Synthetische Lerndaten: Lösung für den Datenschutz?

Dieser Satz zerstört die bequemste Erzählung rund um Bildungs-KI: Reale Schülerdaten hinein, künstliche Daten heraus, Datenschutzproblem erledigt. So verhält es sich gerade nicht.

Für synthetische Lerndaten für KI-Training in Schulen liegt der Reiz auf der Hand. Schulen und Bildungsverwaltungen verfügen über Daten, an denen Forschung und Entwicklung tatsächlich lernen könnten: Leistungsstände, Bearbeitungszeiten, Förderverläufe, Fehlzeiten, Interaktionen auf Lernplattformen. Zugleich sind diese Daten wegen der informationellen Selbstbestimmung Minderjähriger besonders schutzbedürftig. Synthetische Datensätze versprechen, diesen Konflikt technisch zu entschärfen. Sie können ihn aber ebenso präzise verschieben, verdecken oder sogar vervielfachen.

Die richtige Frage lautet deshalb nicht, ob künstliche Schülerdaten „datenschutzfreundlich“ seien. Sie lautet: Welches Risiko wird an welcher Stelle der Datenkette reduziert – und welches Risiko bleibt bestehen? Erst dann lässt sich entscheiden, ob ein Projekt zur datenschutzkonformen KI-Forschung tragfähig ist oder bloß eine sprachlich modernisierte Form der Verantwortungsauslagerung.

Wie synthetische Bildungsdaten tatsächlich entstehen

Synthetische Daten sind künstlich erzeugte Datensätze, die Muster, Verteilungen und Zusammenhänge realer Daten nachbilden sollen. Ein Datensatz könnte beispielsweise nicht die tatsächlichen Einträge einer achten Klasse enthalten, sondern rechnerisch erzeugte Profile: Bearbeitungsdauer in Mathematik, Anzahl der Wiederholungsversuche, Rückmeldungen aus einem Lernsystem, Fehlzeiten, Sprachförderbedarf oder Entwicklung über ein Halbjahr.

Entscheidend ist: Diese Profile werden gewöhnlich nicht aus dem Nichts generiert. Bei der Generierung synthetischer Bildungsdaten werden reale Ausgangsdaten analysiert, um statistische Regelmäßigkeiten abzuleiten. Genau dort beginnt die datenschutzrechtliche Verarbeitung. Wer den Prozess nur am Endprodukt misst, übersieht die relevante Vorstufe – und damit die Rechtsgrundlage, die Zweckbindung, die Zugriffskontrolle sowie die Haftungsfrage.

In der Praxis lassen sich drei Grundformen unterscheiden:

Für Bildungsinstitutionen liegt die Versuchung vor allem in hybriden Datensätzen. Sie versprechen hohe analytische Nutzbarkeit, weil Leistungsprofile, Fachkombinationen oder Lernverläufe nicht vollständig geglättet werden. Indessen ist genau diese Nähe zur Wirklichkeit die normativ problematische Stelle. Je präziser ein Generator die Realität nachzeichnet, desto ernster muss geprüft werden, ob besondere oder seltene Kombinationen rückführbar bleiben.

Ein Beispiel: An einer kleinen Schule kann die Kombination aus Jahrgang, seltenem Förderbedarf, Fachwahl, ungewöhnlicher Fehlzeitenstruktur und Leistungsentwicklung bereits hochgradig unterscheidbar sein. Das Entfernen des Namens ändert daran nichts Grundsätzliches. Es ist Pseudonymisierung, nicht Anonymisierung. Pseudonymisierte Daten bleiben personenbezogene Daten und unterliegen weiterhin der DSGVO.

Synthetisch ist keine Rechtskategorie. Entscheidend ist nicht das Etikett des Datensatzes, sondern das verbleibende Risiko, eine Person mit vernünftigerweise verfügbaren Mitteln wieder erkennbar zu machen.

Diese Unterscheidung ist unbequem, aber notwendig. Korrekt anonymisierte Daten fallen nicht mehr unter die DSGVO, weil eine Identifizierung nicht mehr realistisch möglich ist. Das ist eine hohe Schwelle. Sie wird nicht dadurch erreicht, dass Namen, Kennnummern oder einzelne sensible Spalten ersetzt werden. Wer dies behauptet, verwechselt Datenkosmetik mit Anonymisierung.

