Behavioral/Process Data in Learning Systems: What Hesitation and Timing Mean, and Where Child Privacy Law Draws the Line

Ergebnisse — Teil 1: Was die Signale bedeuten (Lernwissenschaft)

1. Antwortwechsel helfen weitaus mehr, als der Volksglaube vermutet. Kruger, Wirtz & Millers „first instinct fallacy“‑Studie (JPSP, 2005) reviewte über 70 Jahre früherer Forschung und fand, dass in keiner der 33 untersuchten Studien Testteilnehmer im Durchschnitt durch das Ändern von Antworten geschädigt wurden – obwohl 55 % der befragten Lehrenden etwas anderes rieten. Ihre eigene Radier‑Mark‑Studie von 1.561 Prüfungen ergab, dass 51 % der Änderungen von falsch zu richtig gingen, 25 % von richtig zu falsch und 23 % von falsch zu falsch; von 1.231 Studierenden, die mindestens eine Antwort änderten, wurden 54 % netto geholfen, 19 % netto geschädigt und 27 % weder noch [1]. Der Fehlglaube lässt sich auf kontrafaktisches Bedauern zurückführen: das Aufgeben einer korrekten Antwort erzeugt ein besonders schmerzhaftes „wenn doch nur“‑Gedächtnis, das seltene Fehlereignisse häufig erscheinen lässt [1]. Ein Antwortwechsel oder eine Radierung ist per se kein Hinweis auf mangelndes Verständnis.

2. Schnelle, nahezu latenzfreie Antworten sind das eigentliche Warnsignal – für Desengagement, nicht für Systemausnutzung. Wise & Kongs „response time effort“ (RTE) misst den Anteil der Items, die über einem Zeit‑Schwellenwert für Lösungs‑Verhalten beantwortet werden. Eine zitierte Metaanalyse fand, dass RTE stark mit der Leistung korreliert, stärker als selbstberichteter Aufwand. Auf PISA 2015 angewandt erhöhte das Herausfiltern schneller Ratens die durchschnittlichen Länderwerte, veränderte jedoch die Ranglisten kaum [4]. Schwellenwerte reichen von einem festen Grenzwert (z. B. 5 Sekunden) bis zu itemspezifischen Normen (z. B. 15 % der üblichen Lösungszeit) [4]. Die korrekte Anwendung ist ein Mindestwert („zu schnell, um Engagement zu reflektieren“), nicht eine abgestufte Strafe über den gesamten Latenzbereich.

3. „Gaming the system“ ist erkennbar, nicht monolithisch, und Detektoren werden zurückgespielt. Baker, Corbett, Koedinger & Roll definieren Gaming als Ausnutzen von Systemregularitäten statt über das Material nachzudenken – systematisches Raten, wiederholtes Anfordern von Hilfe, bis das System antwortet [2][3]. Ihr Modell unterscheidet GAMED‑HURT‑Studierende von GAMED‑NOT‑HURT‑Studierenden, die ohne Lernverlust systemausnutzen. Beste Trennmerkmale: mehrere schnelle Aktionen hintereinander, hohe Fehlerraten bei Multiple‑Choice‑Schritten, schnelle numerische Antworten, kurze Hilfesanfragen oder Fehler in schneller Folge [3]. Der Detektor ließ sich über Studierendengruppen hinweg übertragen (A’ = 0,76–0,92), jedoch schlecht über Tutor‑Lesson‑Schnittstellen ohne erneutes Training – Gaming‑Signaturen sind schnittstellenspezifisch [3]. Die Autoren warnen: ein statischer, erratbarer Detektor lädt Studierende ein, „zu lernen, wie man den Gaming‑Detektor ausspielt“ [3]. Eine direkte Warnung gegen eine feste Regel „unregelmäßiges Verhalten = Betrug“ beim Scoring.

4. „Wheel‑spinning“ beschreibt einen feststeckenden Lernenden, nicht Fehlverhalten. Beck & Gongs AIED‑2013‑Paper benennt ein Phänomen in Mastery‑Learning‑Tutoren: ein Lernender arbeitet an einer Fertigkeit viel länger, als das Modell für das Erreichen von Mastery erwartet, ohne sie zu erreichen – Zeit und Motivation werden ohne Gewinn verbrannt. Nachfolgende ACM‑Arbeiten verfolgten frühe Erkennung, damit ein System intervenieren kann, bevor der Lernende aufgibt. Anhaltend niedrige Leistung trotz vieler Versuche ist ein anderes Signal als momentanes Zögern und erfordert eine Strategieänderung, nicht eine niedrigere Punktzahl.

