Bevor manche Fachleute schon beim Titel reflexartig zusammenzucken, möchte ich vorausschicken, dass ich mich in der KI recht gut auskenne. Mein Einstieg war vor vielen Jahren Sebastian Thruns großartiger Kurs an der Universität Stanford ‚An Introduction to Artificial Intelligence‘. Ich kann recht gut den Unterschied zwischen Unsupervised, Supervised und Reinforced Machine Learning erklären, ebenso wie die Funktion verschiedenster Algorithmen. Im Gegenzug erwarte ich, dass sich KI Fachleute, insofern sie sich für den Bildungsbereich interessieren, in der Pädagogik auskennen und zumindest den Unterschied zwischen Behaviorismus, Konstruktivismus und Konnektivismus kennen. Da Mustererkennung und eine technologiebasierte Lernumgebungen heutzutage eine große Rolle spielen, würde ich Diana Laurillard’s Conversational Framework dazuzählen.

Nun haben wir eine Diskussionsgrundlage.

Um ehrlich zu sein, als technikbegeisterte Bildungsreformerin hatte ich mir schon lange überlegt, wie KI für Front-End Anwendungen im Bildungsbereich genutzt werden könnte. Im folgenden erkläre ich warum für KI die Bildung der falsche Anwendungsbereich ist und warum aus meiner Sicht Learning Analytics, die ich gewinnbringend im Alltag verwende, die pragmatischere Alternative darstellt.

---

Von Menschen und Maschinen

Das erste Argument, das gegen den Einsatz von KI im Bildungsbereich spricht ist die simple Tatsache, dass menschliche Lernprozesse, abgesehen von anekdotischen Analogien, nichts mit Maschinenlernen gemeinsam haben. Bevor das menschliche Gehirn mit einem Computer verglichen wurde, gab es in der Anfangszeit der industriellen Revolution den Vergleich eines menschlichen Gehirns mit einem Telegrafenzentrum, in dem alle Informationen zusammenkommen. Heute differenzieren wir wissenschaftlich zwischen den funktionalen, motivational-emotionalen, kognitiven, metakognitiven und sozialen Bedingungen menschlichen Lernens.

Menschliches Lernen involviert Grundvoraussetzungen und Qualitäten, bei denen Maschinen außen vor bleiben. Dazu gehören Bewusstsein, Phänomenologie, intentionales Handeln, die Fähigkeit bedeutsame Ziele definieren zu können, Emotionen als Voraussetzung des Denkens (Antonio Damasio hier), Qualitäten wie Liebe, Hingabe, Neugier, Beziehungsfähigkeit oder Verantwortungsbewusstsein – ganz zu schweigen von komplexen ‚Mindsets‘ oder das Verstehen neuer und offener Kontexte. Hinzu kommt, dass Menschen dummerweise nie vollkommen rational handeln. Menschen haben Vorurteile, Ängste, manchmal übertriebene Erwartungen, Wunschvorstellungen oder es verlässt sie der Mut und das Selbstvertrauen. Selbst dann, wenn Menschen ohne externen Druck rational handeln können, agieren sie auf der Basis sogenannter Biases (zu Deutsch: Verzerrungen, systematische Fehler). Für die Untersuchung der Letzteren im wirtschaftlichen Kontext wurde Daniel Kahnemann 2002 mit dem Nobelpreis ausgezeichnet.

Leider, so müssen wir zugeben, hatten wir über Jahrhunderte Menschen wie Maschinen behandelt. Und nun wundern wir uns, dass unsere Kinder keine 21st Century Skills erwerben. Dass generische 21st Century Skills die ‘fake news’ des Bildungsdiskurses darstellen ist ein Kapitel für sich … Generationen bedauernswerter junger Menschen wurden wie Viehherden in standardisierten Tests benotet. Wissen wurde auf reine Wissensaneignung reduziert (Stichwort Bulimielernen). SchülerInnen wurden in Kohorten organisiert, nach Jahrgängen geordnet und wie am Fließband produziert. Selbst die Architektur von Schulen mit ihren Klassenzimmern und Fluren die, seit Einführung der allgemeinen Schulpflicht, preußischen Kasernenhöfen entlehnt wurde, hat bis heute keine fundamentale Weiterentwicklung erfahren. Die Industrialisierung des Bildungswesens wäre nie möglich gewesen ohne eine ideologische Fundierung, die fest daran glaubte, dass Lernen in Schulen im Rahmen einer kontrollierbaren und objektiv-beschreibbaren Realität begriffen werden kann. Die Ideologie lebt weiter im Mäntelchen objektiv-beschreibbarer Lerndaten.

