Um zu verstehen, was Maschinen mit Bedeutung leisten können und was nicht, müssen wir zwei Fragen miteinander verknüpfen: Wie Menschen Bedeutung schaffen und wie Computer diese verarbeiten. Genau das tut dieses Modul. Wir beginnen mit dem menschlichen Lernen und den Erkenntnissen von Piaget und Vygotsky, wonach Menschen Verständnis aktiv aufbauen – und zwar stets mit Hilfe anderer und der Werkzeuge, die ihre Kultur bereitstellt. Anschließend wenden wir uns der Maschine zu und verfolgen den Begriff „Cyber“ von Norbert Wieners Kybernetik bis hin zu dem, was wir als cybersoziale Intelligenz bezeichnen: keine Maschine, die das menschliche Denken ersetzt, sondern eine, die eine komplementäre Partnerschaft mit ihm eingeht. In den letzten beiden Lektionen betrachten wir genau, wie Computer Bedeutung mithilfe der binären Notation verarbeiten, die es ihnen ermöglicht, mit erstaunlicher Präzision zu benennen, zu klassifizieren, zu messen, zu handeln und zu lokalisieren, und wir loten die Grenzen dessen aus, was das Binäre leisten kann. Daraus ergibt sich ein klareres Bild der menschlichen Fähigkeiten zur Bedeutungsgebung, über die keine Maschine verfügt, sowie der cybersozialen Beziehung, in der Menschen und Maschinen jeweils das beisteuern, was dem anderen fehlt.

Wann immer wir in einem digitalen Raum lernen, hinterlassen wir Spuren. Jeder Klick, jede Pause, jeder Versuch und jeder erneute Versuch wird als Daten aufgezeichnet. In diesem Modul geht es darum, was wir aus diesen Spuren lernen können. Das „Educational Data Mining“ befasst sich mit der Untersuchung dieser Lernspuren und der Frage, was sie uns darüber verraten, wie Menschen zu Verständnis gelangen. Wir beginnen mit den Daten selbst: den Interaktionsprotokollen, die nicht nur erfassen, was ein Lernender letztendlich hervorgebracht hat, sondern den gesamten Prozess, der dorthin geführt hat. Anschließend wenden wir uns den Methoden zu, die diese Protokolle auswerten: Einige suchen nach dem, was wir bereits zu suchen wissen – beispielsweise, ob ein Lernender eine Fertigkeit beherrscht –, andere untersuchen die Daten, um Muster zu entdecken, von denen wir nicht wussten, dass sie existieren, wie zum Beispiel die unterschiedlichen Wege, auf denen Lernende einen Kurs durchlaufen. Dabei sind wir uns stets der Verantwortung bewusst, die diese Arbeit mit sich bringt: Da diese Spuren von echten Lernenden stammen, müssen sie unter Berücksichtigung von Datenschutz, Chancengleichheit und Fairness verwendet werden.

Nachdem wir gesehen haben, wie Maschinen aus den Spuren unseres Lernens lernen können, treten wir in diesem abschließenden Modul einen Schritt zurück, um die zugrunde liegenden Fragen zu stellen. Was ist Wissen? Wie erwerben Menschen Fähigkeiten? Und wie sieht die Beziehung zwischen dem menschlichen Verstand und einer Maschine eigentlich aus? Wir beginnen mit der Kognitionswissenschaft des Lernens: den Arten von Wissen, über die wir verfügen, dem Weg vom Anfänger zum Experten und den Architekturen, die Forscher entwickelt haben, um den Verstand zu modellieren. Anschließend betrachten wir, wie diese Ideen in der Bildung umgesetzt wurden – von den frühesten Lernsystemen bis hin zu den intelligenten Tutoren von heute – und wie die mobilen Geräte in unseren Taschen das Lernen auch denjenigen zugänglich machen könnten, die weniger Zugang zu anderen Technologien haben. Schließlich kehren wir zu einer Frage zurück, die sich wie ein roter Faden durch den gesamten Kurs zieht: Wenn Computer mittlerweile so vieles von dem leisten können, was wir früher als „Denken“ bezeichnet haben, wie sollte sich dann das Lernen weiterentwickeln? Unsere Antwort, die wir hier und in unserer gesamten Arbeit entwickelt haben, lautet: Die Aufgabe besteht weder darin, sich diesen Maschinen zu widersetzen, noch sich ihnen zu unterwerfen, sondern gemeinsam mit ihnen eine neue Art des Lernens zu gestalten – das, was wir als „cyber-soziales Lernen“ bezeichnet haben.