Gebruik data om lerenden beter te ondersteunen

Onderwijsinstellingen en opleidingsinstituten beschikken over grote hoeveelheden data van hun lerenden. Daarbij gaat het niet alleen om cijfers, maar ook over aanwezigheidsgegevens, tal van activiteiten in diverse systemen, enzovoorts. Volgens Elliot Howells kunnen onderwijsinstellingen lerenden in elke fase van de levenscyclus als lerende een meer gepersonaliseerde ervaring bieden, en hen beter ondersteunen en begeleiden.

Howells stelt dat organisaties in allerlei sectoren data gebruiken om op een persoonlijker niveau met hun klanten in contact te komen. Denk aan de suggesties die Spotify en Netflix doen op basis van je luister- en kijkgedrag. Lerenden zijn hieraan gewend en verwachten volgens de auteur een vergelijkbare ervaring binnen onderwijs en opleidingen.

Instellingen moeten volgens hem dan vier acties ondernemen om meer uit data te halen:

  1. Breng data onder in één uniform platform voor data. Dit wordt ook weleens een ‘data lake‘ genoemd. Hiermee voorkom je dat data in ‘silo’s’ worden opgeslagen. Je koppelt verschillende systemen, zoals een toetsapplicatie, studentinformatiesysteem en LMS, dan aan het uniforme dataplatform. Vervolgens kun je daar diverse analyse tools op aansluiten.
  2. Je hebt data-intelligentie nodig om data om te zetten in bruikbare inzichten. Instellingen kunnen nieuwe, bruikbare inzichten ontdekken door voorheen ongelijksoortige datapunten te correleren en te analyseren met behulp van geavanceerde analyses, machine learning en kunstmatige intelligentie. Hierdoor kun je proactief vast stellen wanneer lerenden risico lopen. Vervolgens kun je acties ondernemen om deze risico’s tegen te gaan.
  3. Het is belangrijk dat alle betrokkenen op intelligente wijze toegang hebben tot de benodigde institutionele gegevens. Beveiliging en privacy zijn op dit gebied van groot belang. Je moet onder meer vastleggen wie toegang nodig heeft tot welke gegevens, wanneer en waarom. Rolgebaseerd identiteitsbeheer is hierbij onder meer van belang.
  4. Ontwikkel een datagestuurde cultuur. Daarmee bevorder je dat betrokkenen binnen de organisatie kennis delen, vaardigheden op het gebied van data ontwikkelen en gegevens  gebruiken in hun dagelijkse werk. Deze verandering vraagt dus het nodige van professionalisering, en het aanpassen van bepaalde processen en taken. Medewerkers moeten ook tijd en gelegenheid hebben om deze data te gebruiken.

Elliot Howells stelt dat de ervaringen van alle lerenden een hele ‘levenscyclus’ omvatten. Het begint bij werving en toelating, en eindigt als ze alumni zijn.  De auteur pleit voor een holistische benadering, zodat lerenden ervaringen kunnen hebben die meer zijn toegespitst op hun eigen situatie.  De bijdrage bevat enkele voorbeelden van onderwijsinstellingen die deze benadering toepassen, zoals:

  • Een ‘Student Success Office (SSO)’ van de universiteit van Waterloo gebruikte gegevens uit studentenvragenlijsten om interactieve dashboards te maken die laten zien hoe betrokken studenten zijn bij hun cursussen. Deze dashboards geven inzicht in de factoren die de betrokkenheid van studenten bepalen, zoals motivatie, succesverwachtingen en angst voor tekst.
  • De Northumbria University heeft een AI-gestuurd portaal gebruikt dat de toegang tot verschillende bronnen op de campus verenigt. Studenten kunnen één verzoek naar het portal sturen. Vervolgens ontvangen zij aanbevelingen voor diensten, bronnen en informatie van verschillende onderdelen, op basis van eerdere zoekopdrachten van de student en die van de bredere studentenpopulatie. Hierdoor kunnen medewerkers zich ook meer focussen op kritische en niet-routinematige werkzaamheden.

Bij de Nederlandse Open Universiteit hebben we het afgelopen jaar geëxperimenteerd met een ‘data lake’. In eerste instantie hebben we daar alleen de digitale leeromgeving yOUlearn op aangesloten. Vervolgens hebben we ook een learning analytics-monitor van Q-sense aangesloten op dit data lake. Daarmee hebben we een pilot van beperkte omvang uitgevoerd, waarbij we onder meer inlevergedrag en betrokkenheid van lerenden hebben gemonitord. Op dit moment is een vervolgproject in ontwikkeling.

Door data op deze manier te gebruiken, kun je lerenden gerichter benaderen. Bijvoorbeeld als je op basis van de data vermoed dat zij het risico lopen voortijdig uit te vallen. Uiteraard is het belangrijk dat je daadwerkelijk meet wat je wilt meten en dat de verzamelde data. De data moet relevant zijn voor wat je wilt meten. Wees je er ook van bewust dat je nooit echt een compleet holistisch beeld hebt van lerenden. Een groot deel van hun activiteiten vindt plaats buiten het (digitale) gezichtsveld van de instelling. Ook beschik je niet altijd over informatie over hun context: je weet niet welke omstandigheden van invloed zijn op studiegedrag.

Tenslotte is het inderdaad belangrijk om acties te koppelen aan analyses. De effectiviteit van deze acties hangt volgens mij sterk af van de aard van de actie: is de actie passend, gezien de context? Wat is de toonzetting van de actie? Is de actie echt ondersteunend of meer veroordelend?

This content is published under the Attribution 3.0 Unported license.

Delen

2 reacties

  1. Mooie bijdrage weer. Dank daarvoor. Wat volgens mij ook belangrijk is dat er binnen Nederland (liever nog Europa) afspraken worden gemaakt tussen onderwijsinstellingen over een gestandaardiseerd datamodel (bijvoorbeeld OOAPI van SURF voor onderwijscontext) en xAPI/Calliper voor leeractiviteiten. Dit is in meerdere opzichten interessant/noodzakelijk, niet alleen om mobiliteit tussen instellingen van lerenden ikv bijvoorbeeld Leven Lang Leren te verbeteren, maar ook om leveranciers te committeren aan standaarden zodat risico’s van vendor lockin geminimaliseerd worden. Hoe zie jij dat na jullie experimenten bij de OU voor je?

  2. Afspraken over standaarden nakomen is zeker belangrijk.

Geef een antwoord

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

* Checkbox GDPR is verplicht

*

Ik ga akkoord