit einer engagierten Lehrkraft beschränkt werden

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 30–40 aktiven Lernenden pro Kurs. ML-Modelle für Engagement-Erkennung benötigen ausreichend Datenpunkte, um kursabhängige Muster zu lernen. Bei sehr kleinen Gruppen übersteigt die Fehlalarmrate jeden Nutzen. Mit Gruppen dieser Größe ist regelmäßiger persönlicher Kontakt ohnehin realistisch — und effektiver.

2. Kein Kapazitätspuffer für Interventionen. Learning Analytics ohne Interventionsmöglichkeit ist ein Thermometer ohne Arzt: Es zeigt Fieber an, aber niemand behandelt es. Wenn Lehrkräfte strukturell überlastet sind oder keine pädagogische Unterstützungsstelle vorhanden ist, erzeugt das System nur schlechtes Gewissen statt Hilfe.

3. LMS ohne aktive Interaktionsaktivitäten. Wenn das LMS vor allem als Dokumentenablage genutzt wird — Upload von PDFs, Download durch Lernende, kaum Quizze, Foren oder Aufgaben — gibt es keine Micro-Signals zu analysieren. Das Monitoring funktioniert ausschließlich mit einer LMS-Nutzungstiefe, die Interaktions-Events produziert.

Das kannst du heute noch tun

Wenn du Moodle-Administrator:in bist: Öffne deine Moodle-Installation, navigiere zu “Website-Administration → Analytics → Analytics-Modelle” und prüfe, ob das Modell “Students at risk of dropping out” aktiv ist und der Cron-Job läuft. Das kostet 10 Minuten und zeigt dir, ob deine Installation für Learning Analytics bereit wäre — ohne dass schon ein einziger Lernender getrackt wird.

Wenn du Lehrende:r bist ohne Adminzugang: Schaue in die Kursberichte deines LMS (in Moodle unter “Kurs → Berichte → Aktivitätsbericht”). Dort siehst du, welche Interaktionsdaten bereits erfasst werden — als erster Schritt, bevor du mit der Leitungsebene über Analytics sprichst.

Hier ist ein Prompt, mit dem du eine erste Interventionsnachricht auf Basis eines konkreten Interaktionsmusters formulieren kannst:

Quellen & Methodik

• Hochschulforum Digitalisierung, Rechtsgutachten Datenschutzrahmen Learning Analytics (2023): Analyse der datenschutzrechtlichen Anforderungen an deutsche Hochschulen; Kernbefund: Allgemeine Datenschutzklauseln unzureichend, konkrete freiwillige Einwilligungen erforderlich. URL: hochschulforumdigitalisierung.de
• EU AI Act, Annex III (August 2024): Klassifikation von KI-Systemen in Bildungskontexten als hochriskant; Verbot von Emotion-Erkennungssystemen. Vollständige Durchsetzung ab August 2026. URL: artificialintelligenceact.eu
• Springer Education and Information Technologies, Meta-Analyse zu Engagement-Erkennungsmodellen (2024): Befund, dass einzelne LMS-Verhaltenssignale “context-dependent and limited in generalizability” sind; Empfehlung: mindestens drei unabhängige Signalquellen kombinieren.
• Moodle-Dokumentation Analytics (2024): Drei eingebaute Modelle, darunter “Students at risk of dropping out”; Modellgenauigkeit in Studien bei ~82 % (Linear SVC). URL: docs.moodle.org/501/en/Analytics
• Centre for Dropout Research (cfder.org), “Designing Early-Alert Systems That Actually Help At-Risk Students”: Dokumentation von Alert-Fatigue in Frühwarnsystemen; Empfehlung zur menschenzentrierten Systemgestaltung.
• European University Association, “Learning & Teaching Paper #10: Analytics” (2022): Kritischer Interventionszeitpunkt liegt 6–8 Wochen vor dem ersten Leistungsversagen.
• Preisangaben ILIAS Managed Hosting: Veröffentlichte Richtwerte aus ILIAS-Partnerübersicht (Stand April 2026): 100–500 €/Monat für kleine, 500–2.500 €/Monat für mittlere Installationen.

Du willst wissen, ob eure konkrete LMS-Installation und Kursdichte für Learning Analytics geeignet wäre — und was der nächste rechtssichere Schritt wäre? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.