Filter
ChatGPT Learning analytics: maatwerk in het onderwijs door meten
Het idee dat één ultiem curriculum kan leiden tot optimale leerresultaten voor alle leerlingen, is al lange tijd achterhaald. Docenten doen daarom hun uiterste best hun leerlingen te monitoren, te coachen en hun verschillende leerstijlen aan te spreken. Het internet puilt uit van de open leermiddelen die de leerlingen kunnen gebruiken voor verdere verdieping.
Learning analytics?
Aan de mogelijkheden van de docenten zit een grens, en de kwaliteit van online leermateriaal is niet gegarandeerd. Blijft het curriculum dan voor altijd confectie? Niet per se. De ontwikkelingen in data-analyse gaan razendsnel en kunnen ons een stapje dichter in de buurt van maatwerk brengen. Learning analytics is een vorm van data-analyse, waarbij automatisch gegenereerde gegevens over het studiegedrag van leerlingen gecombineerd en geanalyseerd worden. Hierdoor ontstaat een beeld van de studievoortgang van de leerlingen, komen de sterke en zwakke punten van de leerlingen boven tafel en kunnen voorspellingen worden gedaan over toekomstige prestaties. Doordat leerlingen zich steeds vaker in een digitale (leer)omgeving begeven, wordt het makkelijker om hun activiteiten gedetailleerd te registreren. Eenvoudige registraties, zoals de tijd die een leerling doorbrengt in een digitale leeromgeving of op relevant webforum (zie bijvoorbeeld het Australische SNAPP-project), zijn potentieel krachtige voorspellers van het studiesucces.
Voorbeeld van discussie forum posts en reacties in LMS (links) en SNAPP (rechts)
Bovendien kan de analyse van het studiegedrag teruggekoppeld worden aan de leerlingen zelf, die zo gepersonaliseerde feedback krijgen. De visualisatie van de data is hierbij een belangrijke factor. Inzichtelijk en aantrekkelijk gepresenteerde informatie leidt tot zelfreflectie, waar zowel leerlingen als docenten hun voordeel mee kunnen doen. Het SIGNALSproject is een aardig voorbeeld van een eenvoudig dashboard dat leerlingen en docenten informeert over studievoortgang op basis van tot nu toe behaalde resultaten in het betreffende vak, tijdsbesteding aan het vak en eerder behaalde resultaten.
Learning Analytics kan nog krachtiger worden als verschillende databronnen worden gecombineerd. De zich momenteel razendsnel ontwikkelende semantische technologie maakt het mogelijk om verschillende typen data uit verschillende digitale omgevingen en studievoortganginformatie te combineren tot betekenisvolle en zeer gedetailleerde leerlingprofielen. Zo ontstaat een beeld van de talenten en struikelblokken van individuele leerlingen, en kan tijdig en relatief eenvoudig bijgestuurd worden door de leerlingen en hun docenten.
Kans 1: Learning analytics & open leermiddelen
Door portals als Wikiwijs en initiatieven als MIT OpenCourseWare zijn open leermiddelen inmiddels breed beschikbaar. Door middel van learning analytics zijn in theorie de prestaties (en vooral de hiaten in kennis en kunde) van studenten te koppelen aan beschikbare open leermiddelen. Met andere woorden: als blijkt dat Suzanne met Engels nog steeds op niveau A2 zit terwijl B2 de norm is, kan vanuit de hoeveelheid beschikbare leermaterialen in theorie de juiste informatie worden gefilterd.
Learning analytics kan niet alleen de vraag kanaliseren, maar ook helpen bij het bepalen van de kwaliteit van digitale leermaterialen: iets dat nu nog vaak onduidelijk is. Door middel van learning analytics kan het gebruik van de open leermiddelen gekoppeld worden aan de studieresultaten van de leerlingen en kunnen de open leermiddelen beoordeeld worden. Bovendien kunnen succesvolle combinaties van leermiddelen geïdentificeerd worden. Nudging, oftewel computergegenereerde studietips gebaseerd op bekende gedragspatronen, zou hier een rol in kunnen spelen. Zo zou je kunnen komen tot leerpaden die gecrowdsourced zijn.
Door het kanaliseren van de vraag van de gebruiker en het mede bepalen van de kwaliteit van het open leermateriaal, kan het business model van open leermaterialen worden verbeterd, en daarmee de ontwikkeling ervan worden bevorderd.
Kans 2: Learning analytics & sociale netwerken
De beleveniswereld van Nederlandse jongeren is erg veranderd de laatste jaren, niet in de laatste plaats door de opkomst van (mobiele) communicatie via sociale netwerken. Het mooie van sociale netwerken is dat iedereen alleen informatie krijgt vanuit zijn of haar eigen netwerk, en daarmee een persoonlijke ervaring krijgt. Deze personalisering kan ook worden ingezet in het onderwijs en kan zelfs voor verbetering van de kwaliteit van het onderwijs zorgen.
