In den modernen Klassenzimmern findet eine stille Revolution statt, die nicht durch neue Lehrbücher oder Lehrmethoden vorangetrieben wird, sondern durch das unsichtbare Summen von Daten. Schulen werden zunehmend zu „smarten“ Umgebungen, die voller Geräte sind, die den täglichen Rhythmus des Lernens sehen, hören und aufzeichnen können. Dies sind die Werkzeuge des Internets der Dinge (Internet of Things), eines Netzwerks verbundener Objekte, die Informationen über die Welt um sie herum sammeln. In einer Schule könnte dies bedeuten, dass ein Sensor erfasst, wann ein Schüler einen Raum betritt, ein tragbares Gerät das Engagement überwacht oder ein digitales System jedes Mal protokolliert, wenn ein Schüler auf einen Link in einer Online-Lektion klickt. Neben diesen Sensoren steht die Kraft des maschinellen Lernens, eines Zweigs der Informatik, bei dem Software lernt, Muster in riesigen Mengen von Informationen zu finden, ohne explizit zu wissen, wonach sie suchen soll. Jahrelang haben sich Pädagogen auf Testergebnisse und Anwesenheitslisten verlassen, um zu erraten, wie es einem Schüler geht, aber diese Aufzeichnungen sind oft nur eine Momentaufnahme der Vergangenheit. Die Frage ist nun, ob wir diesen Strom von Echtzeitdaten nutzen können, um die Lernreise eines Schülers während des Geschehens zu verstehen, und falls ja, ob wir dem Computer vertrauen können, uns zu sagen, was er sieht.

Deepali Sharma, eine Forscherin an der Graphic Era Deemed to be University in Indien, hat einen neuen Weg vorgeschlagen, um diese Frage zu beantworten. Ihre Arbeit konzentriert sich auf Mittelschüler, eine kritische Zeit, in der sich Lerngewohnheiten bilden, und sie schlägt ein Framework vor, das die Daten aus smarten Klassenzimmern mit fortschrittlichen Computeralgorithmen kombiniert, um die akademische Leistung vorherzusagen. Die Kernidee ist einfach und doch tiefgreifend: Anstatt darauf zu warten, dass ein Schüler eine Prüfung nicht besteht, beobachtet das System sein tägliches Verhalten – wie oft er teilnimmt, wie er mit digitalen Werkzeugen interagiert und sogar die Temperatur- und Geräuschpegel in seinem Klassenzimmer –, um seinen zukünftigen Erfolg zu prognostizieren. Es gibt jedoch eine erhebliche Hürde. Die leistungsfähigsten Computermodelle, die solche Vorhersagen treffen können, arbeiten oft wie eine Black Box; sie liefern eine Antwort, aber niemand weiß, wie sie zu dieser gelangt sind. Lehrer können einem System nicht vertrauen, das sie nicht verstehen, besonders wenn dieses System suggeriert, dass ein Schüler zusätzliche Hilfe benötigt. Sharmas Forschung begegnet dem, indem sie ein drittes Element einwebt: erklärbare künstliche Intelligenz (Explainable AI). Dies ist eine Gruppe von Techniken, die darauf ausgelegt ist, die Black Box zu öffnen und den Computer dazu zu zwingen, seinen Rechenweg offenzulegen und genau zu erklären, welche Faktoren zu seiner Vorhersage geführt haben.

Das Framework, das Sharma beschreibt, beginnt mit der Sammlung eines reichen Geflechts aus Daten. Stellen Sie sich ein Klassenzimmer vor, in dem jeder Schüler mit einem digitalen Ökosystem verbunden ist. RFID-Systeme erfassen die Anwesenheit in dem Moment, in dem ein Schüler eintritt, während tragbare Geräte und Umweltsensoren die physischen Bedingungen des Raumes, wie Licht und Lärm, überwachen. Gleichzeitig zeichnen Lernmanagementsysteme jede eingereichte Aufgabe, jeden absolvierten Test und jede Minute auf, die auf einer digitalen Plattform verbracht wurde. All diese Informationen fließen in eine zentrale Datenbank ein und erstellen so ein detailliertes Bild des Schullebens eines Schülers, das weit über eine Abschlussnote hinausgeht. Bevor der Computer daraus lernen kann, müssen die Daten bereinigt und organisiert werden, indem Fehler entfernt und Lücken gefüllt werden, damit die Muster klar ersichtlich sind. Die Forscher wählen dann die wichtigsten Puzzleteile aus, wie etwa Anwesenheitsquoten, die Häufigkeit der Hausaufgabenfertigstellung und wie oft ein Schüler mit dem Online-Lernsystem interagiert. Diese spezifischen Details werden zu den Zutaten für die Machine-Learning-Modelle.

