LMS-FAIR-India: A FAIR Compliant Synthetic LMS Interaction Dataset from a Private University for Privacy Preserving Learning Analytics

Im modernen Klassenzimmer findet Lernen selten in Isolation statt. Es entfaltet sich über digitale Plattformen, auf denen sich Studierende einloggen, um Vorlesungen anzusehen, Lesematerialien herunterzuladen, Aufgaben einzureichen und Quizfragen zu beantworten. Jeder Klick, jedes Pausieren und jede Abgabe hinterlässt eine digitale Spur und schafft ein riesiges Protokoll darüber, wie Menschen lernen. Forscher nennen dieses Feld „Learning Analytics“ und glauben, dass sie durch die Untersuchung dieser Muster verstehen können, was Studierenden zum Erfolg verhilft und was sie gefährdet. Doch ein bedeutendes Hindernis steht diesem Fortschritt im Weg. Die Daten, die diese Muster offenbaren würden, enthalten tief persönliche Informationen über echte Studierende. Gesetze, die den Schutz der Privatsphäre gewährleisten sollen, wie etwa in Indien und Europa, machen es illegal, diese Rohdaten offen zu teilen. Dies schafft eine schwierige Situation: Wissenschaftler wollen die Daten untersuchen, um die Bildung zu verbessern, aber sie dürfen die Daten nicht berühren, ohne die Privatsphäre der beschriebenen Individuen zu verletzen.

Um dieses Dilemma zu lösen, hat ein Forscher namens Sanjay Agal von der Parul University eine neue Art von Ressource geschaffen. Anstatt echte Datensätze von Studierenden zu teilen, was einen Vertrauensbruch und einen Gesetzesverstoß darstellen würde, generierte das Team einen vollständig künstlichen Datensatz, der das Verhalten echter Studierender nachahmt. Diese Sammlung, genannt LMS-FAIR-India, ist eine massive Bibliothek aus erfundenen Interaktionen, die genau wie das Original aussehen und sich auch so anfühlen, aber keine echten Menschen enthalten. Sie ermöglicht es Forschern, ihre Ideen zu testen und bessere Bildungswerkzeuge zu entwickeln, ohne jemals den Namen oder die Note eines echten Studierenden sehen zu müssen. Die Arbeit zeigt, dass es möglich ist, die Wissenschaft des Lernens voranzutreiben und gleichzeitig das Recht auf Privatsphäre strikt zu achten.

Der Kern dieses Projekts ist ein synthetischer Datensatz, der im Wesentlichen eine computergenerierte Simulation eines Universitätssemesters ist. Die Forscher bauten ein Modell einer typischen privaten Universität in Indien auf, komplett mit zehntausend virtuellen Studierenden, einhundertfünfzig Kursen und einem sechsmonatigen akademischen Semester. Sie verwendeten keine echten Datensätze von Studierenden, um dieses Modell zu erstellen. Stattdessen stützten sie sich auf öffentliche Regeln darüber, wie indische Universitäten funktionieren, allgemeine Statistiken darüber, wie sich Studierende typischerweise online verhalten, und Ratschläge von Fakultätsmitgliedern, um sicherzustellen, dass sich die Simulation authentisch anfühlt. Das Ergebnis ist eine Sammlung von Daten, die demografische Details, Kursinformationen und über 1,7 Millionen aufgezeichnete Ereignisse wie Logins, Videoaufrufe und Quizversuche umfasst. Jedes einzelne Stück Information in diesem Datensatz wurde von einem Computerprogramm nach statistischen Regeln erstellt, was bedeutet, dass es null Risiko gibt, eine echte Person zu identifizieren, da nie eine echte Person am Prozess beteiligt war.

Der Datensatz ist so strukturiert, dass er die Komplexität einer realen Lernumgebung widerspiegelt. Er listet nicht nur zufällige Ereignisse auf; er verbindet sie logisch. Beispielsweise zeigt der Datensatz, welche Studierenden in welchen Kursen eingeschrieben sind, wie lange sie auf der Plattform verbracht haben und welche Punktzahlen sie bei ihren Aufgaben erzielt haben. Die Forscher stellten sicher, dass die Muster in diesen künstlichen Daten mit dem übereinstimmen, was im echten Leben zu sehen ist. In der Simulation neigten Studierende, die vor Beginn des Semesters einen stärkeren akademischen Hintergrund hatten, dazu, aktiver auf der Plattform zu sein – ein Muster, das die Realität widerspiegelt. Die Daten erfassen auch den Rhythmus des Studentenlebens und zeigen, dass die Aktivität unter der Woche zur Mittagszeit ihren Höhepunkt erreicht und an Wochenenden signifikant abfällt. Durch die Reproduktion dieser natürlichen Verhaltensweisen bietet der Datensatz ein realistisches Testfeld für Forscher, die Werkzeuge entwickeln wollen, um vorherzusagen, welche Studierenden Schwierigkeiten haben könnten, oder um bessere Wege zu entwerfen, um Lernende einzubinden.

