Alphazed Analytics überwacht Lernerfolge

Wie Alphazeds Analytics-Lake Lernergebnisse verfolgt

Anders als die meisten EdTech-Apps, die Klicks und Bildschirmzeit nachverfolgen, verfolgt Alphazeds Analytics Lake tatsächliche Lernergebnisse: Verbesserung der Aussprachegenauigkeit im Laufe der Zeit, Übergänge in der Konzeptbeherrschung (Anfänger → Fortgeschrittene → Experte), Effektivität von Wiederholungsintervallen (reduzieren Wiederholungssitzungen das Vergessen?) und Fortschritt in der Bloom's Taxonomie. Diese Daten fördern Lehrplanverbesserungen und beweisen Eltern, dass ihre Kinder wirklich lernen und nicht nur spielen.

Drei-Ebenen-Analytik-Architektur

Ebene 1: Mobile Ereignisse (Echtzeit aus der App) Wenn ein Kind eine Übung abschließt, sendet die App ein Ereignis:

{
  "event_type": "attempt_complete",
  "concept_id": "letter_ba",
  "exercise_type": "select",
  "accuracy_score": 0.89,
  "attempt_number": 3,
  "session_id": "session_abc123",
  "timestamp": "2026-03-28T14:35:22Z",
  "is_correct": true,
  "response_time_ms": 2400
}

Ebene 2: Backend-Anreicherung (Kontext wird serverseitig hinzugefügt) Backend ergänzt mit Benutzereigenschaften:

{
  "...event...",
  "user_id": "user_456",
  "age_group": "5-7",
  "persona": "intermediate",
  "days_since_signup": 34,
  "total_practice_minutes": 487,
  "app_name": "amal",
  "device_type": "Android",
  "country": "US"
}

Ebene 3: Analytics Lake (Asynchron, SQL-abfragbar)

Backend sendet angereichertes Ereignis → SQS-Queue (Feuer-und-Vergessen)
    ↓ (wartet nicht auf Analytik)
    ↓ (Benutzererfahrung unverändert)
Kinesis Firehose (bündelt Ereignisse alle 5 Minuten oder 100 MB)
    ↓
S3 (partitioniert: s3://alphazed-analytics/amal/2026/03/28/events.parquet)
    ↓
AWS Glue (durchläuft S3 jede 1 Stunde und leitet das Schema ab)
    ↓
Athena (Presto SQL-Engine für Abfragen)
    ↓
Dashboard (Echtzeit-Eltern-Dashboard + interne Analytik)

Lernerfolg-Metriken, die wir verfolgen

Ereignistyp 1: Abschluss des Versuchs Wird ausgelöst, wenn ein Kind eine Übung abschließt.

SELECT
  user_id,
  concept_id,
  ROUND(AVG(accuracy_score), 2) as avg_accuracy,
  COUNT(*) as total_attempts,
  SUM(CASE WHEN is_correct THEN 1 ELSE 0 END) as correct_count,
  DATE(FROM_UNIXTIME(timestamp / 1000)) as date
FROM analytics_lake.attempt_complete
WHERE app_name = 'amal'
  AND concept_id = 'letter_ba'
GROUP BY user_id, concept_id, date
ORDER BY date DESC

Ergebnis: "Buchstabe ب: user_456 verbesserte sich von 72% Genauigkeit (Woche 1) auf 94% (Woche 3)"

Ereignistyp 2: Übergang in der Konzeptbeherrschung Wird ausgelöst, wenn ein Konzept das Beherrschungsniveau ändert (Anfänger → Fortgeschrittener).

{
  "event_type": "mastery_transition",
  "concept_id": "word_kitab",
  "from_level": "beginner",
  "to_level": "intermediate",
  "hlr_half_life_before": 4.0,
  "hlr_half_life_after": 8.0,
  "timestamp": "2026-03-20T10:15:00Z"
}

Das Tracking von Beherrschungsübergängen zeigt die Effektivität des Lehrplans:

• Wie viele Kinder erreichen pro Konzept das Fortgeschrittenen-Niveau?
• Durchschnittliche Zeit bis zum Erreichen des Fortgeschrittenen-Niveaus?
• Welche Konzepte sind Engpässe?

