Lerndatensysteme zeigen Studierenden per Ampel an, ob sie im Studium auf Kurs sind. Dieselbe Anzeige kann auch auf dem Schreibtisch anderer landen. Die größte deutschsprachige Fachtagung zur Lerndatenanalyse hat Anfang September in Bochum über die Folgen verhandelt.
Zur Learning AID an der Ruhr-Universität Bochum kamen am 1. und 2. September Datenschutzbeauftragte, Studienberaterinnen, Juristinnen, Qualitätsmanager, IT-Fachleute, Hochschuldidaktiker, Verwaltungsangehörige und Studierende. Die beiden Hauptvorträge hielten ein Politikwissenschaftler und eine Bildungsethikerin. Thorsten Thiel von der Universität Erfurt sprach über Künstliche Intelligenz und Demokratie. Sandra Leaton Gray vom University College London behandelte KI, Ethik und die Zukunft der Hochschulen. Auf dem Podium saß die nordrhein-westfälische Wissenschaftsministerin.
Wer Software erwartet hatte, fand ein Governance-Thema vor. Darin liegt die Nachricht.
Eine Tagung als Seismograf
Die Learning AID findet seit 2022 statt, in diesem Jahr zum fünften Mal. Organisiert wird sie vom Projekt KI:edu.nrw am Zentrum für Wissenschaftsdidaktik der Ruhr-Universität, gefördert vom nordrhein-westfälischen Wissenschaftsministerium unter dem Dach der Digitalen Hochschule NRW. Im vergangenen Jahr zählte die Tagung über 350 Teilnehmende aus ganz Deutschland, diesmal lief das Programm in mindestens sechs parallelen Strängen. Sie gilt als größte inhaltlich spezialisierte Fachtagung zu Learning Analytics, Künstlicher Intelligenz und Data Mining in der Hochschulbildung im deutschsprachigen Raum.
Vor drei Jahren hätte eine solche Veranstaltung vor allem Werkzeuge vorgestellt. Inzwischen verhandelt sie Zuständigkeiten, Rechtsgrundlagen und die Frage, wem die Erkenntnisse gehören.
Vier Stufen, ein Wendepunkt
Learning Analytics wertet Daten aus, die beim Studieren anfallen: Klicks auf der Lernplattform, Prüfungsergebnisse, Studienverläufe. Aus den dokumentierten Anwendungen lassen sich vier Typen unterscheiden, und der Sprung zwischen dem dritten und dem vierten trägt die ganze Debatte.
Auf der ersten Stufe steht das Selbst-Monitoring. Die TU Graz hat mit Studierenden ein Dashboard entwickelt, das den eigenen Studienfortschritt abbildet und die Planung erleichtert. Die Daten gehören denen, die sie erzeugen.
Auf der zweiten Stufe folgt die Prognose. Die Hochschule der Medien Stuttgart nutzt mit LAPS ein System, das Studienverlaufsdaten auswertet. Am weitesten verbreitet ist die Ampel: Ein Algorithmus vergleicht den aktuellen Stand einer Studentin mit den Verläufen früherer Jahrgänge und übersetzt das Ergebnis in drei Farben. Grün heißt, der Studienverlauf entspricht dem Erwartbaren. Gelb signalisiert Auffälligkeiten. Rot steht für ein erhöhtes Abbruchrisiko. Das Rio Salado College in Arizona schickt seinen Studierenden ein solches Ampelfeedback wöchentlich – und den Lehrenden einen Live-Report über den Stand ihrer Kurse. Die britische Open University arbeitet ähnlich.
Die dritte Stufe liefert didaktische Rückmeldung. Anonymisierte Auswertungen zeigen Lehrenden, an welchen Stellen eines Kurses Studierende regelmäßig hängenbleiben.
Auf der vierten Stufe schließlich fließen aggregierte Daten in das Studiengang-Monitoring und damit in die Steuerung der Hochschule. Hier wird aus einem didaktischen Hilfsmittel ein Instrument der Hochschulentwicklung.
Der Engpass liegt nicht in der Technik
Deutsche Hochschulen haben Lerndatenanalyse lange kaum eingesetzt. Der Grund war juristisch. Das Projekt KI:edu.nrw legte deshalb das erste Rechtsgutachten für Nordrhein-Westfalen vor, und sein Befund fiel eindeutig aus: Die Generalklauseln des Landesdatenschutzgesetzes tragen den Einsatz von Learning Analytics nicht. Den Hochschulen empfiehlt das Gutachten, einen eigenen Rahmen zu schaffen – über eine Satzung oder über die konkrete, freiwillige Einwilligung der Studierenden. Ein Einwilligungsmuster und ein Satzungsentwurf liegen bei.
Hendrik Drachsler lehrt Educational Technologies am DIPF und an der Goethe-Universität Frankfurt. Er beschreibt den internationalen Unterschied prägnant: In Deutschland sei alles verboten, was nicht erlaubt ist. In den Niederlanden gelte das Umgekehrte.
Für Hochschulen folgt daraus eine ungewohnte Reihenfolge. Am Anfang steht keine Softwareauswahl, sondern eine Satzung.
Leitplanken aus der Forschung
Das DIPF, die Goethe-Universität und die TU Darmstadt haben einen Verhaltenskodex für Trusted Learning Analytics vorgelegt, den Hochschulen als Selbstverpflichtung übernehmen können. Vier Prinzipien prägen ihn: Menschen behalten die Kontrolle über die Ergebnisse. Daten und Algorithmen unterliegen einer kritischen Prüfung, begleitet durch eine Ombudsperson. Die Auswertung dient unter keinen Umständen der Überwachung von Beschäftigten. Und Daten werden nur für Unterstützungsmaßnahmen erhoben und nur so lange gespeichert, wie diese es erfordern.
