Zullen we stoppen met de term “data-driven” onderwijs?

In gesprekken en en artikelen over learning analytics en artificiële intelligentie (AI) valt regelmatig de term “data-driven” onderwijs. In deze bijdrage betoog ik waarom we volgens mij het beste maar kunnen stoppen met deze term te gebruiken.

data science
Foto: geralt, Pixabay

Bedrijven die zich bezig houden met learning analytics gebruiken regelmatig het begrip “data-driven” onderwijs. Je komt deze term ook vaak tegen in gesprekken met, bijvoorbeeld, informatiemanagers. Diverse artikelen en blogposts gaan ook over dit onderwijs. Met enige ironie adviseer ik je “data-driven education”, “data-driven onderwijs” of “data-driven opleiden” eens in te geven in je favoriete zoekmachine.

Michelle Knight laat zien dat er diverse definities bestaan van de term “data-driven”. Een nogal radicale definitie vind je op Wikipedia. Het bijvoeglijk naamwoord “data-driven” betekent dat vooruitgang in een activiteit wordt afgedwongen door gegevens, in plaats van door intuïtie of persoonlijke ervaring. Michelle Knight presenteert vergaande definities (“data powers digital transformation“), maar gebruikt zelf de volgende omschrijving: gegevens worden gebruikt om de besluitvorming en andere daarmee verband houdende activiteiten efficiënt, in real time, te ondersteunen.

Je kunt deze term m.i. ook niet los zien van de term “technology-driven”, waarmee een sterk sturende invloed van technologie op diverse activiteiten bedoeld wordt.

Learning analytics kun je definiëren als het meten, verzamelen, analyseren en rapporteren van data die door lerenden is gegenereerd en die je kunt gebruiken ter verbetering van het leren en de omgeving waarin het leren plaatsvindt (zie Knobbout, 2021). Het identificeren van patronen in gedrag is hierbij belangrijk. Je kijkt bijvoorbeeld niet alleen of lerenden opdrachten van deadlines halen -dat is een vorm van voortgang monitoren- maar je kijkt of lerenden het risico lopen voortijdig uit te vallen (dit wordt zichtbaar patronen in gedrag).

Op basis van gedragspatronen kun je dan interventies plegen. Dat gebeurt steeds vaker met behulp van AI. Daarbij kan een systeem intelligentie toepassen om zelfstandig problemen op te lossen. Deze systemen, zoals een leermanagementsysteem, hebben toegang tot data, herkennen patronen en nemen zelfstandig beslissingen. Dat kan ook gebeuren op basis van regels en commando’s (als…dan…). In dit laatste geval is eigenlijk geen sprake van AI. Bij een LMS kun je bijvoorbeeld automatisch een vriendelijk bericht sturen aan lerenden die al een tijdje geen activiteiten meer hebben uitgevoerd in het LMS. Dergelijke ‘nudges’ -subtiele gedragspsychologische motivatietechnieken zoals suggesties- kunnen een positief effect hebben. Met dit type toepassingen is dan ook niets mis.

Het is echter ook mogelijk om systemen meer vergaande beslissingen te laten nemen. Je kunt learning analytics bijvoorbeeld gebruiken voor het doen van voorspellingen, bijvoorbeeld over studiesucces, en zelfs voor het voorschrijven van acties. Het systeem bepaalt in dit laatste geval dan bijvoorbeeld of een lerende zich kan inschrijven voor een module of niet.

Met deze laatste twee toepassingen -voorspellende analytics en voorschrijvende analytics-  moet je ontzettend voorzichtig zijn als het gaat om onderwijs en opleiden. Er zijn bij leren, opleiden en onderwijs altijd verschillende factoren in het spel die bijvoorbeeld beïnvloeden waarom een lerende meer of minder actief is in een LMS. Het systeem verzamelt geen data over deze factoren (zoals persoonlijke omstandigheden). Verstrekkende interventies zouden op het gebied van onderwijs en opleiden daarom ook altijd genomen moeten worden door mensen en niet door machines. Volgens mij associëren veel betrokkenen bij onderwijs en opleiden voorspellende analytics en voorschrijvende analytics met “data-driven”.

Ik vrees dan ook dat de term “data-driven” bijdraagt aan een beeld waarbij het onderwijs zich laat sturen door data waarbij systemen zelfstandig vergaande maatregelen kunnen treffen, en waarbij onvoldoende rekening wordt gehouden met factoren waar we geen data van hebben. We spreken immers ook niet meer over “technologie-gedreven” onderwijs en opleiden.

Daarom heb ik een sterke voorkeur voor de term “data-informed” onderwijs (analoog aan “evidence-informed”). Je gebruikt analyses van patronen in data voor het nemen van besluiten. Daarbij heb je echter ook oog voor de mens achter de data.

 

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