---

Datenformate und die Definition von Akteuren

Man braucht nicht die nächste Brennpunktschule oder Nachhilfeagentur zu besuchen um festzustellen, wie mieserabel das auf dieser Ideologie beruhende System versagt hat. Halten wir die Einsicht fest, dass die essenziellen Qualitäten menschlichen Lernens (wissenschaftlich: qualitative Daten) nur indirekt durch Rückmeldungsschleifen (etwa durch Feedback, wissenschaftliche Umfragen etc.) ermittelt und in Zahlen umgewandelt werden können. Qualitativen Werten können wir uns stets nur annähern. Das Problem, angenommen wir möchten in einem KI-System qualitative und quantitative Daten zusammen verwenden, liegt wie in jedem Mixed Methods Research Design: (a) es ist sehr schwer und erfordert große Expertise die unterschiedlichen Datentypen bedeutsam aufeinander zu beziehen, (b) die Datenerhebung für qualitative Daten ist zeitaufwendig und kontextabhängig und (c) im Vergleich von qualitativen mit quantitativen Daten ist unklar wie Diskrepanzen aufgelöst werden sollen.

Ein weiteres Problem für Ideologen objektivierbarer Realität ist die Tatsache, dass keine Schule jemals gleich ist, dass Schulformen nicht gleich sind, dass Populationen von Lernenden nie gleich sind, dass die Ausbildung von LehrerInnen nie gleich ist, dass Kulturen nicht gleich sind, dass soziale Milieus nicht gleich sind und all diese ungleichen Bedingungen nur dadurch vermittelt werden können, dass wir Ungleichheit verstehen und durch rationales Handeln mitigieren oder beseitigen können. Am Ende eines Lernprozesses steht in der Lebensrealität zudem nicht immer eine richtige oder falsche Antwort, sondern ein Kompromiss, ein Konsens, ein gutes kooperatives Verhältnis, ein erfolgreich beendetes Projekt, ein Produkt, eine Einsicht, ein gut eingespieltes Team und manchmal, hochinteressant, weitere Fragen.

Im Unsupervised Machine Learning gehen wir von Akteuren aus, die ihren eigenen Nutzen auf der Basis von Belohnungen in einem policy network maximieren, Spiegelbilder des homo economicus. Verstehen Sie mich bitte nicht falsch. Es ist großartig, dass Programme selbstständig aus Datensätzen lernen können. Der große Unterschied zur bildenden Lebenswelt ist nur, dass Menschen gemeinsam lernen. An dieser Stelle seien Lev Vygotsky und Albert Bandura erwähnt. Ob im forschenden Lernen, in einer Diskussion, in einer Projektarbeit, der Evaluierung möglicher Problemlösungen, der Formulierung von Zukunftsszenarien oder in der kreativen Gestaltung – KI kann natürliches Lernen weder abbilden noch simulieren. Laden Sie zur ultimativen Turing Challenge zwei Chatbots zum wechselseitigen Gespräch ein.

Der größte Fortschritt der letzten Jahre bestand darin, dass im digitalen Lernen personalisiertes ebenso wie kooperatives Lernen als notwendige Bedingungen eines zukunftsgerichteten Bildungswesens erkannt wurden. Dies bedeutet im Umkehrschluss die (hoffentlich endgültige) Emanzipation von behavioristischer Ideologie, die einer Selbstbestimmung des Menschen bzw. der Autonomie von Lernenden entgegensteht.

