KI als Multiplikator für den Lernerfolg im Corporate Learning

Valamis – LXP verwendet die Experience API (xAPI)-Methode, mit der detaillierte Informationen über sämtliche Lernaktivitäten eines Mitarbeiters in Form von standardisierten Aufzeichnungen in einem eigenen Learning Record Store (LRS) gesammelt werden. Eine Analyse dieser Aufzeichnungen zeigt nicht nur die Endergebnisse des Lernens, z.B. das Erreichen eines Zertifikats oder die Teilnahme an der Schulung, sondern auch den Prozess, in dem der Lernende zum Endergebnis gelangt ist.

Sämtliche “Lerntouchpoints” können als Datenquelle genutzt werden

In großen Unternehmen gibt es viele unterschiedliche Systeme außerhalb eines LMS, mittels derer Mitarbeiter lernen. xAPI ermöglicht das Tracking und die Erstellung eines Gesamtbildes dieser Lernerfahrungen. Der Vergleich dieser Daten mit anderen Datenquellen kann interessante Ursache-Wirkungs-Beziehungen aufzeigen. Somit kann z.B. bestimmt werden, ob Kursinhalte einen messbaren Einfluss auf (1) den Erfolg von Cold-Calls, (2) das Nachverfolgen von Sales Opportunities, (3) den Umsatz des Vertriebsteams, etc. haben (s. Abb 2). Nicht nur HR-Systeme enthalten solche Daten, sondern auch CRMs, in denen alle kundenbezogenen Aktivitäten und Ereignisse aufgeführt werden. Dazu könnten auch ein Tracking-System für Support-Anfragen oder ein Versionskontrollsystem gehören, bei dem individuelle Änderungen an Softwarekomponenten von Entwicklern oder Systemadministratoren eingereicht werden.

Was kann man mit den Daten machen?

Die gesammelten Daten können von L&D erfasst werden, um den größtmöglichen Nutzen zu erzielen – welche Art von Inhalten besser funktioniert, welche Lerngruppen mehr Unterstützung benötigen, welche Materialien nicht zu den gewünschten Ergebnissen führen und wo die Quizdurchlaufraten zu niedrig sind, was zeigt, dass Material überarbeitet werden muss oder ein anderer Lernpfad verwendet werden sollte.

Mittels maschinellem Lernen kann herausgefunden werden, welche Verhaltensänderungen der Mitarbeiter zu einem positiven Effekt geführt haben und welche nicht. Gleichzeitig kann durch die gemeinsame Analyse von Daten zu Lernaktivitäten und Verhaltensänderungen aufgezeigt werden, welche Lernaktivitäten einen Mehrwert bringen, z.B. was eine Veränderung des Mitarbeiterverhaltens verursacht hat und was nicht zu den gewünschten Ergebnissen geführt hat.

Eine KI macht den Unterschied

Eine integrierte KI übernimmt Interpretation und Klassifizierung von Lernmaterialien (Video zu Text, Bildklassifikation, tiefes Textverständnis und Konzeptklassifizierung), personalisierte Empfehlungen (basierend auf Ähnlichkeiten mit anderen Lernenden, durch Verknüpfung von Lernen mit Auswirkungen auf die Unternehmenskennzahlen, durch Erstellung eines eigenen Profils und eigener Präferenzen), Analyse und Verständnis des vorhandenen Wissens, das in Form von Dokumenten, Berichten, Videos usw. verborgen ist.

Der Schlüssel zur Personalisierung oder Kontextualisierung des an eine Person vermittelten Lernens ist die Verwendung von Informationen über die bisherigen Erfahrungen und Hintergründe dieser Person und ihrer Ziele. Die KI kann das aktuelle Problem der Person beantworten oder die Person zu einem breiteren Thema aufklären, um ein grundlegendes Wissen darüber aufzubauen.

