Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

 
 
Sitzungsübersicht
Sitzung
✶FHV-H03/H04: Researching Datafied Education: Empirische Bildungsforschung im Zeitalter der Datafizierung
Zeit:
Freitag, 27.03.2020:
13:30 - 14:30

Ort: H03/H04

Digitalisierung nutzen

Prof. Dr. Andreas Breiter
Universität Bremen


Zusammenfassung der Sitzung

Mit dem Begriff „Deep Mediatization“ (Hepp 2020) wird ein gesellschaftlicher Prozess der zunehmenden Prägung unserer kommunikativen Konstruktion von Wirklichkeit durch Medien beschrieben. Er zeichnet sich unter anderem dadurch aus, dass Daten und Algorithmen eine wesentliche Rolle spielen. Die Vermessung der Gesellschaft oder die "Quantifizierung des Sozialen" (Mau 2017) wirkt sich auch auf die Bildungsinstitutionen, die Bildungsverwaltung und Bildungspolitik sowie die Lern- und Lehrprozesse aus. Es werden Informationssysteme (z.B. Lernmanagementsysteme, Virtuelle Lernumgebungen, Verwaltungssoftware) auf allen Ebenen, von staatlichen Einrichtungen ebenso wie von privaten Unternehmen aufgebaut und zunehmend miteinander vernetzt, was die Verfügbarkeit von Daten deutlich steigern wird. Dies hat Konsequenzen für die empirische Bildungsforschung. Zu den etablierten quantitativen, psychometrischen Studien treten datengetriebene non-reaktive Verfahren wie Logfile-Analysen und prädiktive Analysen auf Basis von großen Datenmengen („Big data“), adaptive Lernsysteme oder auch Videoanalysen von Unterrichtssequenzen inklusive Mimik- und Gestenerkennung mit Hilfe KI-basierter Algorithmen. Nutzerinnen und Nutzer hinterlassen unbewusst Datenspuren, die dann in Vorhersagemodelle integriert werden. Diese Ansätze werden unter dem Begriff „Learning Analytics“ subsumiert. Neben einer Dominanz der quantitativen gegenüber den qualitativen Methoden, wobei letztere zwingend notwendig sind für die Einordnung  digitaler Spuren in die Handlungskontexte, stellen sich neue forschungsethische Fragen in Bezug auf die Persönlichkeitsrechte, die Datenhaltung und Nachverwertung und damit den Datenschutz. Algorithmen des sogenannten „maschinellen Lernens“ können einerseits zu einer Individualisierung der Lernunterstützung beitragen und andererseits zuvor anonymisierte Datensätze de-anonymisieren. Die fehlende Transparenz der Berechnungsgrundlagen kann Bias (bspw. Benachteiligung in Bezug auf Geschlecht oder Minderheiten) in den Analysen verdecken. Als Konsequenz ist neben der Aneignung datengetriebener Modelle („Data Science“) eine kritische Datenkompetenz im Sinne der Critical Data Studies in die Bildungsforschung zu integrieren und die Grenzen der Berechenbarkeit sind gegenüber Bildungsverwaltung, Bildungspolitik und Bildungspraxis zu artikulieren.