Angelehnt an Amazon.com träumen derzeit viel KI-Experten von ‚Recommendation Systems‘, also KI-gesteuerte Systemen, die Lernenden Vorschläge zur Lerneinheiten innerhalb ihrer Filterblase unterbreiten sollen. Solche Vorschläge könnten durchaus hilfreich sein. Problematisch wird die Technologie jedoch dann, sobald eine suggerierte compliance eine Verwendung zur sozialen Norm erhebt. Man stelle sich vor, dass Lernende es wagen sich autonom in neue Wissensgebiete multidisziplinär einzuarbeiten, oder, noch schlimmer, KI-Systeme links liegen lassen. Ich möchte nicht alles schlecht reden. Es stellt sich jedoch die Frage, ob eine aktive Lerngemeinschaft, eine ‚community of practice‘ wesentlich relevantere Ressourcen ermitteln kann als eine KI, die weder den weiteren gesellschaftlichen noch sozialen Kontext in situ verstehen kann. KI Systeme könnten durchaus für sozial-isolierte Studierende interessant sein, aber hier stellen sich ernsthafte ethische Fragen.

---

Die Vorteile von Data Analytics bzw. Learning Analytics

Kommen wir nun zu dem Teil, in dem ich Technologie als sehr hilfreich erfahre. Learning Analytics konnten mir stets hilfreiche Daten bereitstellen, die mir bei der Qualitätsentwicklung sowie Best Practice sehr geholfen hatten. Hier seien drei Beispiele erwähnt: (1) Die anonymisierte Analyse der tatsächlichen Verwendung online gestellter Lehr- und Lernmaterialien ermöglicht eine Übersicht darüber, welche Materialien bei den Studierenden angekommen sind und welche nicht bzw. weniger. Dies informiert die zukünftige Gestaltung und kontextuelle Einbindung von Lernmaterialien. Selbstverständlich muss man Feedback von Studierenden einholen warum dies oder jenes Material weniger ansprechend war – sonst basieren korrigierende Handlungen auf Vermutungen.

(2) Die Analyse kommunikativer Interaktionsprozesse hilft mir die Gesprächszeit mit Studierenden fairer einzuteilen. Die quantitative Auswertung meiner Betreuungszeit in Chaträumen oder E-Mails bewahrt mich davor einzelne Studierende oder Gruppen zu bevorzugen oder zu benachteiligen.

(3) Die Analyse von Interaktionsprozessen in Bezug auf aktive Teilnahme und online-Präsenz erlaubt mir eine gute Vorstellung über die motivationale Situation meiner Seminargruppen. Eine Analyse hilft ebenfalls bei der Identifizierung von Studierenden, die eventuell aus dem Lernprozess herausfallen. Besonders für rein onlinegestützte Lernumgebungen, die nicht den Luxus lebendiger analoger Präsenz erlauben, ist dies sehr hilfreich. Bessere Betreuung und besseres Coaching werden in dieser Weise unterstützt.

---

Give me a reason!

Warum funktioniert eine hilfreiche Unterstützung bei Learning Analytics, während KI im Bildungsbereich in die Glaskugel schaut?

Die Antwort ist schon fast trivial. Bei Learning Analytics schauen wir auf unsere eigenen Daten im aktuellen Kontext, 1:1, die tatsächliche Lernprozesse abbilden. Es muss nichts vermutet oder von Algorithmen neu zusammengebacken werden. Es gibt kein Bias durch veraltete Datensätze oder unlogische Korrelationen neuronaler Netzwerke.

KI Systeme werden traurigerweise dann interessant, wenn es um die standardisierte Erfassung größerer Gruppen geht. Pädagogisch ist dies jedoch ein großer Rückschritt, es sei denn man favorisiert den chinesischen Ansatz eines hochmodern-diktatorischen Social Engineering.

Wenn überhaupt, so würde ich argumentieren, hätte Supervised Machine Learning dann eine Chance, wenn es von Best Practice lernen könnte. Die Hindernisse sind nicht von der Hand zu weisen: wir bräuchten große Datenmengen zum Training (mit dem Preisschild des Verlustes ökologischer Validität) sowie eine standardisierte und unabhängige Erfassung von Kompetenzerwerb, d.h. der speziellen Outcomes (theoretisch möglich, nur dürfte niemand seine Daten aufpolieren und alle müssten vergleichbare Outcomes anstreben). Im Back-End, vor allem für cloudbasierte LMS, gibt es hingegen für KI tolle Herausforderungen.