Um diese komplexen Daten sinnvoll zu interpretieren, nutzt die Studie zwei leistungsstarke Arten von Computeralgorithmen, die als Ensemble-Methoden bekannt sind. Die eine heißt Random Forest, die dadurch funktioniert, dass sie viele verschiedene Entscheidungsbäume aufbaut und sie über das Ergebnis abstimmen lässt, ganz ähnlich wie eine Gruppe von Experten, die einen Fall debattiert, um einen Konsens zu erreichen. Die andere ist XGBoost, eine Methode, die ein Modell Schritt für Schritt aufbaut und dabei ständig seine eigenen Fehler korrigiert, um mit jeder Iteration genauer zu werden. Beide Methoden wurden gewählt, weil sie außergewöhnlich gut darin sind, mit unordentlichen, realen Daten umzugehen, und weniger wahrscheinlich durch zufälliges Rauschen getäuscht werden. Wenn sie auf den gesammelten Bildungsdaten trainiert werden, können diese Modelle mit hoher Genauigkeit vorhersagen, ob ein Schüler wahrscheinlich Schwierigkeiten haben oder Erfolg haben wird. Aber die Vorhersage ist nur die halbe Miete. Wenn einem Lehrer gesagt wird, dass ein Schüler „gefährdet“ ist, muss er auch wissen, warum. Liegt es daran, dass der Schüler zu viele Unterrichtsstunden versäumt hat? Liegt es daran, dass er aufgehört hat, sich im Hausaufgaben-System einzuloggen? Oder liegt es daran, dass es im Klassenzimmer zu laut war?

Hier kommt die erklärbare künstliche Intelligenz ins Spiel, die als Übersetzer zwischen dem komplexen Computer und dem menschlichen Lehrer fungiert. Das Framework nutzt zwei spezifische Werkzeuge, SHAP und LIME, um die Schichten der Vorhersage abzutragen. SHAP betrachtet das große Ganze und zeigt auf, welche Faktoren im Allgemeinen über alle Schüler hinweg am wichtigsten sind, während LIME sich auf einen einzelnen Schüler konzentriert, um zu erklären, warum genau dieses Kind eine bestimmte Vorhersage erhalten hat. Wenn das System einen Schüler als bedürftig markiert, kann es nun die spezifischen Merkmale identifizieren, die zu diesem Ergebnis beigetragen haben, wie etwa ein Rückgang beim Abschluss von Aufgaben oder ein Mangel an kürzlichen System-Logins. Diese Transparenz ist entscheidend. Sie verwandelt den Computer von einem mysteriösen Orakel in einen hilfreichen Assistenten, der evidenzbasierte Begründungen liefert. Der Lehrer kann dann die Erklärung prüfen, sie mit seinen eigenen Beobachtungen abgleichen und eine personalisierte Intervention gestalten, die das spezifische Problem adressiert, anstatt zu raten, was falsch sein könnte.

Die Forschung legt nahe, dass Schulen durch die Kombination dieser drei Säulen – Echtzeitdaten aus dem Internet der Dinge, die Vorhersagekraft von Ensemble-Machine-Learning und die Klarheit von erklärbarer KI – von einer reaktiven zu einer proaktiven Bildung übergehen können. Das erwartete Ergebnis ist ein System, das lernschwache Schüler früher als je zuvor identifiziert, nicht indem es auf eine schlechte Note wartet, sondern indem es die subtilen Verhaltensänderungen bemerkt, die ihr vorausgehen. Es verspricht, Lehrern eine klare Sicht auf die Faktoren zu geben, die ihre Schüler beeinflussen, sodass sie ihre Unterstützung individuell auf die Bedürfnisse jedes einzelnen Kindes abstimmen können. Obwohl die Studie derzeit ein vorgeschlagenes Framework ist und noch nicht in einem Live-Klassenzimmer mit echten Schülern getestet wurde, ist die Logik fundiert und das Potenzial bedeutend. Sie bietet einen Weg zu einer Zukunft, in der Technologie den Lehrer nicht ersetzt, sondern ihn mit einem tieferen, unmittelbareren Verständnis des Lernprozesses unterstützt und so sicherstellt, dass kein Schüler unbemerkt durch das Raster fällt.