Geschreven door Wietse Meulendijks 

Robotica, machine learning, big data, algoritmes, artificial intelligence. Regelmatig lezen we over hoe deze technologieën beroepen doen veranderen of mogelijk zelfs laten verdwijnen. Ook in het (hoger) onderwijs hebben deze technologieën impact. Serge de Beer (Learning Tour) gaf op 25 juni de DLWO Masterclass “High Tech in het onderwijs,” waarbij deze ontwikkelingen aan bod kwamen. Mijn gedachten bij dit soort onderwerpen zijn tweestrijdig. Enerzijds denk ik “Robots zijn cool!” Serieuzer gezegd denkt de creatieve onderwijskundige in mij wat voor prachtige mogelijkheden deze ontwikkelingen bieden, denk bijvoorbeeld aan geautomatiseerd maatwerk voor de student. Anderzijds denkt de rationele onderwijskundige in mij dat High Tech de basis kan zijn voor foutieve beslissingen, met andere woorden: we moeten goed nadenken over hoe we High Tech inzetten.

Tijdens de masterclass kwam het onderwerp Learning Analytics uitgebreid aan bod. Een vaak gebruikte definitie van Learning Analytics van George Siemens (2013) luidt: “the measurement, collection, analysis, and reporting of data about learners and their contexts, for the purposes of understanding and optimizing learning and the environments in which it occurs.” Met hedendaagse digitale leeromgevingen verzamelen we steeds meer data, denk aan hoelang en hoe vaak is een student op de digitale leeromgeving en waarop en hoe vaak klikt de student op bepaalde knoppen. Dit soort data kan gebruikt worden om voorspellingen te doen. Bijvoorbeeld loopt deze student risico om uit te vallen omdat hij te weinig inlogt op de digitale leeromgeving? Als uit de learning analytics blijkt dat studenten die hun toets halen zich significant vaker bevinden op de leeromgeving dan studenten die hun toets niet halen lijkt dit nuttige informatie te zijn. Dit is echter niet zomaar waar. Studenten kunnen ook zonder in te loggen op de digitale leeromgevingen zichzelf overhoren met doordenkvragen (retrieval practice) of concepten koppelen aan concrete voorbeelden (concrete examples), beiden zijn bewezen effectieve leerstrategieën. Beide strategieën zijn vele malen effectiever dan het opnieuw lezen van een artikel of het nog een keer bekijken van een video op de digitale leeromgeving. Het is dus niet zomaar waar dat studenten die zich minder op een digitale leeromgeving bevinden meer risico lopen om uit te vallen. Voor hetzelfde geldt studeren ze even of zelfs langer en gebruiken ze effectiever leerstrategieën.

Zoals gezegd kunnen learning analytics gebruikt worden om te voorspellen. Maar om een juiste voorspellingen te doen, is het essentieel om te weten op basis van welke variabelen je een voorspelling doet. Met andere woorden, wil je learning analytics succesvol gebruiken, dan gebruik je een op theorie gebaseerd model. Je doet dus niet zomaar wat voorspellingen op basis van data die toevallig beschikbaar is. Een voorbeeld: Het is lastig om je sleutelbos te vinden in je tas als je ze op je bureau hebt laten liggen. Dit wil overigens niet zeggen dat ik tegen exploratief onderzoek ben, waarbij je opzoek gaat naar relaties. Maar het woord exploratief zegt het al; het is een verkenning. Op basis van een verkenning maak je geen belangrijke beslissingen. De daadwerkelijke samenhang moet immers nog onderzocht worden. Een andere veelgemaakte fout bij het gebruik van learning analytics is dat eruit wordt gegaan van causaliteit, terwijl er in werkelijkheid sprake is van een correlatie. Als A en B met elkaar samenhangen (correlatie) wil dat niet automatisch zeggen dat B het gevolg is van A (causaliteit).

Als we de uitdaging aangaan en rekening houden met bovenstaande punten dan kunnen learning analytics ons helpen in het voorspellen van wat er gebeurt, waar en waarom. We kunnen dan bijvoorbeeld bepalen wat een specifieke student op een specifiek moment nodig heeft en kunnen op basis daarvan de juiste interventies doen. Een manier waarop Serge de Beer dat probeert te doen is de Check & Learn Tool. Dit is een tool dat zich aanpast op omstandigheden en niveau. Tijdens de DLWO masterclass zijn we in kleine groepjes aan de slag gegaan om zelf een ontwerp te maken voor een zelf gekozen vaardigheid dat zich aan kan passen aan omstandigheden en niveau.

Naast de verscheidene High Tech ontwikkelingen die besproken werden, kwam er ook een ethische discussie op gang.  Wie is er bijvoorbeeld eigenaar van de data? Is dat de HAN, de docent of de student, of een combinatie? Mag je zomaar allerlei data verzamelen? Met de pas ingevoerde AVG krijgen die vragen op dit moment extra aandacht. Gezamenlijk kwamen we tijdens de masterclass tot de conclusie dat het nuttig is om die ethische discussie met elkaar te voeren en we zijn er ook zeker nog niet over uitgepraat.