Die gute Nachricht ist: es ist stets möglich eine Peer Review mit einer robusten 5-Star Evaluation zu verwenden, aber die liegt vermutlich weit entfernt von den high-end Visionen, die vielen KI-ExpertInnen vorschweben. Douglas Adams hätte seine Freude gehabt. Es gibt faszinierende Anwendungen für KI, nur scheint Bildung der falsche Ort zu sein. Können Sie sich relevante Anwendungen vorstellen? In die KI-Glaskugel schauend möchte ich mit einem treffenden Zitat von David Price schließen, das er auf der Canvas-Con 2019 verwendete:

‚Ensure students have skills that can’t be easily automated.‘

---

Postskriptum – KI als Teil der Bildung

Einer der Haupteinsatzgebiete sehe ich für KI im Bildungsbereich für das Unterrichtsfach ‘Data Science‘, das es leider noch nicht gibt. Ob Klimawandel, Medizin, Stadtplanung, die Entwicklung innovativer Dienstleistungen, interaktive Datenvisualisierung, die Entwicklung von Dienstleistungen oder produzierendes Gewerbe – KI ist für diese und andere Anwendungsbereiche unerlässlich. SchülerInnen sollten Zusammenhänge, beispielsweise von Datensätzen, Instanzen, Algorithmen und deren Zielsetzung, Merkmale von KI-Systemen, Unterschiede zwischen ante-hoc und post-hoc (Whitebox und Blackbox) Erklärungsansätzen, modellagnostischen und modellspezifischen xAI-Verfahren etc. verstehen und anwendungsbezogen denken können.

Der allergrößte Teil traditioneller Schulmathematik gehört dagegen in die Tonne – das wäre ein dankbares Thema für eine separate Abhandlung.

Data Science und Statistik gehören zum Grundwerkzeug um die Gesellschaft und Wirtschaft 4.0 zu begreifen und weiterzuentwickeln. Wir müssen unterscheiden, und darum ging es in diesem Aufschlag, zwischen der pragmatisch-datenbezogenen Anwendung von KI und der Entwicklung menschlicher Kompetenzen. Letztere können von KI assistiert werden, können aber nur in einer menschlichen Lerngemeinschaft wachsen.

Wird diese Unterscheidung nicht getroffen, kommt es zu irrealen und unrealistisch-ideologischen Erwartungen an die KI-Entwicklung, wie sie etwa Richard David Precht in seinem Book-Essay ‘Künstliche Intelligenz und der Sinn des Lebens‘ sehr detailliert erörtert hatte. Ich hatte vor Jahren auf philosophischer Ebene für die Möglichkeit einer schwachen, aber keiner starken KI argumentiert. Es gibt, das müssen wir kritischeweise festhalten, nicht wenige Experten, die von vollautomatisierten KI-Lernumgebungen träumen. Das Thema ‘menschliche Autonomie versus Heteronomie‘ wird uns insoweit noch lange beschäftigen.

Der Diskurs darf auf der anderen Seite nicht zu der in Deutschland weitverbreiteten Technologiefeindlichkeit bzw. Technologiephobie führen. Ich selbst plane KI im Backend für die Verwaltung pädagogischer Pattern (als Recommendation System) zur Hilfestellung für BildungsdesignerInnen einzusetzen (Liest diesen Satz jemand aus der Up/ Re-Skilling Startup Szene? Dann mich gern kontaktieren!). Dort, wo viele Daten anfallen und wir hilfreiche Informationen herausfiltern möchten, macht KI durchaus Sinn.

In meiner früheren Heimat Singapur gehört KI-Ausbildung mittlerweile zur Selbstverständlichkeit, etwa in der ‘Future Skills Academy‘ der Temasek Polytechnik, für die ich gearbeitet hatte (Bild unten). Wir können hoffen, dass solche Weiterbildungsangebote schultypübergreifend auch in Deutschland bald zum Grundrepertoire gehören.

Picture credit/ Titel: Franki Chamaki, Unsplash 2021