TY - THES A1 - Bültemann, Marlene T1 - Sustainable Learning Analytics: Measuring and Understanding the Drivers of Energy Consumption of AI in Education N2 - AIED (AIED) is used increasingly to achieve higher learning outcomes through adaptive personalized learning paths. However, its environmental impact has been disregarded thus far. In this thesis, local energy and resources consumption of the prediction in four AIED models are measured using two different measurement approaches. The results suggest that boolean or mathematically explainable models such as decision tree and logistic regression have a low energy demand. On the other hand, in models that use a complex optimization process or have mulitple interconnected layers like support vector machine (SVM) or multilayer perceptron (MLP), the resource demand rises significantly. A decision tree model is recommended as the model of choice to deploy on the learning platform as it reveals the lowest emissions in both measurements and shows high performance prediction values. The thesis concludes with recommendations for AIED developers and policy ecommendations and pledges for higher attention on the environmental impact of AIED. N2 - Der Anteil von Anwendungen künstlicher Intelligenz in der Bildung nimmt stetig zu, da durch personalisiertes und adaptives Lernen bessere Lernergebnisse erreicht werden können. Jedoch wurden die Umweltauswirkungen bisher nicht berücksichtigt. Im Rahmen dieser Arbeit werden der lokale Energie- und Ressourcenverbrauch von vier Modellen von künstlicher Intelligenz in der Bildung gemessen durch die Verwendung von zwei unterschiedlichen Messverfahren. Die Ergebnisse implizieren, dass boolesche oder mathematisch erklärbare Modelle wie ein Decision Tree oder Logistische Regression einen geringeren Energiebedarf haben. Modelle mit einem komplexen Optimierungsprozess wie SVM oder mehreren vernetzten Schichten wie ein MLP hingegen verbrauchen signifikant mehr Energie. Im Ergebnis wird das Decision Tree Modell für die Implementierung auf der Plattform empfohlen, da es das ressourceneffizienteste Modell ist und hohe Vorhersage-Werte aufweist. Die Thesis schließt mit Empfehlungen für Entwickler:innen sowie Richtlinien und plädiert für eine höhere Aufmerksamkeit für die Umweltauswirkungen von künstlicher Intelligenz in der Bildung. T3 - Abschlussarbeiten 2023 - 88 KW - Green IT KW - Artificial Intelligence in Education KW - Artificial Intelligence KW - Sustainable Artificial Intelligence Y1 - ER -