Einer der wichtigsten Aspekte dieser Arbeit ist die Art und Weise, wie sie das Thema Privatsphäre handhabt. In der Vergangenheit versuchten Forscher manchmal, echte Daten zu schützen, indem sie Namen entfernten oder spezifische Details verbargen – ein Prozess, der als Anonymisierung bekannt ist. Experten haben jedoch gezeigt, dass selbst anonymisierte Daten manchmal auf Individuen zurückgeführt werden können, wenn sie mit anderen Informationen kombiniert werden. Dieser neue Ansatz vermeidet dieses Risiko vollständig. Da die Daten von Grund auf neu unter Verwendung von Zufallsverteilungen und statistischen Modellen generiert wurden, ist es unmöglich, einen Datensatz mit einer realen Person zu verknüpfen. Die Forscher testeten dies, indem sie versuchten, einen Computer zu täuschen, damit er glaubt, ein erfundener Student sei real, und der Computer scheiterte dabei, eine Verbindung zu finden. Diese Methode der „Privacy by Design“ bedeutet, dass die Daten frei mit der ganzen Welt geteilt werden können, was eine offene Zusammenarbeit ohne die Angst vor rechtlichen oder ethischen Verstößen ermöglicht.

Um die Daten für die weltweite wissenschaftliche Gemeinschaft nutzbar zu machen, folgten die Forscher einem Satz von Prinzipien, die als FAIR bekannt sind, was für Fundable (auffindbar), Accessible (zugänglich), Interoperable (interoperabel) und Reusable (wiederverwendbar) steht. Der Datensatz wird in einem öffentlichen Online-Archiv mit einer permanenten digitalen Adresse gehostet, sodass er leicht gefunden und zitiert werden kann. Er ist kostenlos unter einer Lizenz verfügbar, die es jedem erlaubt, ihn zu nutzen, zu modifizieren und zu teilen, sofern die Urheber genannt werden. Die Daten sind in klaren, standardisierten Dateien organisiert, die von fast jedem Computerprogramm geöffnet werden können, und es liegt ein detaillierter Leitfaden bei, der genau erklärt, was jede Spalte und jede Zahl bedeutet. Darüber hinaus haben die Forscher den Computer-Code, der zur Erstellung der Daten verwendet wurde, der Öffentlichkeit zugänglich gemacht. Diese Transparenz ermöglicht es anderen Wissenschaftlern, die Ergebnisse zu verifizieren, die Simulation für ihre eigenen Universitäten anzupassen oder neue Datensätze für unterschiedliche Bildungskontexte zu generieren.

Der Wert dieses Datensatzes wurde durch eine Reihe von Tests bewiesen, die darauf ausgelegt waren, zu sehen, ob er echte Forschung unterstützen kann. Die Forscher nutzten die künstlichen Daten, um Computermodelle zu trainieren, die das Engagement von Studierenden vorhersagen und Studierende identifizieren, die ihre Kurse abbrechen könnten. Die Modelle schnitten auf diesen gefälschten Daten genauso gut ab, wie ähnliche Modelle in früheren Studien auf echten Daten performten. Beispielsweise identifizierte das System bei dem Versuch, vorherzusagen, welche Studierenden ihre Kurse abschließen würden, gefährdete Studierende mit einem hohen Grad an Genauigkeit. Sie bestätigten auch, dass die Beziehung zwischen der Häufigkeit, mit der sich ein Studierender einloggt, und den endgültigen Noten in der Simulation erhalten blieb, was den Erkenntnissen aus realen Studien entspricht. Diese Ergebnisse legen nahe, dass der synthetische Datensatz ein zuverlässiger Ersatz für echte Daten ist, wenn es um die Entwicklung und das Testen neuer Bildungstechnologien geht.

Diese Arbeit adressiert eine kritische Lücke im Bereich der Learning Analytics, insbesondere für den Kontext der Hochschulbildung in Indien. Während es einige öffentliche Datensätze aus westlichen Ländern gibt, spiegeln diese oft andere Bildungssysteme und kulturelle Kontexte wider. Der LMS-FAIR-India-Datensatz füllt diese Leere, indem er eine groß angelegte, realistische Simulation einer privaten indischen Universität bereitstellt. Er bietet eine einzigartige Gelegenheit für Forscher, zu untersuchen, wie Studierende in dieser spezifischen Umgebung lernen und mit Technologie interagieren. Indem er ein Werkzeug bereitstellt, das sowohl privatsphäresicher als auch wissenschaftlich robust ist, ermöglicht das Projekt eine neue Welle der Innovation in der Bildung. Es erlaubt Wissenschaftlern, schwierige Fragen über den Erfolg von Studierenden zu stellen und Antworten zu finden, ohne die Würde oder Sicherheit der Individuen, die sie untersuchen, zu gefährden.

Die Auswirkungen dieser Arbeit gehen über nur einen Datensatz hinaus. Sie demonstriert einen praktischen Weg nach vorn für das gesamte Feld der Bildungsforschung. Indem sie zeigt, dass qualitativ hochwertige, privatsphärenwahrende Daten generiert und offen geteilt werden können, haben die Forscher ein großes Hindernis beseitigt, das den Fortschritt jahrelang verlangsamt hat. Andere Institutionen können nun dieselben Methoden anwenden, um ihre eigenen synthetischen Datensätze zu erstellen, die auf ihre spezifischen Bedürfnisse zugeschnitten sind, ohne komplexe rechtliche Hürden bewältigen zu müssen. Dieser Ansatz fördert eine Kultur der Offenheit und Zusammenarbeit, in der der Fokus auf der Verbesserung der Lernergebnisse für alle Studierenden liegt. Der Datensatz steht als Zeugnis für die Idee, dass der Schutz der Privatsphäre und der Fortschritt der Wissenschaft keine gegensätzlichen Ziele sind, sondern vielmehr komplementäre Bestrebungen, die durch sorgfältiges und kreatives Design gemeinsam erreicht werden können.