De invloed van big data op onderwijs en opleiden

Volgens Allan Smith is er sprake van zeven belangrijke trends op het gebied van opleiden en onderwijs, dankzij ontwikkelingen op het gebied van big data. Ik heb echter nogal wat aan te merken op deze bijdrage.

TrendsSmith schrijft dat we in toenemende mate gebruik maken van e-learning en dat big data daarbij een steeds belangrijkere rol speelt. Hij stelt dat experts verwachten dat de markt voor big data op het gebied van onderwijs en opleiden rond 2027 bijna 48 miljard dollar waard zal zijn. Merk op dat dit type voorspellingen al decennia worden gedaan, maar dat nauwelijks wordt gekeken of dergelijke voorspellingen ook uit komen.

De belangrijkste trends die mogelijk gemaakt worden door big data zijn volgens Smith:

Artificiële intelligentie (AI)

AI zal e-learning meer gepersonaliseerd maken. Leertechnologieën zoals leermanagementsystemen maken volgens Smith gebruik van AI om data over bekwaamheden, zwakke punten, voorkeuren en expertise van lerenden te verzamelen en analyseren. Deze leerplatforms gebruiken AI om op basis van data intelligente aanbevelingen te doen, en lerenden te ondersteunen bij het leren. Spraakgestuurde bots zullen worden gebruikt om het zoeken naar inhoud gemakkelijker te maken.

Immersieve technologieën

Hiertoe behoren virtual reality, augmented reality en extended reality. Deze technologieën worden ook gebruikt om onderwijs en opleiden krachtiger te maken, bijvoorbeeld door lerenden via VR in gevaarlijke situaties te laten oefenen. Allan Smith maakt echter niet duidelijk wat de invloed is van big data op deze technologieën. Uiteraard genereer je via deze immersieve technologieën ook data over hoe mensen de toepassingen gebruiken. Het wordt in deze bijdrage echter niet duidelijk wat met deze data gebeurt.

De metaverse

In feite gaat het hierbij om de volgende generatie internet waarin diverse nieuwe technologieën zoals virtual reality, AI en blockchain-technologie een belangrijke rol spelen. Lerenden en docenten zijn dan in staat te communiceren door middel van levensechte avatars in een digitaal universum. De metaverse faciliteert ook hands-on interacties waardoor lerenden het geleerde kunnen toepassen en mede daardoor beter leren. Ook nu besteedt Smith eigenlijk geen aandacht aan de bijdrage van big data hieraan. Hij merkt eveneens niet op dat dit nog een betrekkelijk prille ontwikkeling is.

Microlearning

Hapklare leerinhouden zijn gericht op het in korte tijd bestuderen van leerinhouden en op beter onthouden van leerinhouden. Microlearning is m.i. ook gericht op het direct kunnen toepassen van deze leerinhouden, met als doel betere werkprestaties te kunnen leveren. Allan Smith stelt dat microlearning inspeelt op een steeds kortere aandachtsspanne van lerenden. Daarnaast schijnen lerenden maar 24 minuten per week de tijd hebben om te wijden aan professionele ontwikkeling. Het eerste is echter niet bewezen, voor de tweede bewering levert Smith ook geen bewijs. Alweer gaat de auteur niet in op de relatie met big data. Die relatie kan er wel zijn als microlearning bijvoorbeeld rekening houdt met datgene wat een lerende al heeft geleerd.

Video-based learning

Video’s worden in toenemende mate gebruikt voor leren. Allen Smith stelt zelfs onder meer dat video’s de aandacht langer vasthouden en leiden tot betere leerresultaten. Interactieve video’s doorbreken bovendien de passiviteit van conventionele video’s, en zijn daarmee leerzamer. Bij die interactieve video’s speelt data juist een belangrijke rol, al geeft Smith dat weer niet expliciet aan. Je kunt bijvoorbeeld kijkgedrag van lerenden vergelijken en toetsen of lerenden de inhoud van fragmenten hebben begrepen. Op basis daarvan kun je automatisch interventies plegen, zoals het aanbieden van aanvullende informatie. Nota bene: je kunt volgens mij niet in het algemeen stellen dat video’s leerzamer zijn dan andere vormen van content, zoals Smith helaas doet. Dit is van diverse factoren afhankelijk zoals wat je moet leren en hoe een video is gemaakt.

Adaptief leren

Bij adaptief leren wordt de inhoud van leertrajecten aangepast op basis van het leergedrag van de lerende. Adaptief leren maakt volgens Smith gebruik van krachtige analyses, betrouwbare evaluaties en voorkennis toetsen. Lerenden kunnen daardoor meer in eigen tempo leren, waarbij meer rekening wordt gehouden met het niveau en de voorkennis van lerenden. Ook kan beter worden aangesloten bij leerbehoeften van lerenden. Bij adaptief leren wordt gebruik gemaakt van condities, data en acties (als lerende x…..dan….). Ontwikkelaars bouwen die adaptiviteit in. Artificiële intelligentie maakt adaptief leren dan ook slimmer en meer flexibel. Adaptieve leeromgevingen maken echter nog niet altijd gebruik van AI. Daarom is het apart benoemen van adaptief leren nog steeds relevant.

Mobiel leren

Je komt ‘mobiel leren’ nog maar weinig tegen in overzichten van trends. Allen Smith doet dat wel. Hij stelt dat mobiel leren lerenden in staat stelt leerinhoud tot zich te nemen waar en wanneer zij dat willen. E-learning zal volgens hem evolueren van mobiel-vriendelijk naar ‘mobile-first‘. Dat betekent bijvoorbeeld dat online content eerst voor smartphones zal worden gemaakt, en daarna aangepast zal worden voor desktops. De relatie met big data ontgaat mij.

Tot slot

Ik krijg de indruk dat Allen Smith het onderwerp ‘big data’ heeft gebruikt om belangrijke trends op het gebied van e-learning te beschrijven. Deze trends komen ook voor in mijn presentaties van trends, al maakt mobiel leren deel uit van ‘seamless learning’ en is de metaverse bij mij nog geen volwaardige trend, maar een ‘runner up’. De relatie tussen de door Smith beschreven trends en big data is allesbehalve duidelijk. Daarnaast beweert de auteur een aantal zaken die niet kloppen of niet bewezen zijn. Hij benadert de trends ook kritiekloos.

Uiteraard speelt big data een belangrijke maar ook niet altijd onomstreden rol bij e-learning. Big data vormt met name de brandstof voor learning analytics -een trend die ontbreekt in de besproken bijdrage-, adaptief leren en AI. Je kunt deze data echter ook verkeerd interpreteren en bijvoorbeeld correlaties behandelen als causaliteiten.

This content is published under the Attribution 3.0 Unported license.

Delen

Geef een antwoord

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

* Checkbox GDPR is verplicht

*

Ik ga akkoord

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