Drachsler zieht die Grenze deutlich: Das europäische Verständnis von Learning Analytics halte klaren Abstand zum Prinzip Big Brother. Es gehe um eine bessere Kultur des Lehrens und Lernens.
Was Studierende erleben
Den aufschlussreichsten Befund liefert eine Befragung, die seltener zitiert wird als die Technikversprechen. An der Universität Graz untersuchten Forschende, wie 83 Masterstudierende der Wirtschaftspädagogik ein Learning-Analytics-Dashboard wahrnehmen.
Das Ergebnis beschreibt ein Spannungsfeld. Viele Befragte erleben das System als hilfreiche Orientierung. Andere entwickeln beim selben Werkzeug ein Gefühl von Kontrolle. Vier Sorgen kehren wieder: Leistungs- und Vergleichsdruck, Unsicherheit beim Datenschutz, mehr Fremdsteuerung und Einschränkungen der eigenen Lernfreiheit. Eine Stimme aus der Erhebung bringt es auf den Punkt: Man werde überwacht. Bezweifelt wird auch, ob die zugesagte Anonymität in kleinen Gruppen hält.
Die Autorinnen und Autoren ziehen daraus einen Schluss, der über ihre Stichprobe hinausreicht: Datenbasierte Lernbegleitung wirkt pädagogisch strukturierend. Neutral ist sie nicht.
Die studentischen Interessenvertretungen argumentieren differenziert. Der Bayerische Landesstudierendenrat befürwortet den Einsatz von Learning Analytics und knüpft seine Zustimmung an Bedingungen zur Wahrung studentischer Rechte.
Die Grenzen des Messbaren
Die Fachliteratur benennt drei Einschränkungen, über die in der Forschung weitgehend Einigkeit herrscht.
Der Streetlight-Effekt beschreibt die Verzerrung durch die Datenquelle. Wer nur auswertet, was Systeme protokollieren, übersieht Präsenzlehre, Gespräche, Gruppenarbeit und studentisches Engagement. Diese Teile des Studiums hinterlassen keine Spuren.
In kleinen Kohorten fehlen Referenzdaten. Prognosemodelle brauchen Vergleichsgrößen; ein Studiengang mit dreißig Immatrikulierten liefert sie nicht.
Und Daten bilden Momentaufnahmen ab. Von ihnen auf den weiteren Verlauf einer Bildungsbiografie zu schließen, überdehnt ihre Aussagekraft. Slade und Prinsloo haben früh auf die Machtverhältnisse hingewiesen, die solche Systeme erzeugen – die deutsche Debatte führt das unter dem Stichwort der gläsernen Studierenden.
Wem die Erkenntnis gehört
Am Ende läuft alles auf eine Unterscheidung hinaus, die simpel klingt und schwer umzusetzen ist. Ein Ampelfeedback, das eine Studentin über ihren eigenen Stand informiert, hilft ihr. Ein Live-Report über dieselbe Studentin, der auf dem Schreibtisch anderer landet, verschiebt das Verhältnis. Die Technik dahinter ist identisch. Der Unterschied liegt darin, wer die Ampel sieht und was daraus folgt.
Für Hochschulen heißt das: Die acht Berufsgruppen aus der Bochumer Gästeliste gehören an einen Tisch, bevor eine Software ausgewählt wird. Studierende gehören in die Entwicklung, nicht nur in die Anwendung – die TU Graz hat ihr Dashboard aus gutem Grund gemeinsam mit ihnen gebaut. Und aggregierte Verlaufsdaten verdienen eine Lesart, die auf strukturelle Schwächen eines Curriculums zielt, nicht auf einzelne Personen.
Daraus erwächst die Chance für die Studiengangsentwicklung. Verlaufsdaten zeigen, an welchen Stellen eines Curriculums Studierende abbrechen. Das ergänzt Lehrevaluation und Absolventenbefragung um eine Perspektive, die bisher fehlte. Beratungsansätze wie die Higher Education Journey-Methode der MAGISTER Hochschulberatung betrachten den Weg der Studierenden ohnehin als zusammenhängende Abfolge von Kontaktpunkten. Verlaufsdaten liefern dafür erstmals eine empirische Grundlage. Vorausgesetzt, die Hochschule liest sie als Hinweis auf ihre eigenen Strukturen.
Die Learning AID hat gezeigt, wie weit das Thema gewandert ist. Von der Frage, welches Werkzeug man einsetzt, zu der Frage, welche Hochschule man sein will.
Dieser Text ist mit KI-Unterstützung entstanden.
Quellen (Auswahl): Hochschulforum Digitalisierung, Terminseite Learning AID 2026; KI:edu.nrw und Zentrum für Wissenschaftsdidaktik der Ruhr-Universität Bochum; Presseinformation der RUB vom 19.05.2026; KI:edu.nrw, „Datenschutzrechtliche Beurteilung von Learning Analytics an Hochschulen in NRW“; DIPF, Goethe-Universität und TU Darmstadt, „Verhaltenskodex für Trusted Learning Analytics“; TU Graz, Studienfortschritts-Dashboard (fnma-Magazin 02/25); TU Berlin, Übersicht Learning Analytics an Hochschulen; bwp@ Berufs- und Wirtschaftspädagogik online, „Learning Analytics zwischen Unterstützung und Big Brother“ (N = 83, Universität Graz); Bayerischer Landesstudierendenrat, Stellungnahme vom 06.10.2025; Slade und Prinsloo (2013); Selwyn und Gašević (2020).
