Table of Contents

Der Schnittpunkt von Learning Analytics und ABET Akkreditierung

Die ABET-Akkreditierung dient als Qualitätssiegel für Engineering- und Computerprogramme weltweit und bestätigt, dass Absolventen strenge professionelle Standards erfüllen. Der Prozess erfordert umfassende Beweise dafür, dass die Studenten definierte Programmergebnisse erzielen - von der technischen Problemlösung bis hin zu ethischen Überlegungen und Teamarbeit. Die traditionelle Akkreditierungsdatenerfassung beruht oft auf manuellen Prozessen, verstreuten Bewertungsartefakten und Bewertungen am Ende des Kurses, die zeitaufwendig und anfällig für Lücken sein können.

Learning Analytics bietet eine transformative Alternative. Durch systematisches Messen, Sammeln und Analysieren von Daten über Lernende und ihre Lernkontexte können Institutionen umsetzbare, datengestützte Beweise generieren, die das ergebnisbasierte Bewertungsrahmenwerk von ABET direkt unterstützen. Dieser Ansatz optimiert nicht nur den Prozess der Akkreditierungsnachweiserhebung, sondern ermöglicht auch die kontinuierliche Verbesserung von Lehrplänen, Unterricht und Unterstützung durch die Schüler.

Dieser Artikel bietet eine praktische, ausführliche Anleitung zur Nutzung von Lernanalysen für die ABET-Akkreditierung - mit den wesentlichen Datenpunkten, Implementierungsstrategien, Vorteilen und häufigen Fallstricken. Ob Sie ein Leiter der Ingenieurabteilung, ein Akkreditierungskoordinator oder ein Fakultätsmitglied sind, Sie werden umsetzbare Erkenntnisse finden, um die Akkreditierungsposition Ihres Programms zu stärken.

Definition von Learning Analytics im Kontext des Accreditors

Learning Analytics ist die Messung, Sammlung, Analyse und Berichterstattung von Daten über Lernende und ihre Umgebungen, um das Lernen und die Umgebungen, in denen es stattfindet, zu verstehen und zu optimieren. Im ABET-Kontext bedeutet dies, dass Rohdaten von Schülern in aussagekräftige Beweise umgewandelt werden, die zeigen, wie gut Schüler die durch die Akkreditierungskriterien von ABET definierten Programmergebnisse (SOs) und Schülerergebnisse (SOs) erreichen.

ABETs Kriterien für die Akkreditierung von Ingenieurprogrammen (2023-2024) erfordern, dass Programme "einen Bewertungs- und Bewertungsprozess haben, der regelmäßig dokumentiert und zeigt, inwieweit die Ergebnisse der Schüler erreicht werden." Learning Analytics bietet die Infrastruktur, um einen Großteil dieser Dokumentation zu automatisieren, indem es von sporadischen, anekdotischen Beweisen zu kontinuierlicher, systematischer Beweissammlung übergeht.

Im Gegensatz zur einfachen Berichterstattung über Noten integriert Learning Analytics mehrere Datenquellen – Bewertungsrubriken, Learning Management System (LMS)-Aktivitäten, Umfrageantworten, E-Portfolio-Einreichungen und sogar die Teilnahme an co-curricularen Studiengängen –, um ein ganzheitliches Bild der Leistungen der Schüler zu zeichnen. In Abstimmung mit den Ergebnissen von ABET können diese Daten verwendet werden, um Dashboards, Berichte und Visualisierungen zu erstellen, die Akkreditierungsbewerter als überzeugend und transparent empfinden.

Der Schlüssel zu dieser Ausrichtung ist die Zuordnung jeder Bewertungsaufgabe zu bestimmten Schülerergebnissen. Zum Beispiel könnte ein Abschlussprojekt in einem Schlussstein-Designkurs direkt mit dem Ergebnis (c) verknüpft sein: "eine Fähigkeit, ein System, eine Komponente oder einen Prozess zu entwerfen, um die gewünschten Bedürfnisse zu erfüllen." Learning Analytics-Tools können Rubrikenergebnisse, Schülerreflexionstexte und Peer-Bewertungen aus diesem Projekt sammeln und sie in einem Ergebnisportfolio zusammenfassen, das über mehrere Semester erreicht wird.

Wesentliche Datenpunkte für die ABET-Evidenzerhebung

Der effektive Einsatz von Learning Analytics für die Akkreditierung beginnt mit der Identifizierung der Datenpunkte, die die aussagekräftigsten Beweise liefern.