Warum der Datenschutz nicht am Datenausgang endet

Die Datenschutz-Illusion synthetischer Lerndaten hat zwei Quellen. Erstens wird die Verarbeitung der Ausgangsdaten unterschlagen. Zweitens wird so getan, als könne ein künstlich erzeugter Datensatz keine Informationen über reale Menschen mehr transportieren. Beides ist fachlich unhaltbar.

Bereits das Training eines Generierungsmodells auf Schüler- oder Studierendendaten verlangt eine saubere Rechtsgrundlage. Bei Schulen kommen dabei nicht nur die DSGVO, sondern regelmäßig landesrechtliche Schuldatenschutzregelungen, institutionelle Zuständigkeiten und gegebenenfalls Auftragsverarbeitungsverhältnisse hinzu. Die Formel „Wir geben nur synthetische Daten weiter“ beantwortet keine dieser Fragen. Sie beantwortet nicht einmal, wer das Originalmaterial in welcher Infrastruktur verarbeitet hat.

Hinzu kommt das Risiko sogenannter Privatsphäre-Angriffe. Ein Angreifer könnte etwa versuchen, aus einem synthetischen Datensatz oder aus einem darauf trainierten Modell abzuleiten, ob eine bestimmte Person in den Ausgangsdaten enthalten war. Das wird als Mitgliedschaftsinferenz bezeichnet. Andere Angriffe zielen darauf, seltene Attributkombinationen zu rekonstruieren oder sensible Eigenschaften wahrscheinlich zu machen.

Die technische Antwort darauf lautet häufig differentielle Privatsphäre. Das Verfahren fügt dem Lernprozess kontrolliertes statistisches Rauschen hinzu, damit einzelne Datensätze die Ausgabe weniger stark beeinflussen. Das kann ein sehr wirksames Instrument sein. Es ist jedoch keine datenschutzrechtliche Generalabsolution.

Die einschlägige Forschung zeigt gerade, dass synthetische Daten ohne formale Privatsphäre-Garantien äußerst unterschiedliche Schutzwirkungen entfalten können. Ein Generator kann überzeugend aussehende künstliche Profile produzieren und dennoch zu nah an den Ausgangsdaten liegen. Umgekehrt kann ein strenges Schutzverfahren die Nutzbarkeit für bestimmte Analyseaufgaben so stark reduzieren, dass das Modell zwar weniger verrät, aber pädagogisch kaum noch etwas leistet.

Für ein belastbares Projekt müssen daher mindestens drei Fragen getrennt beantwortet werden:

1. Wie hoch ist das Re-Identifizierungs- und Inferenzrisiko?

Es genügt nicht, den Generator als „privacy-preserving“ zu bezeichnen. Es braucht dokumentierte Angriffstests, die zum konkreten Datenbestand passen. Kleine Klassen, seltene Förderkonstellationen und detaillierte Zeitreihen verdienen eine schärfere Prüfung als breit aggregierte Daten.

2. Wie ähnlich sind die synthetischen Daten dem Original – auch jenseits einzelner Spalten?

Mittelwerte und Häufigkeiten können ähnlich aussehen, während relevante Beziehungen zwischen Merkmalen zerfallen. Ein Modell für Lernstandsprognosen lebt nicht von einer schönen Verteilung der Mathematiknoten, sondern von den Zusammenhängen zwischen Vorwissen, Bearbeitungsdynamik, Aufgabenformat, Unterstützungsbedarf und Zeit.

3. Bleiben die Daten für die konkrete Aufgabe brauchbar?

Ein Datensatz kann statistisch ordentlich aussehen und datenschutztechnisch zurückhaltend sein, aber bei der späteren Klassifikation, Prognose oder Fehlermustererkennung versagen. Datenqualität ist kein dekorativer Anhang; sie ist Teil der Legitimation des gesamten Systems.

Eine Fallstudie mit 20.000 synthetischen Studierendenakten und 85 Merkmalen illustriert diesen Zielkonflikt. Dort lagen auf synthetischen Daten trainierte Modelle – je nach Learning-Analytics-Aufgabe – um ein bis fünf Prozentpunkte hinter Modellen auf Originaldaten. Die Untersuchung berichtet zugleich eine Mitgliedschaftsinferenz nahe am Zufallsniveau und prüfte statistische Ähnlichkeit über mehrere Kennzahlen hinweg. Das ist methodisch wesentlich sauberer als die verbreitete Behauptung, eine hohe Ähnlichkeit der Datenverteilungen belege bereits Schutz und Verwertbarkeit.