Door in het onderwijs meer uit te gaan van de lerende, kan er een veel persoonlijkere vraag naar onderwijs ontstaan. De context van het individu en niet die van de educatieve instelling komt dan centraal te staan, waardoor er een synthese tussen formeel en informeel leren ontstaat. In het Engels wordt hier ook wel aan gerefereerd als ‘the class of 1’. Dit betekent dat de leerbehoefte van het individu centraal staat en het onderwijsaanbod hierop wordt aangepast. De leeromgeving moet dan ook flexibel zijn in termen van tijd, locatie, inhoud en inrichting van het leerproces.
Social media lijken bijna speciaal ontwikkeld om een dergelijke rol in leeromgevingen te spelen. Platforms als YouTube, Hyves, Facebook en Twitter kunnen een dynamische omgeving bieden waar de leerbehoefte en de specifieke context van de lerende centraal komt te staan. Iedere lerende heeft dan ook zijn of haar eigen leeromgeving, waar verschillende locaties zoals thuis, werk of virtuele platforms een rol in kunnen spelen. En zoals adverteerders al jaren weten: sociale netwerken bieden een schat aan informatie over individuele gebruikers en zijn dan ook bij uitstek geschikt voor learning analyticstoepassingen.
Kans 3: De rol van de open data community
Learning analytics is geen gesneden koek. Het combineren en interpreteren van data uit diverse bronnen en het maken van modellen op basis van de gevonden verbanden vraagt sterke technologische en analytische vaardigheden. Gelukkig beschikken wij in Nederland over een grote groep technologische experts die zich graag vastbijt in de analyse van beschikbare data. Een voorbeeld hiervan zijn open data-adepten, die op dit moment in groten getale hun tanden zetten in online beschikbaar gestelde open datasets van de overheid. Diverse nationale en regionale overheden hebben deze open data community ontdekt en stellen grote datasets beschikbaar aan initiatieven als Hack de Overheid, die de gegevens combineren en daarmee nieuwe diensten en inzichten mogelijk maken.
De open datagroeperingen, maar ook datamining communities (zoals de Educational Data Mining community) staan te springen om hun expertise in het onderwijs in te zetten. Zij kunnen geaggregeerde data over studenten en leerlingen analyseren, en op basis daarvan met inzichten komen die de kwaliteit van het onderwijs kunnen verbeteren.
Leren over learning analytics
Hoewel er al veel gespeculeerd wordt over de toepassing van learning analytics, is er nog niet veel praktijkervaring mee opgedaan. Er is behoefte aan onderzoek naar hoe learning analytics kan worden ingezet om de flexibilisering en kwaliteitsverbetering van curricula te faciliteren en de rol van open leermiddelen en sociale netwerken daarin te versterken en verbeteren. De praktijkervaring met learning analytics komt op dit moment voornamelijk uit de Verenigde Staten. Het is daarom de hoogste tijd om te verkennen wat learning analytics in Nederland kan betekenen. Kleinschalige experimenten zouden een bron van informatie kunnen bieden.
Correcte interpretatie
Learning analytics brengt een aantal aandachtspunten met zich mee, die zeker niet onderbelicht mogen blijven. Hoewel learning analytics bedoeld is als onderwijsondersteuning, moet ervoor gewaakt worden dat het niet simpelweg wordt ingezet als controlemechanisme. En omdat leren een brede activiteit is, die op allerlei manieren kan plaatsvinden, moet voorkomen worden dat er op basis van learning analytics te snelle conclusies worden getrokken. Het kan zomaar voorkomen dat learning analytics een onvolledig beeld geeft van het gedrag van een leerling. Een correcte interpretatie van de resultaten van learning analytics is essentieel. Dat zijn uitdagingen die onderwijskundigen en technische experts nog heel wat hoofdbrekens gaat kosten.
Ethiek & privacy
Daarnaast spelen ethische aspecten een belangrijke rol. Het verzamelen en combineren van gegevens over leerlingen brengt allerhande privacyvraagstukken met zich mee. Ook de juridische aspecten rondom het eigenaarschap van de data verdienen zorgvuldig onderzoek. Wanneer meer inzicht en ervaring met betrekking tot bovenstaande aspecten worden opgedaan, lijkt de tijd rijp om learning analytics breder uit te rollen.
Tot slot…
De ontwikkelingen die de voorwaarden scheppen voor learning analytics gaan in ieder geval hard; steeds meer leerprocessen vinden online plaats, de data worden vaker vastgelegd en geanalyseerd en de expertise en ervaring met data-analyse en datavisualisatie groeit snel. Tel hier bij op dat de roep om het meetbaar maken van de kwaliteit van het onderwijs en het bieden van onderwijs op maat steeds luider wordt en learning analytics lijkt een veelbelovende trend voor de toekomst te zijn. Verschillende organisaties, zoals TNO, SURF en Kennisnet, die zich richten op innovatie in het onderwijs, volgen deze ontwikkelingen op de voet en hebben al eerste stappen op het gebied van Learning analytics genomen. Ben je ook bezig met learning analytics of geprikkeld door dit artikel? We horen graag meer over je ideeën, activiteiten en vragen!
Over de auteurs