Daten über Direktbewertungen

Direkte Bewertungen messen die Leistungen der Schüler anhand spezifischer Ergebnisse.

  • Eingebettete Kursbewertungen: Punkte bei Prüfungen, Quiz, Labors und Projekten, die explizit den Programmergebnissen zugeordnet sind. Mit einem rubrikbasierten Scoring-Ansatz wird sichergestellt, dass jedes Bewertungselement mit den ABET-Kriterien übereinstimmt.
  • Capstone und Designprojekte: Projekte des letzten Jahres integrieren oft mehrere Ergebnisse. Analytics kann Rubrikenergebnisse, Meilensteine und Bewertungen der Fakultät verfolgen.
  • Standardisierte Prüfungen und Lizenzmetriken: FE-Prüfungsquoten bestehen oder Ergebnisse aus lokal entwickelten Exit-Prüfungen, die die Ergebniserreichung vergleichen.
  • E-Portfolio-Artefakte: Von Studenten eingereichte Arbeitsproben, die nach Ergebnissen getaggt und mithilfe von Kriterien-bezogenen Rubriken bewertet werden. Plattformen wie Portfolium oder lokal aufgebaute E-Portfolios können Daten direkt in Analyse-Dashboards einspeisen.

Indirekte Bewertungsdaten

Indirekte Maßnahmen erfassen Wahrnehmungen und Selbsteinschätzungen, die direkte Beweise ergänzen:

  • Studierende Umfragen: End-of-Kurs-Umfragen, Senior-Exit-Umfragen und Alumni-Umfragen, die die Schüler bitten, ihre Ergebnisse selbst zu bewerten.
  • Arbeitgeber-Feedback: Umfragen von Praktikanten-Supervisoren oder Arbeitgebern von Absolventen bieten eine externe Validierung der Ergebniserreichung.
  • Fokusgruppen- und Interview-Transkripte: Qualitative Daten aus Studenten- oder Fakultätsdiskussionen, die mit Textanalysen zu Ergebnissen kodiert werden können.

Engagement und Verhaltensdaten

Obwohl sie keine direkten Beweise für das Erreichen des Ergebnisses sind, können Engagement-Metriken Bereiche signalisieren, in denen Schüler möglicherweise Probleme haben, was proaktive Interventionen ermöglicht.

  • LMS-Aktivität: Login-Frequenz, Inhaltszugriffsmuster, Zeitnähe der Zuweisungsübermittlung, Forum-Teilnahme.
  • Besuch und Teilnahme: In-Class-Engagement, das über Polling-Tools oder Anwesenheitsverfolgung erfasst wird.
  • Time-on-Task: Ungefähre Zeit, die für Lernaktivitäten aufgewendet wird, verfügbar von einigen Bewertungsplattformen.
  • Soziale Netzwerkanalyse: Co-Autor von Zuweisungen, Teilnahme an Peer-Reviews und Gruppenkollaborationsmuster, die die Teamarbeitsergebnisse widerspiegeln.

Demographische und kontextbezogene Daten

Um ein gerechtes Ergebnis zu erreichen, sollten Programme auch Daten sammeln und analysieren, die nach Merkmalen der Studierenden wie Geschlecht, unterrepräsentierter Minderheitenstatus, Hochschulbesuch der ersten Generation und sozioökonomischem Hintergrund aufgeschlüsselt sind. Dies unterstützt ABETs Schwerpunkt auf integrativer Exzellenz und ermöglicht es Programmen, Leistungslücken zwischen den Schülerpopulationen zu identifizieren.

Aufbau einer Learning Analytics Infrastruktur für die Akkreditierung

Die Implementierung eines Learning Analytics Frameworks für ABET erfordert eine sorgfältige Planung, Technologieauswahl und Stakeholder-Buy-In.

Schritt 1: Map Outcomes to Assessment Points

Beginnen Sie mit der Erstellung einer Matrix, die jedes ABET-Studentenergebnis mit bestimmten Kursen, Aufgaben und Rubriken verknüpft. Für jedes Ergebnis identifizieren Sie mindestens zwei bis drei direkte Bewertungspunkte, die über den Lehrplan verteilt sind. Dieses Mapping ist die Grundlage für alle nachfolgenden Datenerhebungen und -analysen. Verwenden Sie ein zentrales Repository - wie eine Tabellenkalkulation oder ein Curriculum-Mapping-Tool, das in Ihr LMS integriert ist -, um das Mapping zu pflegen und zu versionieren.