Aber: Es handelt sich um Hochschuldaten. Daraus lässt sich keine Freigabe für Schulsysteme ableiten. Kinder und Jugendliche sind keine verkleinerten Studierenden, und schulische Datensätze besitzen andere Machtasymmetrien, andere Pflichtkontexte und häufig eine deutlich geringere Fallzahl.

Was die Hochschulforschung zeigt – und was sie nicht zeigen kann

Die bislang greifbarsten Befunde stammen aus dem Bereich Learning Analytics an Hochschulen. Dort wurden Verfahren wie Gaussian Copula, CopulaGAN, CTGAN und TVAE mit Daten aus mehreren Hochschulkursen verglichen. In einer Untersuchung erreichten Modelle auf synthetischen Daten zwischen 96 und 98 Prozent der Vorhersageleistung von Modellen auf Realdaten; TVAE erzielte dabei die höchste multivariate Datenähnlichkeit.

Das ist ein ernst zu nehmender Befund. Er zeigt, dass KI-Modelle ohne unmittelbaren Zugriff auf Originaldaten trainiert oder zumindest vortrainiert werden können, ohne dass ihre Leistung zwangsläufig kollabiert. Für Forschung, technische Erprobung und die Entwicklung von Schnittstellen ist das relevant. Niemand muss für jeden Prototyp den gesamten produktiven Datenbestand einer Hochschule oder Schule öffnen.

Gleichwohl folgen daraus keine drei Aussagen, die gegenwärtig allzu gern in Projektanträgen mitschwingen:

• Es folgt nicht, dass 96 bis 98 Prozent eine allgemeine Leistungskennzahl für Schulen wären. Die Ergebnisse beziehen sich auf konkrete Hochschulkurse, konkrete Datenstrukturen und konkrete Aufgaben.
• Es folgt nicht, dass ein Modell mit hoher Vorhersagegüte pädagogisch gerecht urteilt. Ein Modell kann Leistungen treffend schätzen und dennoch bestimmte Gruppen systematisch benachteiligen, weil die Ausgangsdaten soziale Selektionsmechanismen abbilden.
• Es folgt nicht, dass die synthetische Datenbasis rechtlich unbedenklich ist. Nützlichkeit, Ähnlichkeit und Schutz gegen Angriffe sind getrennte Prüfdimensionen.

Gerade der dritte Punkt wird unterschätzt. Bildungsdaten enthalten keine neutralen Messwerte. Noten, Fehlzeiten, Förderdiagnosen oder Plattforminteraktionen sind institutionell erzeugte Spuren. Sie spiegeln Unterrichtsqualität, Bewertungspraxis, Ressourcenzugang, Sprache, familiäre Belastungen und administrative Routinen. Ein Generator lernt nicht nur Lernmuster. Er kann auch die Verzerrungen des Systems Schule konservieren und vervielfältigen.

Wenn etwa ein historischer Datensatz bestimmte Schülergruppen seltener für anspruchsvolle Kurse empfiehlt, kann ein synthetischer Datensatz diese Beziehung stabil nachbilden. Das Resultat wirkt dann statistisch plausibel, ist aber normativ hochproblematisch. Der Bias wurde nicht entfernt; er erhielt lediglich ein neues Datenformat.

Ein künstlicher Datensatz kann reale Diskriminierung perfekt imitieren. Seine Distanz zur Person ist kein Beweis seiner Distanz zur Ungerechtigkeit.

Deshalb genügt es nicht, die Validität künstlicher Schülerdaten über technische Kennzahlen zu bestimmen. Erforderlich ist eine fachliche Prüfung: Welche Merkmale stehen für pädagogisch begründete Unterschiede, welche sind bloße Stellvertreter für soziale Lage, Herkunft, Behinderung oder institutionelle Zuschreibung? Diese Frage kann kein Datenmodell allein beantworten. Sie verlangt interdisziplinäre Verantwortung – und zwar vor dem Einsatz, nicht erst nach einem Konflikt.

