Toward a Metaphysics of Learning Analytics: Ontological Positioning of Data, Inference, and Normativity
Dieses Paper etabliert eine Metaphysik der Learning Analytics, indem es deren ontologische Identität aus internen Prinzipien ableitet, die Natur ihrer Daten und Akteure klärt und zwischen datengesteuerter Inferenz und normgebundenen Praktiken unterscheidet, um die Vermischung von Zweck und Operation aufzulösen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das große Ganze: Worum geht es in dieser Arbeit?
Stellen Sie sich das Feld der Learning Analytics (LA) wie eine geschäftige Stadt vor, die in den letzten 15 Jahren sehr schnell gewachsen ist. Alle bauen Straßen, Ampeln und Karten, um Menschen beim Lernen zu helfen. Doch der Autor (Kensuke Takii) argumentiert, dass, während alle mit dem Bauen beschäftigt sind, niemand innehält, um zu fragen: „Woraus genau besteht diese Stadt eigentlich? Was sind die grundlegenden Regeln ihrer Existenz?“
Die Arbeit versucht, die Frage zu beantworten: „Was ist Learning Analytics eigentlich?“, indem sie dessen „Metaphysik“ (die Lehre davon, was existiert und wie Dinge miteinander in Beziehung stehen) untersucht. Der Autor versucht nicht, neue Regeln von außen einzuführen; stattdessen agiert er wie ein Archäologe, der die bestehenden Definitionen und Praktiken der LA ausgräbt, um die verborgenen Regeln zu finden, denen das Feld die ganze Zeit über unbewusst gefolgt ist.
Zentrale Konzepte erklärt mit Analogien
1. Das „Nullte Prinzip“: Der Lernende ist die Quelle
Die Behauptung der Arbeit: Bevor Daten überhaupt existieren können, muss ein Lernender existieren. Daten entstehen nicht einfach aus dem Nichts; sie sind ein Protokoll der Handlungen eines Lernenden.
Die Analogie: Denken Sie an einen Fußabdruck im Sand.
- Der Fußabdruck (die Daten) kann ohne den Fuß (den Lernenden) nicht existieren.
- Die Arbeit argumentiert, dass der Lernende die „ontologische Voraussetzung“ ist. Man kann das Protokoll nicht ohne die Person haben, die das Protokoll erstellt hat.
- Warum das wichtig ist: Dies bedeutet, dass der Lernende der wichtigste Teil des Systems ist – nicht weil wir nett zu ihm sein wollen, sondern weil das System ohne ihn buchstäblich nicht funktionieren kann.
2. Daten sind keine „reine Wahrheit“, sondern eine „konstruierte Karte“
Die Behauptung der Arbeit: Daten in der LA sind kein perfekter, neutraler Spiegel der Realität. Sie sind ein „Formalisiertes konstituiertes Protokoll“. Das bedeutet, es handelt sich um ein Protokoll, das:
- Selektiert wurde: Jemand hat entschieden, was aufgezeichnet wird (z. B. „Wir verfolgen die Login-Zeiten, aber nicht die Herzfrequenz“).
- Formalisiert wurde: Es wurde in ein Format gebracht, das ein Computer lesen kann.
Die Analogie: Denken Sie an einen Koch, der eine Suppe zubereitet.
- Das „Lernerlebnis“ ist der gesamte Ozean an verfügbaren Zutaten.
- Die „Daten“ sind die spezifische Schüssel Suppe, die der Koch serviert.
- Der Koch (der Systemdesigner) hat entschieden, welche Zutaten er hineingibt und wie er sie schneidet.
- Der Haken: Die Suppe ist köstlich und nützlich, aber sie ist nicht der gesamte Ozean. Wenn man die Suppe betrachtet, kann man den ganzen O океan nicht sehen. Die Arbeit warnt uns davor, die Suppe (die Daten) mit dem Ozean (der tatsächlichen Lernerfahrung) zu verwechseln.
3. Das „Sein/Sollen-Problem“: Die Karte vs. das Ziel
Die Behauptung der Arbeit: Dies ist der kritischste Punkt. Daten können Ihnen sagen, was ist (Fakten), aber sie können Ihnen nicht sagen, was sein sollte (Werte oder Regeln).
Die Analogie: Denken Sie an ein GPS-Navigationssystem.
- Die Daten (Sein): Das GPS weiß, dass Sie mit 60 mph in einer Schulzone fahren. Es kann sagen: „Sie fahren 60 mph.“
- Die Norm (Sollen): Das GPS kann logisch gesehen nicht schlussfolgern: „Daher solltest du langsamer fahren.“ Diese Regel kommt von einem menschlichen Fahrer oder einem Verkehrsgesetz, nicht vom GPS selbst.