Schritt 2: Wählen Sie Datenerfassungs- und Analysetools

Viele Institutionen beginnen mit ihrem bestehenden Lernmanagementsystem (z.B. Canvas, Blackboard, Moodle) und erweitern es mit spezialisierten Plattformen. Betrachten Sie die folgenden Kategorien:

  • Learning Analytics Platforms: Tools wie Directus (ein Open-Source Headless CMS, das für Bildungsdaten angepasst werden kann), Tableau für Visualisierung oder integrierte Analysen in LMS-Produkten. Directus ist besonders flexibel für die Erstellung benutzerdefinierter Dashboards, die Daten aus mehreren Systemen -LMS, SIS, Umfrage-Tools - in einen einzigen Akkreditierungsnachweis-Hub ziehen.
  • Assessment Management Systems: Plattformen wie AEFIS, Watermark oder liveRubric, die direkt die Ergebnisbewertung unterstützen und Schüler-Ergebnis-Berichte generieren.
  • E-Portfolio-Systeme: Lösungen wie Portfolium, Mahara oder Folio zum Sammeln und Bewerten von Artefakten.
  • Umfrage- und Feedback-Tools: Qualtrics, Microsoft Forms oder eingebaute LMS-Umfragemodule zum Sammeln indirekter Bewertungsdaten.

Schritt 3: Etablierung von Data Governance und Datenschutzrichtlinien

Learning Analytics beinhaltet den Umgang mit sensiblen Schülerdaten. Institutionen müssen klare Richtlinien entwickeln, die Folgendes betreffen:

  • Transparenz: Informieren Sie die Studierenden, welche Daten gesammelt werden, wie sie verwendet werden und wie sie auf ihre eigenen Daten zugreifen können.
  • Zustimmungs- und Opt-Out-Optionen: Bieten Sie Mechanismen an, mit denen sich die Schüler nach Möglichkeit von Analysen abmelden können (z. B. für Verhaltens-Tracking, das nicht an obligatorische Bewertungen gebunden ist).
  • Datensicherheit: Verschlüsseln Sie Daten im Transit und in Ruhe, beschränken Sie den Zugriff auf autorisiertes Personal und halten Sie sich an FERPA (oder gleichwertige Vorschriften) und alle Anforderungen des institutionellen Überprüfungsgremiums.
  • De-Identifizierung: Für Dashboards, die extern mit Akkreditierungsteams geteilt werden, aggregieren und de-Identifizieren Sie Daten, um die Privatsphäre des Einzelnen zu schützen.

Schritt 4: Design Analytics Dashboards für Stakeholder

Dashboards sollten unterschiedliche Zielgruppen mit unterschiedlichen Granularitätsstufen bedienen:

  • Fakultät: Echtzeit-Dashboards, die zeigen, wie ihre Schüler in ihren Kursen Fortschritte bei den Ergebnissen machen, mit Warnungen für Schüler, die sich in Schwierigkeiten befinden.
  • Programmkoordinatoren und Abteilungsleiter: Aggregierte Ansichten der Ergebniserreichung über Abschnitte und Semester, Trendlinien und Vergleiche mit Benchmarks.
  • Akkreditierungsausschüsse: Hochrangige Berichte, die die Bewertungsnachweise zu jedem ABET-Kriterium abbilden, mit unterstützenden Artefakten und Dateninterpretationen.
  • Studenten: Dashboards, die ihre eigenen Fortschritte bei den Ergebnissen zeigen und Stärken und Verbesserungsbereiche identifizieren (optional, können aber das Engagement der Schüler verbessern).

Schritt 5: Integrieren Sie Analytics in kontinuierliche Verbesserungszyklen

Die ABET-Akkreditierung ist keine einmalige Veranstaltung; sie erfordert eine fortlaufende Bewertung und Verbesserung. Learning Analytics sollte in einen formalen kontinuierlichen Verbesserungsprozess einfließen (oft als „Bewertungszyklus bezeichnet). Jedes Semester oder Jahr überprüfen Sie die Daten zum Erreichen der Ergebnisse, identifizieren Sie Lücken und implementieren Sie Änderungen wie die Überarbeitung von Aufgaben, die Aktualisierung von Rubriken, die Änderung von Voraussetzungen oder das Angebot einer gezielten Nachhilfe. Dokumentieren Sie jede Änderung und ihre Gründe, da dieser Nachweis eines geschlossenen Kreislaufs von ABET-Evaluatoren hoch geschätzt wird.

