De andere betekenis van ‘deep learning’

Binnen het onderwijs, en op het gebied van leren en ontwikkelen, zou het vooral ook moeten gaan om ’deep learning’, en niet alleen om oppervlakkig leren. Dit begrip heeft echter ook een andere betekenis.

Pattern
Foto: geralt, pixabay

Bij “deep learning’ oftewel verdiepend leren ontwikkel je als lerende begrip van concepten, herken je patronen of verbanden binnen cq tussen verschillende feiten en gebeurtenissen, reflecteer je op je leerproces en pas je mentale modellen aan op basis van feedback op ervaringen (het zogenaamde ‘double loop learning” van Argyris en Schön). Hierbij gaat het om leeractiviteiten van een hogere orde dan het kunnen memoriseren en reproduceren van feiten.

Onlangs werd ik op het spoor gezet van een andere, maar ook weer verwante, betekenis van ‘deep learning’. Daarbij gaat het om een ontwikkeling binnen de computerwetenschappen die toch al weer heel wat jaren blijkt te bestaan. ‘Deep learning’ is dan een vorm van ‘machine learning’. Bij ‘machine learning’ leren computers op basis van bepaalde technieken en algoritmes. Bij ‘deep learning’ gaat het dan om het gebruik van grafische representaties van abstracties op een ‘hoger niveau’. Daarbij wordt gebruik gemaakt van meerdere lagen en niet-lineaire bewerkingen van data. Machine learning wordt dan als te oppervlakkig beschouwd.

Net als bij de cognitieve benadering van verdiepend leren, gaat het ook nu om het herkennen van patronen. Er is sprake van een verband met neurale netwerken en artificiële intelligentie. ‘Deep learning’ wordt dan gebruikt bij spraakherkenning, gezichtsherkenning of bij ‘recommender’ systemen. Verder kan deze systematiek worden gebruikt bij het geven van meer verdiepemde en specifieke feedback.

Meer, maar best wel complexe, informatie is te vinden via http://deeplearning.net/. Wikipedia heeft ook een uitgebreide pagina over deze benadering.

This content is published under the Attribution 3.0 Unported license.

Delen

4 reacties

  1. Een mooi onderwerp omdat het ook meer inzicht geeft in de mogelijk aanpak van e-learning.
    Door te beginnen met ‘Binnen het onderwijs, en op het gebied van leren en ontwikkelen, zou het vooral ook moeten gaan om ’deep learning’, en niet alleen om oppervlakkig leren’ wordt (stellig onbedoeld) een bepaalde verwachting gewekt die juist met betrekking tot e-learning verwarring kan veroorzaken. Voor heel veel onderwerpen die we aan de hand van een e-learningcursus aanbieden, gaat het immers nu juist NIET om het leren van concepten, het herkennen van patronen of verbanden en het reflecteren over die concepten. Als het gaat om onderwerpen als ‘hoeveel mag ik tillen’ of ‘voedselveiligheid’ gaat het veel eerder om het bijbrengen van regeltjes en het begrip memoriseren komt dan aardig dicht in de buurt in wat kennelijk de doelstelling is. Er zijn zelfs softwareprogramma’s zoals Drillster en WRTS die het memoriseren benadrukken. Het verschil tussen leren en informeren is bij die onderwerpen in feite ook niet zo groot. Reden waarom we bij SkillsTown nu veel aandacht besteden aan de zogenaamde essentials: mircrocursussen die korte samenvattingen geven en daarmee informeren over een bepaald onderwerp. Uiteraard kun je ook aan die hand van die samenvattingen ook leren maar deep learning is er dan totaal niet bij!
    Heel anders is de situatie als we volledige hbo- of wo-lijnen in de vorm van e-learning willen vormgeven. Bij dit soort opleidingen komt ‘deep learning’ als een van de hoofdkenmerken aan de orde. En dat betekent ook dat de vormgeving van dit soort cursussen veel meer moet aansluiten bij het aanzetten tot het ‘het leren van concepten’. Anders gezegd, naarmate de abstractie meer de boventoon gaat voeren, wordt de wijze waarop we content in e-learning verpakken anders. Het is in mijn ogen buitengewoon interessant om te weten hoe we juist bij e-learning de student tot deep learning kunnen aanzetten.

  2. En welke rol ‘deep learning’ als aspect van computerwetenschappen hierbij kan spelen.

  3. Het is aardig om in dit verband ook het researchproject ‘Jibo’ te noemen dat op het MIT plaatsvindt:
    https://www.jibo.com/

    Cynthia Breazeal, hoogleraar bij MIT die met het bouwen van de menselijke robot Jibo is begonnen, spreekt zelf van ‘deep expertise’ en in verschillende artikelen over Jibo treffen we ook het begrip ‘deep learning’ aan.
    En wie nog meer over de ontwikkelingen op MIT wil weten, kan starten met:
    http://cynthiabreazeal.media.mit.edu/

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.