Die KI-Verordnung verlangt Daten-Governance, keine Datensatz-Rhetorik

Für Hochrisiko-KI-Systeme formuliert Artikel 10 der europäischen KI-Verordnung eine klare Erwartung: Trainings-, Validierungs- und Testdaten müssen für den vorgesehenen Zweck relevant, ausreichend repräsentativ, möglichst fehlerfrei und vollständig sein. Mögliche Verzerrungen sind zu untersuchen und, soweit möglich, zu mindern. Hinzu treten geeignete Praktiken der Daten-Governance und des Datenmanagements.

Im Bildungsbereich ist diese Anforderung besonders scharf zu lesen. KI-Systeme, die über Zugang, Bewertung, Zuweisung oder wesentliche Bildungswege mitentscheiden, bewegen sich nicht im harmlosen Bereich eines digitalen Übungshefts. Sie berühren Teilhabechancen. Wer dort mit künstlichen Daten arbeitet, muss nicht nur erklären können, wie sie erzeugt wurden, sondern auch, warum sie für genau diese Entscheidungssituation ausreichend repräsentativ sind.

Das führt zu einer unangenehmen, jedoch produktiven Dialektik:

Eine Schule oder ein Anbieter kann sich mithin nicht auf den Satz zurückziehen, das System sei „nur“ mit synthetischen Daten trainiert worden. Diese Aussage beschreibt allenfalls eine technische Eigenschaft des Entwicklungsprozesses. Sie sagt nichts darüber aus, ob die Datenbasis für den Zweck geeignet war, ob die Modelllogik diskriminierende Effekte erzeugt oder ob die Entscheidung im konkreten Einsatz nachvollziehbar bleibt.

Die Blackbox wird durch synthetisches Material nicht automatisch durchsichtig. Bisweilen geschieht das Gegenteil: Der Verweis auf künstliche Daten kann die Herkunft problematischer Korrelationen noch schwerer überprüfbar machen, wenn weder Ausgangsdaten noch Generierungsverfahren dokumentiert sind.

Eine institutionell belastbare Dokumentation muss daher mindestens festhalten:

• den Zweck des KI-Systems und die konkrete Entscheidung, die es vorbereiten oder beeinflussen soll;
• Herkunft, Zeitraum, Umfang und pädagogischen Kontext der Ausgangsdaten;
• die Auswahl der Merkmale einschließlich der bewusst ausgeschlossenen Variablen;
• das verwendete Generierungsverfahren und dessen Parameter;
• Tests auf Re-Identifizierung, Mitgliedschaftsinferenz und gegebenenfalls Attributrekonstruktion;
• Messungen zur Datenähnlichkeit auf univariater und multivariater Ebene;
• aufgabenspezifische Nutzbarkeitstests statt pauschaler Qualitätsbehauptungen;
• eine Bias-Analyse, die nicht bei statistischen Gruppenunterschieden stehen bleibt, sondern die schulische Bedeutung der Merkmale prüft;
• klare Lösch-, Zugriffs- und Verantwortungsregeln für Originaldaten, synthetische Daten und trainierte Modelle.

Das klingt nach Aufwand. Es ist Aufwand. Aber die Alternative ist keine schlanke Innovation, sondern eine unkontrollierte Verlagerung von Risiken auf diejenigen, die im System Schule am wenigsten ausweichen können.

Der Schulalltag ist kein Labor mit 20.000 Fällen

Die Übertragbarkeit von Hochschulforschung auf Schulen hat eine harte Grenze. Viele Schulen verfügen nicht über große, konsistent strukturierte Datensätze. Sie arbeiten mit kleinen Jahrgängen, heterogenen Softwarelandschaften, wechselnden Bewertungskulturen und Daten, die für Verwaltung, nicht für Forschung erhoben wurden. Ein synthetischer Generator kann diese Fragmentierung reproduzieren, aber er löst sie nicht.

Besonders problematisch sind seltene Merkmalskombinationen. In einer großen Hochschule mag ein ungewöhnlicher Studienverlauf in einer Menge statistisch aufgehen. In einer kleinen Schule kann derselbe Verlauf praktisch identifizierend wirken. Der Wunsch, gerade solche Fälle für Fördermodelle sichtbar zu machen, kollidiert dann mit dem Schutzinteresse der betroffenen Kinder. Diese Spannung ist nicht durch einen besseren Prompt und auch nicht durch einen freundlicheren Anbieterhinweis aufzulösen.

