Learning Analytics in der Wirtschaftspädagogik:Eine Simulationsstudie für die Anwendung überwachten maschinellen Lernens für Inhaltsanalysen am Beispiel von Grundvorstellungen und (Selbst-)Reflexionskompetenz
Learning Analytics bietet das Potential, Lehrkräfte bei der Gestaltung eines auf die individuellen Voraussetzungen der Lernenden abgestimmten Unterrichts zu unterstützen. Erforderlich ist dafür der Einsatz künstlicher Intelligenz, denn nur damit lassen sich z. B. von den Lernenden verfasste Texte analysieren und didaktisch einordnen. Bislang ist jedoch wenig bekannt, in welchem Ausmaß künstliche Intelligenz bei der Auswertung solcher Daten unterstützen kann. Vor diesem Hintergrund vergleicht der Beitrag verschiedene Ansätze künstlicher Intelligenz anhand von realem Datenmaterial aus berufs- und wirtschaftspädagogischen Studien. Auf der Basis der schriftlichen Lösungen von 450 Lernenden zu den Grundvorstellungen im Rechnungswesen und 275 schriftlichen Reflexionen von angehenden Wirtschaftspädagog(inn)en kommt der Beitrag zu dem Schluss, dass künstliche Intelligenz einen wertvollen Beitrag zur Auswertung binärer Kategorien leisten kann, jedoch noch nicht geeignet ist, Meta-Konstrukte wie die (Selbst-)Reflexionsfähigkeit aus Texten zu erschließen. Der Beitrag leitet als Empfehlung für den Einsatz in Learning Analytics- Anwendungen die Verwendung von Bagging, GLMNET und Tree als Algorithmen ab. Diese sollten mit der Oversampling-Methode MWMOTE kombiniert werden. Die Verwendung des Naive Bayes ist hingegen nicht zu empfehlen. Der Beitrag stellt den ersten Prototypen einer Learning Analytics- Anwendung für den Rechnungswesenunterricht vor.