Big data en learning analytics zijn niet pedagogisch neutraal

Het nemen van besluiten op basis van grote hoeveelheden data kent een lange historie, en heeft wortels in het Taylorisme. Vandaag de dag zie je dat deze data zonder pedagogisch-didactische inkadering worden geanalyseerd. Een gevaarlijke ontwikkeling, meent emeritus-hoogleraar Larry Cuban.

Big Data, Algorithms, and Professional Judgment in Reforming Schools (Part 1) van Larry Cuban stond al zo'n twee weken in Pocket te wachten (één van mijn favoriete apps waarmee je online artikelen en blogpost kunt opslaan om zelfs offline te lezen; heette voorheen Read it Later).

Cuban positioneert de ontwikkeling van 'big data' tegen de achtergrond van de 'scientific management'-beweging van een eeuw geleden. Geïnspireerd door mensen als Frederic Taylor wilden schoolbestuurders destijds dat de dagelijkse schoolpraktijk bepaald zou worden door het meten en analyseren van data. Er zou een efficiencyslag in het onderwijs mee gerealiseerd kunnen worden. Het onderwijs werd uitgedrukt in termen als 'producten' en 'resultaten', en er werd bijvoorbeeld gemeten wat duurder was: Engels of geschiedenis:

Academic experts hired by districts produced huge amounts of data in the 1920s and 1930s describing and analyzing every nook and cranny of buildings, how much time principals spent with students and parents, and what teachers did in daily lessons.

Volgens Cuban heeft de benadering van analytics, complexe algoritmes en datagedreven besluitvorming 'professionele oordeelsvorming' de afgrond ingeduwd. Hij vindt data belangrijk, maar ziet nu met lede ogen aan dat deze data los worden gezien van modellen en conceptuele raamwerken. Cijfers spreken echter niet voor zichzelf. Je moet ze interpreteren:

The use of those data to inform and make decisions require policymakers and practitioners to have models in their heads that capture the nature of schooling and teaching and learning. From these models and Big Data, algorithms–mathematical rules for making decisions– spill out. Schooling algorithms derived from these models often aim to eliminate wasteful procedures and reduce costs–recall the “cult of efficiency”–without compromising quality.

Ik wil zeker niet zo ver gaan om iedereen, die zich bezighoudt met learning analytics, van Taylorisme te beschuldigen. Sterker: we beschikken m.i. nu dankzij nieuwe technologie over rijkere data, en betere analysemogelijkheden die kwalitatief betere informatie kunnen opleveren (ook voor lerenden zelf).

Toch heeft Cuban een punt. Binnen de Global Educational Reform Movement wordt bijvoorbeeld veel nadruk gelegd op het meten en analyseren. Met een doorgeslagen standaardisering tot gevolg. Data (en de analyse ervan) zijn niet pedagogisch-didactisch neutraal. Zij moeten gerelateerd worden aan pedagogisch-didactische uitgangspunten. Daarnaast hebben we naast kwantitatieve methoden, ook kwalitatieve manieren van reviewen nodig. Juist professionele oordeelsvorming kan betekenis geven aan data.

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.