5. Verwirrung, Langeweile und Frustration zeigen charakteristische Übergangsmuster. D’Mello & Graessers weithin zitierte Affekt‑Dynamik‑Arbeit fand, dass Langeweile der „klebrigste“ Zustand ist – schwer zu verlassen, sobald er eintritt – während Verwirrung ein Drehpunkt ist, der produktiv (Rückkehr zum Engagement) oder unproduktiv (Hinwendung zu Frustration, dann Langeweile) aufgelöst wird, je nachdem, ob die Umgebung sie unterstützt. Diese Zustände wurden aus Interaktionsmustern (Latenz, Fehler, Hilfesuchen) inferiert, nicht aus Sensoren. Das umsetzbare Ziel ist, die Langeweile/Frustrations‑Spirale frühzeitig über kurze aggregierte Belastungsfenster zu unterbrechen, nicht über Einzelflaggen.

6. PISA und NAEP behandeln Prozessdaten jetzt als Forschungsressource, mit echten Grenzen. NAEPs Prozess‑Daten‑Programm veröffentlicht zeitgestempelte Interaktionsaufzeichnungen – Zeit on‑Task, Navigations‑/Wiederholungs‑Zähler, Werkzeugnutzung, Aktionssequenzen – und lädt Forschende ein, eigene Verhaltensvariablen abzuleiten, anstatt feste Interpretationen zu behaupten [5], ein Hinweis darauf, wie unsicher die Interpretation roher Prozessdaten noch ist. PISAs Schnell‑Raten‑/RTE‑Programm (Ergebnis 2) ist das reifste angewandte Ergebnis dieser Forschungsrichtung.

7. Fluency und Automatisierung zeigen sich als Verteilungsform, nicht als Einzeldurchlauf‑Geschwindigkeit. Die kognitiv‑arithmetische Forschung behandelt Automatisierung als Verschiebung der gesamten Reaktionszeit‑Verteilung: schnell und wenig variabel (Abruf aus dem Gedächtnis) versus langsam und stark variabel (Zählen/abgeleitete Strategien), mit gelegentlichem langen rechten Schwanz selbst bei flüssigen Antwortenden. Fluency sollte niemals aus einem einzelnen Durchlauf bewertet werden: Nur ein stabiles Muster über viele Durchläufe unterscheidet „noch nicht automatisiert“ von „ein langsamer Tag“.

8. Keystroke‑Dynamics ist ausgereift – gebaut für Authentifizierung, nicht für Klassenzimmer‑Scoring. Das Feld standardisiert dwell time (Tastendruck‑Dauer) und flight time (Zeit zwischen Loslassen und nächstem Tastendruck) sowie Digraph‑Timing und Fehlkorrektur‑Muster, die für kontinuierliche Authentifizierung mit Vertrauens‑Schwellenwerten statt Pass/Fail verwendet werden [10]. Der Anwendungsbereich dient der Identifikation wer tippt; das Interesse von Math Challenge liegt näher bei wie ein bereits bekannter Lernender tippt – ein geringeres Risiko, übernimmt jedoch exakt das Feature‑Vokabular, das Regulierungsbehörden nutzen werden, um zu fragen „handelt es sich um biometrische Daten?“.

Ergebnisse — Teil 2: Wo das Datenschutzrecht die Grenze zieht

9. Unter der DSGVO werden biometrische Daten nur dann als „besondere Kategorie“ (Art. 9) verstärkt, wenn sie zur eindeutigen Identifizierung verwendet werden. Art. 4(14) definiert biometrische Daten als personenbezogene Daten, die aus technischer Verarbeitung physischer, physiologischer oder behavioural Merkmale entstehen und eine eindeutige Identifizierung ermöglichen; der Art. 9‑Trigger erfordert, dass der Identifizierungszweck ausdrücklich vorliegt [7][11]. Keystroke‑Dynamics erfüllt die Hälfte der Definition bezüglich Verhaltensmerkmale. Entscheidend ist der Zweck: Das Loggen von Latenz‑/Radier‑Zählern zur Anpassung der Schwierigkeit ist allein dadurch nicht als Verarbeitung besonderer Kategorien zu werten – das Fingerprinting welches Kind anhand des Rhythmus würde die Grenze sofort überschreiten. Der EU‑AI‑Act Art. 3(34) lässt die Identifikationsanforderung weg, sodass seine breiteren risikobasierten Regeln unabhängig von der Intent‑Absicht gelten können [11] – ein zweiter, unabhängiger Grund, jegliches pro‑Kind‑Rhythmus‑Profil zu vermeiden.