Praktische Vorteile eines Learning Analytics-fähigen Akkreditierungsprozesses

Institutionen, die in Learning Analytics für ABET investieren, berichten von mehreren signifikanten Vorteilen, die über die bloße Erfüllung der Akkreditierungsanforderungen hinausgehen.

Datengesteuerte Entscheidungsfindung

Anstatt sich auf Meinungen oder anekdotisches Feedback zu verlassen, können die Abteilungen die Entscheidungen über Lehrpläne auf objektive Beweise stützen. Wenn beispielsweise Analysen ergeben, dass nur 60% der Studierenden das Ergebnis für "ethisches Denken" im Senior Design erfüllen, kann die Fakultät ein neues Ethikmodul in den Junior-Curriculum einführen und Verbesserungen im folgenden Jahr verfolgen.

Frühe Identifizierung von At-Risk-Studenten

Engagement- und Leistungs-Dashboards ermöglichen es Beratern und Dozenten, Studenten zu erkennen, die zu Beginn des Semesters hinter dem Ergebnis zurückbleiben. Interventionen wie Nachhilfe, Mentoring oder Studiengruppen können vor Abschlussbewertungen eingesetzt werden, wodurch der Erfolg der Schüler verbessert und die Anzahl der Studenten verringert wird, die die Ergebnisse nicht erreichen.

Straffung der Akkreditierungsvorbereitung

Mit einem gut durchdachten Analysesystem ist der für einen Akkreditierungsbericht erforderliche Nachweis bereits organisiert und aktuell. Anstatt in den Monaten vor einem Besuch Artefakte zu sammeln und Daten zu kompilieren, können Teams sofort Berichte erstellen. Das reduziert Stress, spart Zeit und lässt mehr Raum für Analysen und Storytelling.

Verbessertes Benchmarking-Programm

Mit der Zeit ermöglichen kumulative Analysedaten es den Abteilungen, die erzielten Ergebnisse in verschiedenen Kursabschnitten, Semestern oder sogar Peer-Institutionen zu vergleichen (wenn Datenaustauschvereinbarungen bestehen).

Demonstration einer Kultur der Qualität

ABET-Evaluatoren legen zunehmend Wert auf die Evidenz, dass ein Programm systematische, evidenzbasierte Qualitätssicherung betreibt. Ein robustes Learning-Analytics-Programm signalisiert den Evaluatoren, dass die Institution die Akkreditierung ernst nimmt und sich für eine kontinuierliche Verbesserung einsetzt, die auf Daten basiert.

Herausforderungen und Überlegungen bei der Implementierung von Learning Analytics

Trotz der Vorteile stehen Institutionen vor mehreren Hürden bei der Bereitstellung von Analysen für die Akkreditierung.

Data Silos und Integrationskomplexität

Die Daten von Studierenden leben oft in separaten Systemen – dem LMS, dem Student Information System (SIS), der E-Portfolio-Plattform und Bewertungstools von Drittanbietern. Die Integration dieser Quellen in eine kohärente Analyse-Pipeline kann technisch anspruchsvoll sein. Die Verwendung einer flexiblen Datenplattform wie Directus oder eines dedizierten Bildungsdatenlagers kann dazu beitragen, unterschiedliche Quellen zu vereinheitlichen, erfordert jedoch Investitionen in die API-Entwicklung und Datenmapping.

Fakultät Buy-In und Training

Fakultät kann Änderungen an ihren Bewertungspraktiken widerstehen, insbesondere wenn sie Analysen als Überwachung oder zusätzlichen Verwaltungsaufwand wahrnehmen. Um dies zu überwinden, ist eine klare Kommunikation darüber erforderlich, wie Analysen den Unterricht unterstützen (nicht bewerten), sowie eine professionelle Entwicklung bei der Erstellung ergebnisorientierter Rubriken und der Verwendung von Dashboard-Tools.