- Die Warnung der Arbeit: Viele aktuelle LA-Systeme versuchen so zu tun, als sei das GPS gleichzeitig der Polizist. Sie betrachten die Daten und sagen: „Du bist gefährdet, also solltest du X tun.“ Der Autor argumentiert, dass dies ein logischer Fehler ist. Die Daten können nur das Risiko aufzeigen; ein Mensch (ein Lehrer oder Elternteil) muss entscheiden, was zu tun ist.
4. Die acht Agenten: Die Besetzung der Charaktere
Die Arbeit unterteilt die am LA beteiligten Personen in acht verschiedene Rollen. Es ist wie bei einer Theaterproduktion:
- Der Lernende: Der Schauspieler auf der Bühne (die Quelle der Geschichte).
- Der Systemdesigner: Der Regisseur, der entscheidet, worum es in dem Stück geht.
- Der Datensammler: Der Bühnenarbeiter, der das Geschehen aufzeichnet.
- Der Datenanalyst: Der Editor, der sich das Filmmaterial ansieht.
- Der Dateninterpret: Der Kritiker, der erklärt, was das Filmmaterial bedeutet.
- Der Datenkommunikator: Der Bote, der die Ergebnisse an andere weitergibt.
- Der Entscheidungsträger: Das Publikum oder der Produzent, der entscheidet, was basierend auf der Geschichte als Nächstes zu tun ist.
- Der Wissenstranslator: Die Person, die die Geschichte aus diesem Theater nimmt und sie einem anderen Theater mit einem anderen Stil erklärt.
Der Punkt: Die Arbeit argumentt, dass wir diese Rollen oft vermischen. Wenn zum Beispiel der „Editor“ (Analyst) anfängt zu entscheiden, was der „Produzent“ (Entscheidungsträger) tun soll, gerät das System durcheinander.
5. Die Gefahr der „Norm-eingebetteten LA“
Die Behauptung der Arbeit: Einige LA-Systeme sind „Norm-eingebettet“. Das bedeutet, sie bauen ihre eigenen Regeln direkt in den Datenerhebungsprozess ein.
Die Analogie: Stellen Sie sich einen Thermostaten vor, der entscheidet, wer kalt ist.
- Ein normaler Thermostat misst einfach nur die Temperatur (Daten).
- Ein „Norm-eingebetteter“ Thermostat ist mit der Regel programmiert: „Wenn der Raum unter 70 Grad liegt, ist die Person beim Warmbleiben ‚gescheitert‘.“
- Die Arbeit argumentt, dass dies gefährlich ist. Der Thermostat sollte nicht entscheiden, was eine „gute“ Wärme ist; er sollte nur die Temperatur melden. Wenn der Thermostat entscheidet, was „gut“ ist, ignoriert er vielleicht andere wichtige Dinge (wie Luftfeuchtigkeit oder Zugluft), weil sie nicht in seine spezifische Regel passen.
- Das Ergebnis: Dies erzeugt eine „Spannung“, da das System gleichzeitig versucht, ein Spiegel (der Fakten zeigt) und ein Richter (der Regeln aufstellt) zu sein.
Warum ist das wichtig? (Das Fazit)
Der Autor sagt nicht, dass Learning Analytics schlecht ist. Er sagt, dass es seinen Platz kennen muss.
- LA ist die Karte: Sie ist hervorragend darin, uns zu zeigen, wo wir sind, wie schnell wir uns bewegen und wo sich Staus bilden.
- Menschen sind die Fahrer: Lehrer, Schüler und politische Entscheidungsträger müssen entscheiden, wohin wir gehen wollen und welche Regeln wir befolgen sollten.
Die Arbeit argumentt, dass wenn wir versuchen, die Karte zu zwingen, uns zu sagen, wohin wir gehen sollen (indem wir moralische Regeln in die Daten einbetten), die Karte aufhört, eine gute Karte zu sein. Sie wird voreingenommen und weniger nützlich.
Kurz gesagt: Die Arbeit fordert Learning Analytics auf, aufzuhören, versuchen zu wollen, ein Philosoph oder ein Richter zu sein. Stattdessen sollte sie ein sehr klarer, ehrlicher und präziser Berichterstatter von Fakten sein. Lassen Sie die Menschen diese Fakten nutzen, um die moralischen und pädagogischen Entscheidungen zu treffen. Indem wir diese Rollen getrennt halten, wird das Feld stärker, klarer und ehrlicher.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.