Λεπτομέρειες βιβλιογραφικής εγγραφής
| Τίτλος: |
Learning analytics: Artificial intelligence and learning in classroom instruction. |
| Alternate Title: |
Learning Analytics: Künstliche Intelligenz und Lernen im Schulunterricht. (German) |
| Συγγραφείς: |
Neumann, Knut |
| Πηγή: |
Unterrichtswissenschaft (Springer Science & Business Media B.V.); Sep2026, Vol. 54 Issue 3, p247-259, 13p |
| Θεματικοί όροι: |
Learning analytics, Artificial intelligence, Cognitive development, Individualized instruction, Instructional innovations, Expertise, Digital technology, Education research |
| Abstract (English): |
Learning analytics has considerable potential to support individualized classroom instruction by using artificial intelligence (AI) to analyze data generated through students' interactions with digital technologies. While learning analytics has traditionally focused on specific digital technologies such as intelligent tutoring systems or MOOCs, its application to regular classroom instruction remains limited. However, effective classroom learning analytics requires integrating data from multiple digital technologies and interpreting them through domain-specific models of competence development (learning progressions). Such models connect learning processes to long-term competence development, enabling teachers to monitor students' trajectories and adapt instruction to individual needs. The present focused collection of articles introduces a series of studies demonstrating how AI-driven learning analytics can be implemented in authentic classroom settings across mathematics, chemistry, and higher education. These studies show that AI can help reconstruct students' learning trajectories, identify learners at risk, and provide timely evidence for instructional decision-making. Taken together the articles demonstrate that combining AI, digital technologies, and theory-based competence models can transform learning analytics from technology-specific applications into a powerful tool for individualized teaching and educational research. [ABSTRACT FROM AUTHOR] |
| Abstract (German): |
Zusammenfassung: Learning Analytics bietet ein erhebliches Potenzial für eine stärkere Individualisierung des Lehren und Lernens im Unterricht, indem mithilfe künstlicher Intelligenz (KI) Daten analysiert werden, die durch die Interaktion von Lernenden mit digitalen Technologien entstehen. Während sich Learning Analytics bislang vor allem auf spezifische digitale Technologien wie intelligente tutorielle Systeme oder MOOCs konzentrierte, ist der Einsatz im regulären Unterricht bisher noch begrenzt. Eine wirksame Nutzung von Learning Analytics im Unterricht erfordert jedoch die Integration von Daten aus unterschiedlichen digitalen Technologien sowie deren Interpretation anhand fachspezifischer Modelle der Kompetenzentwicklung. Solche Modelle verknüpfen Lernprozesse mit langfristiger Kompetenzentwicklung und ermöglichen es Lehrkräften, Lernverläufe nachzuvollziehen und den Unterricht an die individuellen Bedürfnisse der Schülerinnen und Schüler anzupassen. Der vorliegende Thementeil stellt eine Reihe von Studien vor, die zeigen, wie Learning Analytics in authentischen Unterrichtssituationen in den Fächern Mathematik, Chemie sowie in der Hochschulbildung umgesetzt werden kann. Die Studien verdeutlichen, dass KI dazu beitragen kann, Lernverläufe zu rekonstruieren, gefährdete Lernende frühzeitig zu identifizieren und zeitnah evidenzbasierte Informationen für unterrichtsbezogene Entscheidungen bereitzustellen. Insgesamt zeigen die Beiträge, dass die Verbindung von KI, digitalen Technologien und theoriegeleiteten Kompetenzmodellen das Potenzial besitzt, Learning Analytics von technologiespezifischen Anwendungen zu einem leistungsfähigen Instrument für individualisierten Unterricht und auch die Unterrichtsforschung selber weiterzuentwickeln. [ABSTRACT FROM AUTHOR] |
|
Copyright of Unterrichtswissenschaft (Springer Science & Business Media B.V.) is the property of Springer Nature and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) |
| Βάση Δεδομένων: |
Complementary Index |