Rubelqualität und Konsistenz

Lernanalytik ist nur so gut wie die Daten, die sie aufnimmt. Wenn Rubriken schlecht gestaltet, nicht auf Ergebnisse ausgerichtet oder von Ausbildern inkonsistent angewendet werden, werden die resultierenden Beweise unzuverlässig sein. Investieren Sie in Norming-Sitzungen, in denen die Fakultät die Verwendung von Rubriken kalibriert, und ziehen Sie die Verwendung von automatisiertem Scoring in Betracht, um die Konsistenz zu verbessern.

Überwältigendes Datenvolumen

Ohne durchdachtes Design können Analytics-Dashboards so viele Metriken präsentieren, dass Entscheidungsträger unter Informationsüberlastung leiden. Konzentrieren Sie sich auf einen kleinen Satz von Key Performance Indicators (KPIs), die direkt mit jedem Schülerergebnis verlinken, und bieten Sie Drill-Down-Optionen für eine tiefere Analyse, wenn nötig. Verwenden Sie Designprinzipien aus Data Storytelling, um die wichtigsten Ergebnisse hervorzuheben.

Momentum beibehalten

Akkreditierungszyklen sind lang (in der Regel sechs Jahre). Analytikinitiativen verlieren nach einem erfolgreichen Selbststudium häufig an Fahrt. Um die Dynamik zu erhalten, sollten Analysen in regelmäßige akademische Governance-Sitzungen wie Abteilungssitzungen, Überprüfungen von Lehrplänen und Jahresberichte eingebettet werden. Beauftragen Sie einen speziellen Analytikkoordinator oder -ausschuss, um sicherzustellen, dass das System aktiv bleibt und sich mit sich ändernden Kriterien weiterentwickelt.

Real-World Beispiele und Fallstudien

Mehrere Institutionen haben Learning Analytics erfolgreich in ihre ABET-Akkreditierungsprozesse integriert.

An einer großen öffentlichen Ingenieurschule im Mittleren Westen wurde der Senior-Design-Capstone-Kurs neu gestaltet, um ein digitales Einreichungssystem einzuschließen, das Projektergebnisse automatisch mit ABET-Ergebnissen (a) bis (k) kennzeichnet. Rubric-Ergebnisse von Mentoren aus Fakultät und Industrie wurden in ein benutzerdefiniertes Dashboard eingespeist, das auf einem kopflosen CMS ähnlich Directus basiert. Über vier Jahre hinweg zeigte das Programm eine stetige Verbesserung der Ergebniserreichung, die in ihrem Akkreditierungs-Selbststudium dokumentiert und von Bewertern gelobt wurde.

Eine kleinere private Ingenieurhochschule nutzte eine E-Portfolio-Plattform und ein Lernanalyse-Tool, um Artefakte aus allen erforderlichen Kursen zu sammeln. Sie automatisierten die Generierung von „Ergebniserreichungsberichten, die Prozentsätze der Studenten zeigten, die jedes Ergebnis erreichten, aufgeschlüsselt nach Jahr, Kurs und demografischer Gruppe. Das System markierte auch, wenn die Bewertungsergebnisse eines Kurses statistisch niedriger waren als der Abteilungsdurchschnitt, was zu einer Überprüfung des Lehrplans führte. Während ihres Besuchs vor Ort konnte das Team Live-Dashboards für die Bewerter hochziehen, wodurch die Zeit für die Beantwortung von Fragen zu Beweisen erheblich reduziert wurde.

Ein weiteres bemerkenswertes Beispiel stammt von einer Universität, die Learning Analytics einsetzte, um eine spezifische Schwäche zu beheben, die in einem früheren Akkreditierungszyklus identifiziert wurde: Student Outcome (d) – „eine Fähigkeit, in multidisziplinären Teams zu funktionieren. Durch die Analyse von Kollaborationsdaten aus LMS-Diskussionsforen und Peer-Evaluation-Scores stellte das Programm fest, dass viele Studenten sich nicht gleichermaßen an Teamprojekten beteiligten. Sie implementierten ein Teamtrainingsmodul und restrukturierten Projektzuweisungen, und die nächste Runde der Analysen zeigte deutliche Verbesserungen. Diese direkte Verbindung zwischen Daten, Maßnahmen und verbesserten Ergebnissen bildete eine starke Erzählung in ihrem Zwischenbericht.

Zukunftstrends: Learning Analytics und Akkreditierung

Die Landschaft der Lernanalyse und Akkreditierung entwickelt sich. Die Programmleiter sollten auf diese aufkommenden Entwicklungen achten.