Ereignistyp 3: Wachstum der HLR-Halbwertszeit Während der Intervallwiederholung überwachen wir die Gedächtnisstärke:

SELECT
  user_id,
  concept_id,
  DATE(FROM_UNIXTIME(timestamp / 1000)) as date,
  MAX(hlr_half_life_hours) as max_half_life,
  COUNT(DISTINCT CASE WHEN is_correct THEN 1 END) as correct_reviews,
  COUNT(DISTINCT CASE WHEN NOT is_correct THEN 1 END) as incorrect_reviews
FROM analytics_lake.hlr_update
GROUP BY user_id, concept_id, date

Ergebnis: "Juz Amma Al-Ikhlas: user_789 erreichte eine 256-Stunden-Halbwertszeit (2-Wochen-Stabilität) nach 7 richtigen Überprüfungen"

Ereignistyp 4: Trends der Spracherkennung Genauigkeit Verbesserung der Aussprache im Laufe der Zeit:

SELECT
  user_id,
  DATE_TRUNC('week', FROM_UNIXTIME(timestamp / 1000)) as week,
  AVG(similarity_score) as avg_pronunciation_accuracy,
  APPROX_PERCENTILE(similarity_score, 0.5) as median_accuracy
FROM analytics_lake.speech_recognition_result
WHERE concept_type = 'letter'
GROUP BY user_id, week
ORDER BY week DESC

Ergebnis: "Die Aussprachgenauigkeit des Nutzers verbesserte sich um 18% über 8 Wochen konstanten Übens"

Ereignistyp 5: Bloom's Taxonomie-Fortschritt Überwachung der kognitiven Niveaufortschritte:

{
  "event_type": "blooms_level_completion",
  "concept_id": "word_kitab",
  "blooms_level_achieved": 4,
  "user_age_group": "5-7",
  "time_to_level_days": 14,
  "attempt_count": 47,
  "timestamp": "2026-03-25T16:45:00Z"
}

Verfolgung: Wie viele Kinder erreichen Bloom's Niveau 4 (Analysieren)? Im Durchschnitt, wie lange dauert es?

Wie dies Produktentscheidungen befeuert

Entscheidung 1: Neugestaltung eines Inhaltsbausteins

• Abfrage: "Welche Inhaltsbausteine haben >40% falsche Versuche?"
• Ergebnis: "Wortbildungsübung für Konsonantencluster hat eine Fehlerquote von 52%"
• Aktion: Inhaltsteam gestaltet die Übung neu (mehr Unterstützung, langsamerer Fortschritt)
• Validierung: Abfrage nach 2 Wochen erneut ausführen, Fehlerquote sollte auf <25% sinken

Entscheidung 2: Anpassung der Übungsmischung

• Abfrage: "Welche Übungstypen haben die höchste Beteiligung + Lernergebnis?"
• Ergebnis: Physikspiele haben 30% höhere Beteiligung, aber Physikspiele haben 15% höhere Genauigkeitsverbesserung
• Aktion: Erhöhung der Häufigkeit von Physikspielen in adaptiven Lektionen

Entscheidung 3: Identifizierung schwieriger Konzepte

• Abfrage: "Konzepte, bei denen >30% der Nutzer niemals das Fortgeschrittenen-Niveau erreichen?"
• Ergebnis: "Emphasis-Konsonanten (ص, ض, ط, ظ) sind durchgehend schwierig"
• Aktion: Erstellen von ergänzendem Inhalt (mehr Ausspracheübungen, langsamer fortschreiten)

Vergleich mit Wettbewerbern

Metrik	Duolingo	Amal/Thurayya
Verfolgt Klicks	✓ XP, Serie	✓ (aber sekundär)
Verfolgt Genauigkeit	✗	✓ Pro Konzept
Verfolgt Gedächtniszerfall	✗	✓ HLR-Halbwertszeit
Verfolgt Lernergebnisse	✗	✓ Beherrschungsübergänge
Verfolgt Aussprache	✗	✓ Sprachgenauigkeitstrends
Datengetriebene Produktentscheidungen	Fokus auf Beteiligung	Fokus auf Lernen

FAQ

F: Ist die Daten meines Kindes im Analytics Lake? A: Ja, anonymisiert. Wir verfolgen Lernmetriken (nicht personenbezogen). Sie können die Metriken Ihres Kindes im Eltern-Dashboard sehen; Forscher können keine individuellen Kindernamen sehen.

F: Wie lange werden Daten aufbewahrt? A: Live-Daten (vergangene 12 Monate): in Athena für Abfragen. Historische Daten: zu S3 für 7 Jahre archiviert (Compliance). Aufbewahrung ist pro Datentyp konfigurierbar.

F: Kann ich die Lernanalytik meines Kindes exportieren? A: Ja. Das Dashboard hat einen "Exportbericht"-Knopf, der ein PDF mit personalisierten Lernergebnissen für die letzten 3 Monate erstellt.