Hoe machine learning onderwijs en opleiden kan helpen verbeteren

Machine learning is een vorm van artificiële intelligentie (AI). Bij machine learning hebben machines toegang tot data, herkennen zij patronen en nemen zij zelfstandig beslissingen (en niet meer op basis van regels en commando’s). Machine learning heeft volgens mij potentie voor onderwijs en opleiden. Maar zoals altijd bij technologie, moet je ook beducht zijn voor risico’s.

Matthew Lynch gelooft wel heel erg in de goedheid van nieuwe technologie. Hij beschrijft in een notendop acht manieren waarop machine learning onderwijs en opleiden kan verbeteren. Lynch heeft weinig oog voor risico’s. Vandaar dat ik er opmerkingen bij plaats.

Nota bene: veel voorbeelden van Lynch hebben volgens mij met AI in het algemeen te maken, en minder met machine learning.

a) Ondersteunen van docenten

Volgens Lynch is machine learning is in wezen datamining. Docenten hebben op één plek toegang tot alle gegevens van hun lerenden. De administratieve last van docenten kan hierdoor verminderen, en docenten krijgen feedback waarmee zij beter kunnen identificeren waar lerenden mee worstelen en hoe zij hun onderwijs kunnen verbeteren.
Mijn opmerking: wat mij betreft is dit één van de belangrijkste redenen om artificiële intelligentie te omarmen. Uiteraard heeft nieuwe technologie een lange historie van niet nagekomen beloftes. Toch zijn er al cases van instellingen waar docenten goede terugkoppeling krijgen op hun onderwijs. Ik mis bij deze manier ook het voorbeeld van chatbots die in staat zijn routinematige vragen automatisch te beantwoorden. Docenten kunnen zich dan focussen op specifieke vragen.

b) Voorspel de prestaties van lerenden

Dankzij machine learning kun je de prestaties van lerenden voorspellen. Je leert lerenden beter kennen, en je kunt op basis van verbeterpunten bijvoorbeeld aanvullende oefeningen geven.
Mijn opmerking: hier moet je dus heel erg mee oppassen! Beschikken we over voldoende kwalitatieve data om goede voorspellingen te doen en aanbevelingen te geven? Is de technologie al zover? Er zijn voorbeelden waarbij dit leidt tot ‘selffulfilling prophecies’ of erger.

c) Studenten toetsen

Dankzij machine learning kun je stoppen met gestandaardiseerde tests. Dankzij deze technologie krijgen docenten, lerenden (en eventueel de ouders) voortdurend feedback over hoe de lerende leert, en welke ondersteuning de lerende nodig heeft.
Mijn opmerking: dit is inderdaad de tweede belangrijke reden om machine learning te omarmen. De meeste leertechnologie is echter nog niet op deze manier doorontwikkeld.

d) Studenten eerlijk beoordelen

Dankzij machine learning kun je volgens Lynch menselijke vooroordelen bij het beoordelen van lerenden verwijderen. Computers kunnen niet alleen multiple choice vragen nakijken, maar ook open vragen en essays (tekst analyses).
Mijn opmerking: applicaties zullen in toenemende mate in staat zijn teksten van lerenden te analyseren en beoordelen. Daarbij moeten we ons wel realiseren dat technologie ook menselijke vooroordelen kan bevatten. Dat blijkt bijvoorbeeld bij de toepassing van AI door justitie in de VS.
Op dit gebied zijn er ook verwachtingen van het beoordelen op basis van profielen. Jij vertoont hetzelfde studiegedrag (voor zover gelogd) als studenten die later succesvol blijken te zijn. In dat geval hoef je je niet apart te bewijzen. Dit beoordelen op basis van profielen is ook nog onvoldoende doorontwikkeld. Er is nog onvoldoende bekend over betrouwbaarheid en validiteit.

e) Maatwerk leren mogelijk maken

Lynch doelt hierbij uiteraard op adaptief leren waarmee je individuele leerpaden kunt uitstippelen.
Mijn opmerking: heb ik niet al eens eerder geblogd over de beperkingen van adaptief leren?

f) Organiseer content meer effectief

Door zwakke punten van lerenden te identificeren, organiseert machine learning de leerinhoud effectiever.
Mijn opmerking: volgens mij is dit hetzelfde als adaptief leren. Heb ik niet al eens eerder geblogd over de beperkingen van adaptief leren?

g) Verbeter de retentie

Daarmee doelt Matthew Lynch eigenlijk op het voorkomen van uitval (‘retention rate’ meet eigenlijk hoe lang een gebruiker op een website blijft). Dankzij machine learning ben je beter in staat ‘risicogroepen’ te identificeren. Vervolgens kun je noodzakelijke interventies plegen om die lerenden binnen boord te houden.
Mijn opmerking: eigenlijk is dat een specificatie van wat de auteur eerder schreef over het analyseren en gebruiken van data.

h) Lerenden en docenten groeperen

Nieuwe technologie stelt je in staat is lerenden en docenten te groeperen. Bijvoorbeeld op basis van hun behoeften en beschikbaarheid.
Mijn opmerking: dat klopt. Maar hoe vaak wil je dit vervolgens handmatig corrigeren omdat je niet alle factoren in het systeem mee hebt genomen, op basis waarvan je groepeert?

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.