Kompetenzbasierte Bildung und Mikrocredentials

Da immer mehr Engineering-Programme kompetenzbasierte Bildung (CBE) übernehmen und digitale Abzeichen oder Mikro-Credentials anbieten, wird die Lernanalyse noch detaillierter werden. Anstatt das Erreichen der Ergebnisse auf Kursebene zu verfolgen, werden Systeme die individuelle Kompetenzbeherrschung über den gesamten Lehrplan hinweg verfolgen. ABET hat bereits begonnen, Kriterien für nicht-traditionelle Bildungswege zu untersuchen, und Analysen werden unerlässlich sein, um Beweise in diesen Modellen zu liefern.

Künstliche Intelligenz und Predictive Analytics

Machine-Learning-Modelle können vorhersagen, welche Schüler Gefahr laufen, lange vor dem Ende eines Kurses keine spezifischen Ergebnisse zu erzielen. Diese prädiktiven Analysen, kombiniert mit automatisierten Interventionsempfehlungen, werden häufiger werden. Allerdings müssen Programme solche Werkzeuge ethisch nutzen, Vorurteile vermeiden und sicherstellen, dass Vorhersagen verwendet werden, um Schüler zu unterstützen, nicht zu bestrafen.

Echtzeit-Akkreditierung Dashboards

Die nächste Generation von Akkreditierungssoftware wird wahrscheinlich interaktive Live-Dashboards anbieten, die Bewerter während der Besuche vor Ort erkunden können. Dies würde statische PDF-Berichte durch dynamische Datenvisualisierungen ersetzen, eine tiefer gehende Untersuchung unterstützen und die Belastung durch die Vorbereitung von Dokumenten vor dem Besuch reduzieren.

Interoperabilitätsnormen

Initiativen wie der Standard FLT:0 des IMS Global Learning Consortium und die OneRoster-Spezifikation erleichtern den Datenaustausch zwischen Bildungsinstrumenten. Mit der Reife dieser Standards wird die Integration von Lernanalysen über Plattformen hinweg einfacher und die technische Barriere für kleinere Institutionen wird verringert.

Erste Schritte: Ein praktischer Aktionsplan

Wenn Ihr Programm am Anfang dieser Reise steht, sollten Sie die folgenden kurzfristigen Schritte in Betracht ziehen:

  1. Audit current assessment practices: Identifizieren Sie, welche Kurse bereits ergebnisorientierte Zuordnungen und Rubriken haben. Bestimmen Sie, welche Daten bereits erfasst werden (auch wenn sie manuell erfasst werden).
  2. Bilden Sie ein funktionsübergreifendes Team: Fügen Sie Fakultät, Berater, IT-Mitarbeiter, Bewertungskoordinatoren und einen leitenden Administrator hinzu, um die Initiative zu fördern.
  3. Wähle einen Pilotkurs oder ein Ergebnis aus: Anstatt zu versuchen, alles auf einmal zu transformieren, wähle einen einzelnen Kurs oder ein einzelnes Ergebnis, um den Wert von Analysen zu demonstrieren.
  4. Investieren Sie in eine flexible Datenplattform: Bewerten Sie Open-Source-Optionen wie Directus oder kommerzielle Lösungen, die eine Anpassung an das Datenschema Ihrer Institution ermöglichen.
  5. Kommunizieren Sie früh und oft: Teilen Sie Ihre Vision mit Dozenten, Studenten und Beiräten. Transparenz schafft Vertrauen und reduziert Widerstand.
  6. Plan für kontinuierliche Verbesserung: Richten Sie einen regelmäßigen Überprüfungszyklus ein - vierteljährlich oder semesterbasiert -, in dem Daten analysiert, Maßnahmen diskutiert und Änderungen dokumentiert werden. Dieser Rhythmus wird zum Herzstück Ihres Akkreditierungsprozesses.

Durch diese Schritte kann Ihr Programm von der manuellen, stressigen Akkreditierungsvorbereitung zu einer schlanken, datengestützten Praxis übergehen, die nicht nur die ABET-Anforderungen erfüllt, sondern auch das Lernen der Schüler wirklich verbessert. Learning Analytics ist keine magische Lösung, aber wenn es nachdenklich umgesetzt wird, wird es zu einem mächtigen Verbündeten im Streben nach Bildungsexzellenz und professioneller Rechenschaftspflicht.