10. Kein bestätigter BIPA‑Fall behandelt Keystroke‑Dynamics direkt. Illinois’ BIPA nennt Fingerabdrücke, Retina‑/Iris‑Scans, Stimmabdrücke und Hand‑/Gesichtsgestalt als Kernbeispiele; seine umfangreiche Sammelklage‑Geschichte konzentrierte sich auf diese Modalitäten. Dies ist eine offene Rechtsfrage, kein gesichertes Urteil – ein Hinweis für die Rechtsberatung, nicht einfach anzunehmen.

11. Der DSA‑Artikel 28 verbietet profilbasierte Werbezielgruppen für Minderjährige und lehnt zugleich „mehr sammeln, um zu konformieren“ ab. Art. 28(2) untersagt Werbung, die auf Profilierung von Nutzern basiert, von denen bekannt ist, dass sie Minderjährige sind; Art. 28(1) verlangt „angemessene und verhältnismäßige Maßnahmen“ für Datenschutz/Sicherheit; Art. 28(3) stellt fest, dass keine Verpflichtung besteht, zusätzliche Daten zu verarbeiten, nur um zu prüfen, ob ein Nutzer minderjährig ist [6]. Für ein Produkt, das bereits für Kinder ab 4 Jahren deklariert ist, ist werbebasierte Profilierung kein Thema, doch das Prinzip „keine zusätzlichen Daten erheben, um das Alter zu beweisen“ lässt sich verallgemeinern: Sammle keinen Datentyp ausschließlich, um einen anderen zu rechtfertigen.

12. Das britische AADC setzt den konkretesten Standard: Profilierung standardmäßig aus, strenge Minimierung, keine Dark‑Patterns. Es fordert Dienste auf, „Profilierung … zu verhindern, es sei denn, sie ist strikt notwendig, und sie standardmäßig auszuschalten“, „nur das zu sammeln und zu behalten, was absolut nötig ist“, und „Dark‑Patterns … zu vermeiden, die Kinder dazu ermutigen, mehr zu teilen, als sie müssen“ [8]. Die ICO‑Leitlinien raten zudem dazu, die Profilierung von Kindern „wo immer möglich“ zu vermeiden, da Kinder „leichter beeinflusst werden können als Erwachsene“ [9]. Jede adaptive/scoring‑Nutzung von Verhaltenssignalen sollte eine enge, offengelegte Ausnahme zu einem standardmäßig ausgeschalteten Profilierungs‑Modus darstellen.

13. Datenminimierung für Telemetrie hat eine etablierte Form: on‑Device aggregieren, abgeleitete Merkmale speichern, Roh‑Streams verwerfen. Berechne ein kleines Set abgeleiteter, nicht umkehrbarer Merkmale on‑Device – Zeit bis zum ersten Tastendruck, Änderungen vor dem Absenden, answer‑changed (bool), Reaktionszeit‑z‑Score gegenüber dem eigenen Basiswert des Kindes – und übertrage nur diese. NAEPs eigenes Prozess‑Daten‑Programm veröffentlicht abgeleitete Aktions‑Sequenz‑Variablen, nicht das rohe Eingabegeräte‑Signal – ein Präzedenzfall für verantwortungsvolle Prozessdaten auf dem Stand der Kunst der Bewertungs‑Industrie [5].

