Die Common Learning Middleware (CLM) unterstützt in zahlreichen Referenzprojekten den Aufbau nachhaltiger, modularer und interoperabler Lerninfrastrukturen. Ziel ist es, bestehende Lernplattformen, Inhalte und Dienste so zu verbinden, dass sie langfristig betreibbar, erweiterbar und unabhängig von einzelnen Systemen oder Herstellern bleiben.
Ein zentraler Gestaltungsgrundsatz der CLM ist dabei seit Beginn die konsequente Ausrichtung auf Interoperabilität. Offene Standards und klar definierte Schnittstellen bilden die Grundlage, um Lernökosysteme nicht nur funktional zusammenzuführen, sondern auch zukunftsfähig auszurichten.
Learning Analytics und KI als logische Weiterentwicklung
Mit der wachsenden Bedeutung von Learning Analytics, datenbasierten Feedbackmechanismen und dem Einsatz KI‑gestützter Verfahren, beispielsweise Large Language Models, verschiebt sich der Fokus zunehmend von einzelnen Lernanwendungen hin zur Frage, wie Lerndaten systemübergreifend nutzbar gemacht werden können.
Für diese Zielstellung ist die Erweiterung der CLM um die Funktionalität eines Learning Record Store (LRS) eine logische Konsequenz. Der LRS ermöglicht es, Lernerfahrungen aus unterschiedlichen Systemen strukturiert zu erfassen, zu validieren und als gemeinsame Datengrundlage bereitzustellen.
Die Erweiterung ist konform zur ADL Experience API (xAPI) sowie zur IEEE Experience API (IEEE 9274.1.1-2024) und wurde von Beginn an für dezentrale, souveräne und föderierte Setups konzipiert. Der LRS ist dabei nicht als isolierte Komponente gedacht, sondern als integrierter Bestandteil der CLM.
Technisches Prinzip: Interoperabel, dateneffizient, datenschutzkonform
Der in der CLM integrierte LRS folgt einem klaren Architekturansatz. Lerndaten werden dezentral erfasst und können über die CLM kontrolliert zusammengeführt und ausgewertet werden, auch über Organisations‑ und Systemgrenzen hinweg.
xAPI Profile dienen dabei als verbindlicher Zugriffs‑ und Datenkontrakt. Sie ermöglichen die Validierung, Filterung und gezielte Poolingmechanismen von Statements und schaffen damit semantische Interoperabilität.
Ein integrierter Dienst zur Datenaufbereitung und Aggregation stellt geschützte, voraggregierte Metadaten bereit. Dadurch werden schnelle Auswertungen ermöglicht, ohne direkt auf Rohdaten zugreifen zu müssen.
Privacy by Design ist ein zentrales Prinzip der Architektur. Identitäten werden pseudonymisiert verarbeitet, sensible Metadaten nicht dauerhaft gespeichert. Eine Auflösung oder Anreicherung erfolgt, falls erforderlich, kontrolliert zur Laufzeit.
Die entstehenden dateneffizienten Learning Records dienen nicht nur Analysezwecken, sondern können auch für die Auslieferung und Personalisierung von Lerninhalten genutzt werden.
Ausblick
Mit der Erweiterung um LRS‑Funktionalitäten wird die Common Learning Middleware konsequent weiterentwickelt. Sie wird von einer reinen Integrationsschicht zu einer datengetriebenen Basis für Learning Analytics und KI in interoperablen Lerninfrastrukturen.
Die laufenden Erprobungen in unterschiedlichen Kontexten, von Forschungsstudien über internationale Bildungseinrichtungen bis hin zu großskaligen behördlichen Lernumgebungen, fließen kontinuierlich in die Weiterentwicklung der CLM ein und schärfen das Zielbild einer souveränen, interoperablen Lerninfrastruktur.