Levert big data wel voldoende op voor het onderwijs? #elearnmooc

Denny Carter van eCampus News vraagt zich naar aanleiding van de Educause 2013 af of de massale verzameling van data binnen het hoger onderwijs wel tot succes zal leiden. Verwachtingen spelen hierbij een belangrijke rol.

Binnen het onderwijs wordt heel veel educatieve data verzameld. Met behulp van learning analytics wordt dan geprobeerd patronen in die data te identificeren, zodat deze patronen terug gekoppeld kunnen worden naar lerenden en de organisatie om het leren en het onderwijs te verbeteren.

Big data
Foto: Infocus Technologies

In Is Big Data too ‘messy’ for higher education? vraagt Carter zich echter af of deze data niet te rommelig en vervuild zijn waardoor een slim algoritme en een set van variabelen niet tot bruikbare voorspellingen kunnen leiden. Studenten verwachten dat opleidingsinstituten op basis van learning anaytics a la Amazon richting geven aan studieroutes. De vraag is echter of dat mogelijk is.

Het is echter niet duidelijk welke data een verband hebben met studieprestaties. Je zou je daarbij volgens de auteur ook moeten focussen op een beperkte set aan data.

Het artikel waarschuwt dan ook voor te hoog gespannen verwachtingen ten aanzien van learning analytics. Ook zou het nog een tijd duren voordat resultaten worden geboekt.

Ik herken het beeld van de ‘rommelige’ data, en de complexiteit van het interpreteren van patronen. Tegelijkertijd vraag ik me af of ‘voorspellen’ de belangrijkste functie van learning analytics zou moeten zijn. Big data gebruiken voor reflectie op het leren, lijkt me al een mooie toepassing.

Daarbij zou je ook duidelijk voor ogen moeten hebben wat je wilt verzamelen en analyseren. Een duidelijke focus is noodzakelijk. Er is bijvoorbeeld al veel bekend over de oorzaken van studieuitval in het hoger onderwijs. Die factoren bieden input voor het bepalen van welke data je gaat verzamelen, analyseren en interpreteren.

This content is published under the Attribution 3.0 Unported license.

Delen

Een reactie

  1. Garbage in, garbage out is het oude adagium. ‘Big data’ zijn in potentie zeer machtig, maar de data moeten wel robuust zijn.In 1970 bleek studiepatroon (regelmaat in blokperiode en per week) gecombineerd met eindexamencijfers op de Technische universiteit in Eindhoven een zekere samenhang op te leveren met behalen van de propedeuse.Maar dat moest met veel handwerk op een tafelcomputer berekend worden, onderzoek doen was nog een tijdrovend ambacht.

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.