Entdecken:
Bei der Lernanalyse geht es nicht nur darum, Daten von Lernenden zu sammeln, sondern auch darum, einen Sinn in diesen Daten zu finden, um das zukünftige Lernen zu verbessern.
Zu diesem Zweck stützt sich die Lernanalyse auf eine Reihe von Analysemethoden: Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics.
Für die Lernanalyse kann dies von einfachen automatisierten Empfehlungen an Mitarbeiter, die an Online-Trainings teilnehmen, bis hin zu Empfehlungen reichen, wie Instruktoren oder Kursdesigner das Design eines Kurses oder Programms verbessern können.
Derzeit ist Prescriptive Analytics im Bereich Learning & Development aufgrund der komplexen Anforderungen im Bereich Machine Learning nicht weit verbreitet. Sie findet sich im adaptiven Lernen und auch in einigen Learning Experience Plattformen (LXP).
Prescriptive Analytics gilt als Erweiterung der Predictive Analytics.
Eine aussagekräftige Prognose aus Predictive Analytics kann mit Hilfe spezifischer Modelle für Prescriptive Analytics analysiert werden, um automatisierte Empfehlungen oder Lösungen zu erstellen. Prescriptive Analytics erfordert komplexe Algorithmen, um eine solche maschinenbasierte Entscheidungsfindung durchzuführen.
Bei Predictive Analytics wird davon ausgegangen, dass Vorhersagen möglich sind oder nicht. Für Prescriptive Analytics gibt es jedoch ein gewisses Risiko bei der Verwendung automatisierter Empfehlungen: Das menschliche Verhalten kann unvorhersehbar sein. Statistische Modelle, die auf einem Ergebnis der Analyse des menschlichen Verhaltens basieren, erfordern eine gewisse Vorsicht.
Die Generierung automatisierter Entscheidungen oder Empfehlungen erfordert spezifische und einzigartige algorithmische Modelle und eine klare Richtung von denen, die die Analysetechnik verwenden. Eine Empfehlung kann nicht generiert werden, ohne zu wissen, wonach man suchen soll oder welches Problem gelöst werden soll. Auf diese Weise beginnt Prescriptive Analytics mit einem Problem.
Hier ein Beispiel:
Ein Trainingsmanager verwendet Predictive Analytics, um festzustellen, dass die meisten Lernenden ohne eine bestimmte Qualifikation den neu gestarteten Kurs nicht abschließen werden. Was könnte man tun? Jetzt kann Prescriptive Analytics in dieser Angelegenheit hilfreich sein und dabei helfen, Handlungsoptionen zu ermitteln. Vielleicht kann ein Algorithmus die Lernenden erkennen, die diesen neuen Kurs benötigen, aber nicht über diese besondere Kompetenz verfügen, und eine automatisierte Empfehlung aussprechen, dass sie eine zusätzliche Trainingsressource in Anspruch nehmen können, um die fehlende Kompetenz zu erwerben.
Die Genauigkeit einer generierten Entscheidung oder Empfehlung ist jedoch nur so gut wie die Qualität der Daten und der entwickelten algorithmischen Modelle. Was für den Ausbildungsbedarf eines Unternehmens in Frage kommt, ist möglicherweise nicht sinnvoll, wenn es in der Ausbildungsabteilung eines anderen Unternehmens umgesetzt wird. Es wird generell empfohlen, die Modelle auf die jeweilige Situation und den Bedarf abzustimmen.
Prescriptive Analytics erfordert auch aus ethischer Sicht eine gewisse Vorsicht.
Die Generierung automatisierter Entscheidungen oder Empfehlungen, die auf der Interpretation von Schülerdaten durch einen Computer basieren, kann einige Fragen zum Thema Datenschutz und Fairness aufwerfen. Haben die Lernenden zugestimmt? Wer hat Zugriff auf die Daten und Ergebnisse?
Wenn die gesammelten Daten kein völlig genaues Bild ergeben, können die Vorhersagen über den Lernenden ungenau sein, was dann zu falschen Empfehlungen oder Entscheidungen für oder über den Lernenden führen kann.
Es wird empfohlen, eine Data Governance-Strategie einzuführen und den Schwerpunkt auf die Validierung der präskriptiven Modelle zu legen.
Der Einsatz von Prescriptive Analytics wächst und ist bereits in einigen gängigen Learning Management Systemen (LMS) und Lerntechnologien zu finden:
Obwohl der Einsatz von Prescriptive Analytics im Moment noch recht klein erscheint, wird er sich im Laufe der Jahre stetig weiterentwickeln, da Machine Learning und Künstliche Intelligenz (KI) immer zugänglicher werden.