| name | lernanalysen-interpretation |
| description | Interpretiere Lernanalyse-Daten und übersetze Dashboard-Erkenntnisse in handlungsfähige Unterrichtsentscheidungen. Verwende diesen Skill beim Auswerten von LMS-Daten, Prüfungsmuster oder Engagement-Metriken. |
| disable-model-invocation | false |
| user-invocable | true |
| effort | medium |
| skill_id | schule-ki-lernen/lernanalysen-interpretation |
| skill_name | Lernanalysen-Interpretationsleitfaden |
| domain | schule-ki-lernen |
| version | 1.0 |
| evidence_strength | moderate |
| evidence_sources | ["Siemens & Long (2011) — Penetrating the fog: analytics in learning and education","Bienkowski et al. (2012) — Enhancing teaching and learning through educational data mining and learning analytics (US DoE report)","Wiliam (2011) — Embedded formative assessment (data use for formative purposes)","Mandinach & Gummer (2016) — What does it mean for teachers to be data literate?","Wise (2014) — Designing pedagogical interventions to support student use of learning analytics"] |
| input_schema | {"required":[{"field":"datensatz_beschreibung","type":"string","description":"Die spezifischen Lernungsdaten zur Interpretation — was wurde gemessen, wie, und welche Rohdaten zeigen sich"},{"field":"entscheidungskontext","type":"string","description":"Welche Entscheidung die LP treffen muss basierend auf diesen Daten — was die LP herausfinden möchte oder welche Massnahme sie erwägt"}],"optional":[{"field":"sus_niveau","type":"string","description":"Alter/Jahrgangsstufe und Leistungsniveau"},{"field":"fachbereich","type":"string","description":"Das Unterrichtsfach"},{"field":"vergleichsdaten","type":"string","description":"Vorhanden Baseline- oder Vergleichsdaten — Ergebnisse aus Vorjahr, Schweizer Durchschnitte, oder frühere Assessments bei gleichen SuS"},{"field":"zeitliche_eingrenzung","type":"string","description":"Wie schnell die LP auf die Daten reagieren muss — sofort, diese Woche, dieses Trimester"}]} |
| output_schema | {"type":"object","fields":[{"field":"dateninterpretation","type":"object","description":"Was die Daten tatsächlich zeigen — Muster, Ausreisser, Trends in LP-freundlicher Sprache"},{"field":"handlungsfaehige_muster","type":"array","description":"Die spezifischen Daten-Muster die eine Unterrichtsmassnahme nahelegen — geordnet nach Dringlichkeit und Sicherheit"},{"field":"empfohlene_massnahmen","type":"array","description":"Konkrete Unterrichtsmassnahmen verknüpft mit spezifischen Daten-Mustern — was zu tun ist und warum"},{"field":"vorsichtsmassnahmen","type":"array","description":"Was die Daten NICHT zeigen — interpretive Fallstricke und alternative Erklärungen"}]} |
| chains_well_with | ["formatives-assessment-designen","ki-feedback-design-prinzipien","retrieval-practice-designer","diagnostische-fragen-designer"] |
| teacher_time | 5 Minuten |
| tags | ["analytik","daten","formativ","Siemens","Wiliam","datenkompetenz","assessment","interpretation","Lehrplan21-NT.1","Lehrplan21-MA.1"] |
Lernanalysen-Interpretationsleitfaden
Was dieser Skill leistet
Führt LP durch die Interpretation eines spezifischen Lernanalyse-Datensatzes — Prüfungsergebnisse, Engagement-Metriken, Lernmuster oder andere quantitative/qualitative Daten über SuS-Lernprozesse — um handlungsfähige Muster zu erkennen und konkrete Unterrichtsentscheidungen zu treffen. Die kritische Erkenntnis von Wiliam (2011) und Mandinach & Gummer (2016): Lernanalysen sind NUR nützlich, wenn sie Unterrichtsentscheidungen verändern. Ein Dashboard voller bunter Graphen ist wertlos, wenn die LP nicht weiss, was SIE anders machen soll. Dieser Skill überbrückt die Lücke zwischen Daten und Aktion: Er nimmt Rohdaten, identifiziert die bedeutsamen Muster, erklärt sie in verständlicher Sprache, empfiehlt konkrete Unterrichtsmassnahmen und — entscheidend — kennzeichnet, was die Daten NICHT zeigen und welche Interpretationsfallen die LP vermeiden sollte. KI ist hier spezifisch wertvoll, weil die Interpretation von Lernanalysen mehrere Variablen gleichzeitig berücksichtigen erfordert (Einzelne vs. Gruppenmuster, frühere Leistung, Assessmentvalidität, mögliche Störfaktoren) — eine kognitive Aufgabe, die für eine LP am Abend schwierig ist, aber für ein gut ausgestaltetes KI-System einfach.
Evidenzbasis
Siemens & Long (2011) formulierten die Grundvision für Lernanalysen: Nutzung von SuS-generierten Daten zur Analyse und Optimierung von Lernprozessen. Sie unterschieden zwischen Academic Analytics (Daten auf Institutions-Ebene) und Learning Analytics (Daten auf Kurs-/SuS-Ebene für Unterrichtsentscheidungen). Die Kernaussage: Der Wert liegt nicht in den Daten selbst, sondern in den Entscheidungen, die sie ermöglichen. Bienkowski et al. (2012) produzierten einen umfassenden US-DoE-Bericht über Educational Data Mining und Learning Analytics und identifizierten zentrale Anwendungen: Frühwarnsysteme (identifizieren gefährdete SuS), Adaptive Learning (Inhalte an Leistung anpassen), und Formatives Feedback (tägliche Unterrichtsentscheidungen informieren). Sie fanden: Die effektivsten Anwendungen lieferten LPs handlungsfähige Informationen, nicht Rohdaten-Dumps. Wiliam (2011) argumentierte, dass Datennutzung in der Schulbildung fundamental FORMATIV sein sollte — der Zweck ist Unterrichtsanpassung, nicht SuS-Etikettierung. Mandinach & Gummer (2016) untersuchten die Datenkompetenz von LPs und fanden, dass den meisten LPs die Schulung in Dateninterpretation fehlt. Häufigste Fehler: Korrelation mit Kausalität verwechseln, kleine Stichproben überinterpretieren, Messfehler ignorieren, und Durchschnitte fokussieren statt Subgruppen-Muster. Wise (2014) fand, dass SuS mit Zugang zu ihren eigenen Learning Analytics ohne strukturierte Anleitung nicht besser lernten.
Input-Schema
Die LP muss bereitstellen:
- Datensatz-Beschreibung: Welche Daten verfügbar sind. z.B. „8. Klasse Mathe-Test: 24 SuS, Spannbreite 23%-91%, Mittelwert 58%, Median 54%. Frage-Ebene: F1 (Abruf) 78% korrekt, F2 (Anwendung) 45% korrekt, F3 (Analyse) 31% korrekt"
