KI-gestützte Analyse im Unterricht: Wie Daten den Lernerfolg fördern und schützen

Drei Systemtypen stehen zur Diskussion: Learning Analytics, Computer Vision und Network Analytics. Für IT-Verantwortliche an Schulen ist entscheidend, welche Daten tatsächlich erfasst werden, wer sie einsehen kann und welche Schutzmaßnahmen die Anbieter architektonisch verankern.

Drei Beobachtungsebenen im Schul-IT-Stack

Die KI-gestützte Überwachung teilt sich laut dem Bericht in drei Kategorien auf. Learning Analytics wertet Anwesenheit, Aufgabenerledigung und Bewertungsleistung aus und sucht nach Mustern im Lernfortschritt. Computer Vision analysiert Gesichtsausdrücke und Bewegungen, um Engagement in digitalen Lernumgebungen abzuschätzen. Network Analytics liefert Daten zu Konnektivität, Gerätezugang, Plattformnutzung und möglichen Sicherheitsvorfällen.

Alle drei Ebenen produzieren personenbezogene oder verhaltensbezogene Daten. Der Mehrwert — frühzeitige Intervention — steht im direkten Konflikt mit Datenschutz und pädagogischer Eigenständigkeit. Der Beitrag stellt klar: Diese Systeme ersetzen die professionelle Beurteilung durch Lehrkräfte nicht, sie ergänzen sie.

Architekturprinzipien am Beispiel Microsoft

Matt Jubelirer, General Manager Education Marketing bei Microsoft, benennt im Beitrag drei Architekturprinzipien für den KI-Einsatz: human-centered design, transparency and educator control sowie privacy and security by default. Implementierte Schutzmaßnahmen sind Content-Filterung, dynamische Blocklists für unangemessene Prompts und zusätzliche altersgerechte Schutzmechanismen. In Teams for Education regulieren die Funktionen „Expected AI Use" und „Restricted Mode" den Zugriff auf KI-Funktionen auf Aufgabenebene.

Technische Safeguards allein decken die Architektur nicht ab. Sarah Thomas, Gründerin von EduMatch, formuliert die Grundvoraussetzung: „Before adopting any AI-driven monitoring or analytics tool, schools should know what data they collect and who will be able to see it." Ohne Data Privacy Agreement zwischen Distrikt und Anbieter ist der Rollout nicht freigabefähig.

Machbarkeitsbewertung für den Betrieb

Prüfpunkte vor Implementierung:

• Dateninventar: Welche Metriken werden erhoben? Sind biometrische Daten (Gesicht, Bewegung) betroffen?
• Zugriffsmodell: Wer sieht Rohdaten, wer nur Aggregate? Sind Audit-Logs revisionssicher?
• Provider-Vertrag: Data Privacy Agreement, DSGVO-Konformität, Auftragsverarbeitung nach Art. 28 DSGVO.
• Human-in-the-Loop: Definierte Eskalationspfade, bei denen Lehrkräfte vor automatischen Flags entscheiden.

Go/No-Go: Die Systeme sind technisch evaluierbar und in bestehende M365-Umgebungen integrierbar. Ohne Datenschutz-Folgenabschätzung, dokumentierte Rollenverteilung und regelmäßige Bias-Audits ist die Freigabe nicht empfehlenswert. Empfehlung: Pilotbetrieb auf einen Kursraum beschränken, Learning Analytics zuerst produktiv, Computer Vision zuletzt und nur mit Opt-in.