Koken met adaptief leren, big data en learning analytics #oeb13

Vier heel verschillende presentaties besteden aandacht aan het verzamelen en interpreteren van data ten behoeve van adaptief leren. Eén van de lessen was dat de beschikbaarheid van ingrediënten iemand op zich niet tot een goede kok maken.

Jim Thompson van CogBooks gaf een algemene inleiding over adaptief leren. Hij deed dat aan de hand van het maken van Eggs Benedict. Bepaalde onderdelen van dat recept beheerst hij al. Een chefkok moet echter over veel meer vaardigheden beschikken.

Adaptieve leerplatforms richten zich volgens hem op:

  • Wat beheers je al?
  • Wat beheers je nog niet?
  • Het leren automatiseren van bepaalde vaardigheden.
  • Het bevorderen van onthouden.

Gepersonaliseerd leren zou tot betere resultaten moeten leiden, en tot beter en goedkoper onderwijs gaan leiden. Met name de corporate sector zal deze technologieën de komende jaren gaan omarmen. Data worden dan gebruikt om leren meer adaptief te maken.

Bij adaptieve technologie is sprake van het continu verzamelen van data (dus niet alleen een pre test), gericht op het leren, op basis van algoritmes die niet gebonden zijn aan specifieke onderwerpen, en gericht op het hele curriculum. Volgens Thompson richt adaptieve technologie zich op 'mastery leren' (steeds beter worden), waarbij vooral naar individuele leeractiviteiten en voorkennis wordt gekeken. Deze systemen zijn ook vaak specifiek gericht op herhaling van content.

 

Adaptieve technologie stelt lerenden in staat eigen leerpaden uit te stippelen. Dat betekent wel dat ontwikkelaars zicht moeten hebben op het hele curriculum. Tenslotte stipte Thompson enkele issues aan, bijvoorbeeld over eigenaarschap van profielen en het gebruik van open content binnen diverse systemen.

 

Perry Samson van de Universiteit van Michigan vertelde over zijn ervaringen als hoogleraar meteorologie. Hij gebruikt LectureTools onder meer om tal van vragen te stellen aan studenten, en om video's toe te voegen aan presentaties (en sommige onderdelen tijdelijk onzichtbaar maken). Ook kunnen studenten bij vragen verplicht worden om toe te lichten waarom ze een bepaald antwoord hebben gegeven.

Deze manier van werken vergroot de betrokkenheid van studenten bij hoorcolleges.

 

Vervolgens is Samson teksten van aantekeningen van studenten in een database via text mining gaan analyseren. Hij kijkt daarbij onder meer naar het gebruik van eTextbooks. De analyses geeft hij terug aan studenten. Daarbij kan hij ook connecties maken met formatieve toetsen en instructiemateriaal. Hij kan bijvoorbeeld ook zien welke pagina's studenten in een tekstboek hebben gemaakt. Als docent beschik je daarmee tal van data over leergedrag. Op basis daarvan kun je interventies plegen en persoonlijke feedback geven.

 

Michael Moore van Desire2Learn is vervolgens ingegaan op big data in het onderwijs. Big data geven volgens hem waardevol inzicht in het leergedrag. Big data verandert snel, heeft een hoog volume en ook nog eens erg divers van aard. Dankzij big data kun je patronen en trends herkennen. Moore gaf ook voorbeelden over het voorspelbare karakter van big data voor leerresultaten. Hij gelooft dat dit leidt tot gepersonaliseerd leren, en betere onderwijsprestaties (minder drop outs, hoger rendement in een kortere tijd). In Europese landen liggen de rendementscijfers overigens een stuk hoger dan in de Vs, zo benadrukte hij. En als een echte consultant presenteerde Moore een Analytics Capability Maturity Model, om vervolgens in te gaan op tools die Desire2Learn heeft voor het analyseren van gedrag. Hij ging ook in het initiatief van IBM dat Watson inzet om allerlei artikelen naar de bestrijding van kanker te analyseren en daar patronen in te erkennen.

 

Rick Van Sant van Blackboard benadrukte in de discussie wel de complexiteit van het interpreteren van data. Het gaat er volgens hem ook om die gegevens correct te interpreteren. Of zoals Samson het uitdrukte: “I can collect spices, but that does not mean that I can cook”.

 

Van Sant onderscheidde gedifferentieerd leren (gebeurt al langer, beperkte keuzemogelijkheden), gepersonaliseerd leren (gebaseerd op pre-assesment om een leerplan samen te stellen) en adaptief leren (op basis van analyse van patronen van al het leergedrag van lerenden). Als individuele docent ben je niet in staat om die data te verzamelen en te analyseren. Technologie maakt dat wel mogelijk. Die revolutie staat voor de deur. Waar het wel om gaat is het voorkomen van misbruik, bijvoorbeeld door grote leertechnologische bedrijven.


Er wordt gelukkig ook onafhankelijk onderzoek gedaan naar de effecten van learning analytics, adaptieve technologie en het gebruik van big data binnen het onderwijs. De Gates Foundation financiert dergelijk onderzoek. Samsom benadrukte dat studenten ook het recht moeten hebben om met een schone lei te beginnen. Big data moet er niet toe leiden dat dit niet mogelijk is. Big data moeten adaptief leren mogelijk maken, en geen belemmering vormen voor adaptief leren.

This content is published under the Attribution 3.0 Unported license.

Delen

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Deze site gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.