Chatbots als Gesicht einer KI

Valbo ist der Name des in der Valamis LXP verwendeten Chatbots, ein 24-7-Assistent für Lernende. Verfügbarkeit rund um die Uhr, um dem Lernenden zu helfen, das zu finden, was für seinen aktuellen Kontext oder seine aktuelle Aufgabe relevant ist. Valbo kann proaktive Empfehlungen für den Lernenden aussprechen, wenn er feststellt, dass z.B. einige Lernmaterialien unvollendet sind. Ein Lernassistent kann auch Einarbeitungsmaterialien für neue Mitarbeiter bereitstellen oder relevante „Einsteigerleitfäden“ anzeigen, wenn ein Mitarbeiter befördert wurde oder sich seine Rolle im HR-System geändert hat. Die Aufgabe von L&D besteht darin, Lerninhalte zu kuratieren und die Empfehlungen von Valbo anhand von Beispielen oder Schulungsdaten anzupassen.

Warum ist personalisiertes Lernen so effektiv?

Wenn die Vorkenntnisse einer Person bekannt sind und ein neues Konzept damit in Verbindung gebracht werden kann, werden hinsichtlich Verständnis und Lernerfolg sehr viel bessere Ergebnisse erzielt. Die KI trifft begründete Annahmen zur Relevanz bestimmter Informationen für den Lerner. Durch die Analyse der Lernhistorie kann sich herauskristallisieren, welches Lernformat am besten für eine Person geeignet ist: Ist es zum Beispiel effektiver, einen Artikel zu lesen oder einen Audiobeitrag anzuhören? Bevorzugt der Lernende lange Lerneinheiten, in denen viel Stoff präsentiert wird, oder sollte die Lern-einheit kürzer und praxisbezogener sein? Sind die Lernbedürfnisse abhängig von der Tageszeit oder dem Wochentag?

Noch treffendere Ergebnisse können erzielt werden, wenn die Kenntnisse und Erfahrungen eines Mitarbeiters mit den Erfahrungen und Gemeinsamkeiten anderer Mitarbeiter in Bezug auf Funktionen, Qualifikationen oder Lernaktivitäten verglichen werden. Auf der Grundlage dieser Gemeinsamkeiten kann die Relevanz der dem Mitarbeiter zur Verfügung gestellten Informationen verbessert werden. Diese Methode eignet sich auch gut für neue Mitarbeiter, die im Unternehmen noch keine Vorgeschichte haben. Zunächst wird aufgrund von Gemeinsamkeiten wie Funktion und Abteilung sowie der nicht vorhandenen Lerngeschichte relevantes Einführungsmaterial zur Verfügung gestellt. Durch die Analyse der Lernhistorie früherer Neueinsteiger schlägt das System dem Lernenden weitere Informationen und zusätzliches Material vor, das sich bereits für andere neue Mitarbeiter als wichtig herausgestellt hat. Das ist natürlich erst der Anfang. Der Kreis muss geschlossen werden, um das System zu optimieren, und das Lernen muss mit dem Personalisierungsmodul verknüpft werden, damit die Relevanz der Ergebnisse mit der Zeit besser wird. Lernaktivitäten analysieren, prüfen, welche der vorgeschlagenen Ergebnisse die Mitarbeiter auswählen, sie befragen, ob sie mit den verfügbaren Ergebnissen zufrieden sind, detaillierte Suchen prüfen – all dies führt zur Optimierung und kontinuierlichen Anpassung des Empfehlungsmoduls mithilfe maschinellen Lernens.

Zusammenfassung

Informationen in Form von xAPI-Statements über die Lernaktivitäten der Mitarbeiter sind eine gute Quelle für die L&D-Abteilung, die Auskunft darüber geben, was funktioniert und was nicht. Wenn diese visuell interpretiert werden, können sie aufzeigen, welche Lernmaterialien den größten Nutzen bringen. Für die Verknüpfung des individuellen Lernens mit den Unternehmenszielen ist es notwendig, Daten aus vielen Quellen zu kombinieren und zu analysieren, was mit Hilfe moderner Analysewerkzeuge möglich ist.