Signal‑Katalogtabelle

Signal	Was es anzeigt	Wie es berechnet wird	Datenschutz‑Risiko	Roh‑ oder nur abgeleitet
Total response latency	Flüssigkeit, nur aggregiert (finding 7)	Render‑ vs. Absende‑Zeitstempel	Niedrig	Abgeleitet: z‑standardisiert gegenüber der eigenen Basislinie des Kindes
Time-to-first-keystroke	Abruf‑Latenz vs. „noch lesen“	Render‑ vs. erster Eingabe‑Zeitstempel	Niedrig	Nur abgeleitete Dauer
Rapid‑guess flag	Disengagement, per PISA RTE (finding 2)	Latenz vs. item‑kalibriertem Minimum [4]	Niedrig	Abgeleiteter Boolescher Wert
Answer changed before submit (count)	Meist Selbstkorrektur, netto‑positiv (finding 1)	Zählung der End‑Antwort‑Bearbeitungen	Niedrig	Abgeleitete Zählung, nicht Bearbeitungsinhalt
Erasure/backspace count	Schwach allein; vermischt Revision mit Angst	Zählung der Lösch‑Ereignisse	Mittel, wenn mit pro‑Taste‑Timing kombiniert	Nur abgeleitete Zählung — kein Timing pro Taste
Full keystroke timing (dwell/flight per key)	Das Keystroke‑Dynamics‑Feature‑Set (finding 8)	Pro‑Taste‑Press‑/Release‑Zeitstempel	Hoch — Definition für Verhaltens‑Biometrie gilt [11]	Rohdaten nie speichern; Aggregate berechnen, verwerfen
Help/hint requests in quick succession	Mögliches Help‑Abuse‑Gaming (finding 3), nur aggregiert	Zählung + Intervall pro Sitzung/Woche	Niedrig	Abgeleitete aggregierte Rate
Repeated attempts without mastery	Mögliches Wheel‑Spinning (finding 4) — Interventionssignal	Versuche vs. Modellerwartung	Niedrig	Abgeleitete Zählung
RT distribution shape, many trials same fact type	Wahres Flüssigkeits‑Signal (finding 7), nie Einzel‑Trial	Mittelwert + Varianz pro Fakten‑Familie	Niedrig	Abgeleitete Verteilungs‑Zusammenfassung
Quick low‑effort sequences across items	Aggregiertes Gaming‑Muster (finding 3)	Rollierendes Fenster über letzte N Items	Niedrig–Mittel, wenn langfristig gespeichert	Abgeleiteter rollierender Score, kurze Aufbewahrung
Navigation/revisit pattern	Engagement‑Signal, per NAEP (finding 6)	Zählung der Navigations‑Ereignisse	Niedrig	Abgeleitete Zählung

