Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

Lerndatenschutz, Pseudonymisierung und xAPI-Protokollierung

Übergeordnete Kategorie: Lernmanagement-Systeme und KI-Framework-SDKs

Lernbiografien, Aufsatzentwürfe, Fehleranalysen und Reaktionszeiten sind hochsensible personenbezogene Daten. Im Schul- und Hochschulbereich gelten durch DSGVO, europäische Bildungsrichtlinien und internationale Vorgaben (wie FERPA) besonders strenge rechtliche Schutzvorschriften für Lernende. Die unbedachte Weiterleitung von Schülerarbeiten an öffentliche Modell-APIs stellt einen gravierenden Verstoß gegen geltendes Recht dar.


Das Prinzip der minimalen Datenweitergabe (Pseudonymisierung)

Ein externes KI-Framework-SDK benötigt für eine didaktische Hilfestellung weder den Klarnamen, die E-Mail-Adresse noch den Wohnort der Lernenden. Die Architektur muss eine strikte Trennung zwischen Identität und Inferenz gewährleisten:

[Lernender: "Anna Schmidt"]
             │
             ▼
┌─────────────────────────────────────────────────────────────┐
│ 1. LMS-Identitätsgrenze (Moodle / Canvas)                   │
│    Ersetzt Identität durch zufällige UUID:                  │
│    `sub: "urn:lti:user:a8f9-4b21-99cd"`                     │
└────────────────────────────┬────────────────────────────────┘
                             │ Pseudonymisierte Session
┌────────────────────────────▼────────────────────────────────┐
│ 2. Eingangs-Filterung (PII-Scrubber / Anonymisierer)        │
│    Entfernt persönliche Daten aus Freitext-Eingaben         │
│    ("Ich heiße Anna..." ──► "Ich heiße [SCHÜLERIN]...")     │
└────────────────────────────┬────────────────────────────────┘
                             │ Anonymisierter Prompt
┌────────────────────────────▼────────────────────────────────┐
│ 3. KI-Framework-SDK / Modell-Inferenz                       │
│    Vertragliche "Zero Data Retention / No Training"-Klausel │
└────────────────────────────┬────────────────────────────────┘
                             │ Didaktische Rückmeldung
┌────────────────────────────▼────────────────────────────────┐
│ 4. Lokale Zuordnung im Browser der Lernenden                │
│    (Personenbezogene Verknüpfung erfolgt erst auf dem Client│
└─────────────────────────────────────────────────────────────┘

Technische Schutzmaßnahmen:

  1. Pseudonyme LTI-Identifier: Über LTI 1.3 wird ausschließlich ein kryptografischer Benutzer-Hash (sub) übertragen. Das KI-System speichert keine realen Personenbezüge.
  2. PII-Scrubbing im Freitext: Da Lernende in dialogischen Eingaben oft unbedacht persönliche Details erwähnen („Mein Name ist Anna aus der 8b...“), fängt eine lokale NLP-Vorstufe personenbezogene Entitäten (Namen, Telefonnummern, Schulnamen) ab und ersetzt sie durch generische Platzhalter.
  3. Verbot des Modelltrainings (Zero Data Retention): Schul- und Universitätsbetreiber dürfen KI-Modelle nur über kommerzielle Enterprise-Schnittstellen oder On-Premise-Modelle (z. B. via Ollama oder vLLM) anbinden, die vertraglich garantieren, dass Daten nach der Inferenz sofort gelöscht und keinesfalls für das Training zukünftiger Modellgenerationen verwendet werden.

Lernstandsanalysen über xAPI und Learning Record Stores (LRS)

Um den Lernerfolg transparent zu machen, ohne die Privatsphäre zu gefährden, werden Interaktionen mit dem KI-Tutor standardisiert über die Experience API (xAPI) protokolliert:

xAPI-Aussagen (Statements):

Interaktionen werden im standardisierten Triple-Format Akteur -> Verb -> Objekt mit didaktischem Kontext abgebildet:

{
  "actor": { "account": { "name": "urn:lti:user:a8f9-4b21", "homePage": "https://lms.schule.de" } },
  "verb": { "id": "http://adlnet.gov/expapi/verbs/asked", "display": { "de-DE": "fragte nach Hinweis" } },
  "object": { "id": "https://kurs.schule.de/physik/aufgabe-4", "definition": { "name": { "de-DE": "Kräftezerlegung" } } },
  "result": { "extensions": { "https://schema.org/hintCount": 2, "https://schema.org/misconception": "Masse/Gewichtskraft" } }
}

Didaktischer Mehrwert aggregierter LRS-Daten:

  • Aggregierte Lehrkraft-Übersicht: Lehrpersonen sehen im LMS-Dashboard, bei welchen Aufgaben 80 % der Klasse nach Hinweisen fragten oder an welchem Schritt typische Fehlkonzepte auftraten.
  • Keine Überwachung: Durch die Aggregation im Learning Record Store (LRS) lassen sich Curricula und Übungsblätter datengestützt verbessern, ohne dass Lehrkräfte private Schüler-Chatverläufe manuell ausspähen müssen.

[!NOTE] Die allgemeinen rechtlichen Datenschutzgrundsätze dieses Buchprojekts sind unter Datenschutz dokumentiert.