Hinzu kommt die pädagogische Frage der Geltung. Ein Modell kann auf synthetischen Daten ein Risiko für Lernrückstände prognostizieren. Aber welche Realität simuliert es? Unterricht mit stabiler Lehrkraft? Unterrichtsausfall? Wechselnde Endgeräte? Unterstützende Elternhäuser? Sprachsensible Aufgaben? Die Validität künstlicher Schülerdaten entscheidet sich nicht allein an der mathematischen Güte des Generators, sondern daran, ob die modellierte Wirklichkeit der späteren Anwendungssituation entspricht.

Für Schulen ergibt sich daraus ein pragmatischer, aber strenger Einsatzpfad:

1. Synthetische Daten zuerst für Entwicklung, nicht für folgenreiche Entscheidungen einsetzen.

Sie eignen sich besonders für Softwaretests, Schnittstellenentwicklung, Fehleranalysen, Schulungen von Forschungsteams und die Erprobung von Datenpipelines. Dort reduziert sich der Druck, reale Personenprofile breit verfügbar zu machen.

2. Den Datensatz am konkreten Zweck validieren.

Ein Datensatz, der für die Vorhersage von Kursabbrüchen an einer Hochschule brauchbar ist, eignet sich nicht automatisch für Förderempfehlungen in einer sechsten Klasse. Jede Aufgabe braucht eigene Qualitäts- und Fairnessprüfungen.

3. Reale Datenzugriffe minimieren, aber nicht gedanklich verleugnen.

Eine kontrollierte, eng begrenzte Validierung an Originaldaten kann erforderlich bleiben. Sie muss dann jedoch rechtlich sauber begründet, organisatorisch abgesichert und auf das notwendige Maß beschränkt werden.

4. Keine automatisierten Bildungsurteile auf eine ungetestete künstliche Wirklichkeit gründen.

Je stärker ein System Bildungswege, Bewertungen oder Förderprioritäten beeinflusst, desto weniger genügt die Behauptung technischer Plausibilität. Menschliche fachliche Verantwortung ist kein Übergangsproblem, sondern eine normative Grenze.

5. Beschaffung und Forschung trennen, wenn Interessenkonflikte drohen.

Anbieter dürfen nicht selbst definieren, welche Ähnlichkeit, welches Privatsphäreniveau und welcher Bias noch akzeptabel seien. Unabhängige Prüfung und transparente Dokumentation gehören in die Vergabe- und Betriebslogik.

Die Schule braucht nicht weniger Datenethik, weil Daten künstlich erzeugt wurden. Sie braucht mehr Präzision, weil der Entstehungsweg komplexer und die Prüfbarkeit schwieriger wird.

Synthetische Daten sind ein Instrument, keine Entlastungserzählung

Synthetische Lerndaten können eine sinnvolle Infrastruktur für Bildungsinnovation sein. Sie können Forschungszugänge öffnen, Entwicklungsrisiken senken und verhindern, dass jede technische Erprobung sofort mit vollständigen Originalbeständen operiert. Das ist ein realer Fortschritt – sofern die Institutionen den Fortschritt nicht mit Freifahrtschein verwechseln.

Die datenschutzrechtliche und ethische Qualität entscheidet sich an der gesamten Kette: Ausgangsdaten, Rechtsgrundlage, Generierungsverfahren, Angriffsresistenz, analytische Nutzbarkeit, Bias-Prüfung, Zweckbindung und menschliche Kontrolle. Wer nur auf das künstliche Endprodukt blickt, blendet genau jene Stellen aus, an denen Macht und Verantwortung liegen.

Für KI-Training in Schulen lautet die belastbare Position daher: Synthetische Daten können reale Lerndaten ergänzen und ihren unnötigen Umlauf begrenzen. Sie können aber weder Anonymisierung behaupten, wo nur Pseudonymisierung vorliegt, noch Repräsentativität erzeugen, wo die schulische Wirklichkeit verzerrt erfasst wurde. Und sie können erst recht keine Haftungsfrage wegsynthetisieren.

Die Zukunft der Bildungs-KI wird nicht daran gemessen werden, wie überzeugend sie Schülerdaten imitiert. Sondern daran, ob sie die Rechte von Schülerinnen und Schülern schützt, ohne ihre Bildungswege einer statistisch eleganten, aber normativ blinden Blackbox zu unterwerfen.