Designimplikationen

1. Latenz oder Lösch‑Zählung niemals direkt als Strafpunkt verwenden. Die Befunde 1 und 7 zeigen, dass langsame, korrigierte oder bearbeitete Antworten häufig das bessere kognitive Verhalten darstellen — Punkte für „zu lange gebraucht“ oder „Antwort geändert“ abzuziehen ist pädagogisch kontraproduktiv und widerspricht über 70+ Jahren Testforschung.
2. Der einzige vertretbare Einsatz einer harten Latenz‑Untergrenze ist ein Disengagement‑Filter, keine benotete Strafe. Nach dem PISA‑RTE‑Modell (finding 2) wird „zu schnell, um engagiert zu sein“ als binäre Untergrenze pro Aufgabentyp kalibriert — nicht als gleitende Skala, die bei Annäherung an normale Geschwindigkeit weiter bestraft.
3. Flüssigkeit aus vielen Durchgängen derselben Fakten‑Familie berechnen, niemals aus einem einzelnen Durchlauf. Automatisierung ist (niedriger Mittelwert UND niedrige Varianz) über wiederholte Expositionen (finding 7); ein einzelner langsamer, aber korrekter Versuch sollte niemals den Flüssigkeits‑Score senken, sondern nur zurückhalten, bis mehr Daten vorliegen.
4. „Antwort vor Absenden geändert“ als neutral‑bis‑positiv behandeln, nie als rotes Flag. Nur als Zählwert protokollieren (finding 1); falls es überhaupt in die Bewertung einfließt, sollte es Selbst‑Monitoring belohnen, nicht Punkte abziehen.
5. Gaming‑Erkennung nur für übergreifende Sitzungs‑Aggregationen reservieren, nie für Einzelevorfälle, und Schwellenwerte niemals in der UI offenlegen. Die eigene Warnung von Baker et al. (finding 3) lautet, dass ein sichtbarer, statischer Detektor erlernt wird; wenn er gebaut wird, sollte er einen Hinweis‑Modus auslösen, nicht eine Punktestrafe, und seine Schwellenwerte sollten periodisch überprüft werden.
6. „Stecken geblieben“ (Wheel‑Spinning), „disengaged“ (Gaming‑Muster) und „mastered“ (flüssig‑und‑schnell) als drei separate Zustände mit drei separaten Reaktionen behandeln, nicht als einen zusammengesetzten Verhaltens‑Score: stecken → Strategie ändern/eskalieren; disengaged → Anreize anpassen, nicht nur bestrafen; fluent → Schwierigkeitsgrad erhöhen.
7. Auf Ebene abgeleiteter Merkmale auf dem Gerät protokollieren, niemals rohe Interaktions‑Streams. Gemäß Befund 13 sollte dwell/flight‑Zeit‑pro‑Taste das Gerät nie verlassen oder über die einzelne Aggregations‑Berechnung hinaus persistieren; synchronisierte Daten beschränken sich auf Zählungen, Boolesche Werte und Verteilungs‑Zusammenfassungen.
8. Kein Modell bauen, das welches Kind anhand des Tipp‑Rhythmus identifiziert, selbst intern. Nach Befund 9 ist dies die klare Grenze, die eine mehrdeutige Verhaltens‑Biometrik‑Frage in eine eindeutige GDPR Art. 9‑Frage verwandelt — und das Produkt braucht diese Funktion nicht, da das Kind bereits über das Konto authentifiziert ist.
9. Standardmäßig alle verhaltens‑abgeleiteten Scoring‑/Profiling‑Funktionen deaktivieren, mit engen, offengelegten Ausnahmen, analog zur AADC‑Norm „Profiling‑off‑by‑default“ (finding 12) — die strengste anwendbare Regelung global einhalten, statt geographische Beschränkungen zu setzen.
10. Kurze Aufbewahrungsdauer für rohe Sitzungs‑Timing‑Logs festlegen, getrennt vom langlebigen Mastery/Fluency‑Modell — z. B. 30–90 Tage zur Berechnung rollierender Statistiken, danach nur der zusammengefasste Skill‑Score behalten. Diese Spanne ist ein Vorschlag für den Eigentümer, nicht eine zitierte Rechtsvorgabe.
11. Keine zusätzlichen Daten (strengere Altersprüfungen, Gerätesensoren) nur sammeln, um das Sammeln von Verhaltens‑Telemetry zu rechtfertigen, gemäß Befund 11, der das Argument „mehr sammeln, um zu konformieren“ zurückweist.
12. Jede adaptive Nutzung verhaltensbasierter Signale muss Eltern in einfacher Sprache erklärt werden — „Wir passen das Tempo der Aufgaben an, basierend darauf, wie schnell und sicher Sie antworten, nicht indem wir beobachten, wie Sie tippen“ — da die AADC‑Transparenz (finding 12) regelt, wie das System erklärt wird, nicht nur, was es sammelt.
13. Die genaue Liste der gesammelten abgeleiteten Merkmale in der eltern‑fokussierten Datenschutzerklärung veröffentlichen und jede Ergänzung einer neuen Datenschutz‑Prüfung unterziehen — Minimierung als Gate, nicht als einmalige Entscheidung.

Offene Fragen für den Projekt‑Owner

1. Soll sich Math Challenge verpflichten, rohe per‑Taste‑Timing‑Daten (dwell/flight‑Zeit) niemals zu persistieren, selbst vorübergehend auf einem Server, und alle Aggregate ausschließlich auf dem Gerät zu berechnen — damit die Keystroke‑Dynamics/‑Biometrik‑Frage vollständig ausgeschlossen wird?
2. Welches Aufbewahrungsfenster ist für Sitzungs‑Interaktions‑Logs akzeptabel, bevor sie zu pro‑Skill‑Aggregaten reduziert werden? Der 30–90‑Tage‑Bereich in Implikation 10 ist ein Vorschlag, keine rechtlich fundierte Anforderung.
3. Wird Math Challenge in naher Zukunft UK/EU‑Nutzer haben, sodass AADC/GDPR/DSA direkt bindend werden statt nur als globale Best‑Practice zu gelten?
4. Soll die Erkennung von Gaming‑Mustern (Implikationen 5–6) überhaupt in v1 ausgeliefert werden, da selbst validierte Detektoren von Baker et al. nicht ohne Retraining auf andere Problem‑Interface‑Typen übertragbar sind?
5. Soll die Formulierung „prüft eigene Arbeit“ bei Antwort‑Änderungen (Implikation 4) dem Kind als Ermutigung sichtbar sein, oder rein intern für das Scoring bleiben — dies beeinflusst sowohl UX als auch die AADC‑Transparenz‑Analyse.