Persoonlijke leeromgevingen kunnen met recommender systemen cognitieve belasting reduceren (#in)

In First steps towards an integration of a Personal Learning Environment at university level gaan Martin Ebner, Sandra Schön, Behnam Taraghi, Hendrik Drachsler en Philip Tsang in op de uitdagingen van persoonlijke leeromgevingen binnen het hoger onderwijs.

Persoonlijke leeromgevingen (PLE), gebaseerd op mash up technologie, worden gezien als middel om het gebruik van diverse sociale media hanteerbaar te maken, studenten te helpen om te gaan met massa's informatie en cognitieve belasting te helpen reduceren. Deze leeromgevingen kunnen leren helpen personaliseren. De auteurs gebruiken de volgende definitie van een persoonlijke leeromgeving:

learning applications that enable learners to integrate and organize dispersed online information, resources and contacts, and furthermore allow for content and other elements developed in a PLE to be applied in other online environments (Schaffert & Kalz 2009).

In paragraaf 2.1 vatten zij de voor- en nadelen van een PLE ten opzichte van een leermanagement systeem (LMS) op een aantal aspecten samen. Zo stelt een PLE hoge eisen aan zelforganisatie van de student, en verlangt werken met een PLE dat de lerende goed informatie kan zoeken, vinden en gebruiken. De auteurs concluderen:

What is more, a shift in educational and learning culture is not only a precondition but also a consequence of actively supporting and implementing PLEs.

Een daadwerkelijke conceptuele verschuiving van LMS naar PLE hebben Ebner cs nog nergens waargenomen. De TU in Graz heeft wel een prototype ontwikkeld, op basis van zogenaamde widgets, dat in paragraaf 4 van dit paper wordt beschreven. Binnen de Open Universiteit is de de portal van OpenU gebaseerd op portlets die te vergelijken zijn met widgets.

PLE's kunnen ook massa's informatie ontsluiten als een lerende veel weblogs, social bookmarking feeds en tweets via widgets in zijn PLE ontsluit. De auteurs zien in recommender systeemtechnologie een mogelijke oplossing om vervolgens informatie te filteren. In hun laatste paragraaf onderscheiden zij vier typen systemen om aanbevelingen te doen:

  1. Studiepad recommender systemen. Op basis van bepaalde voorgedefinieerde studiepaden en feedback op cursussen krijgen studenten aanbevelingen om cursussen te volgen.
  2. Widget recommender systemen. Gebruikers krijgen vooral suggesties om bepaalde widgets in hun PLE te gebruiken, bijvoorbeeld op basis van de cursussen die zij volgen.
  3. Peer student recommender systemen.Op basis van bepaalde thema's krijgen studenten de kans zich aan te sluiten bij bepaalde interessegroepen. Ebner cs zien dit o.a. als volgt voor zich:

    Shared interests of students could be established by comparing their tag cloud, search terms and documents used in the past.

  4. Hybride recommender systemen. Hierbij gaat het in feite om een combinatie van bovenstaande systemen.

Een interessante ontwikkeling, die ook erg relevant is voor het OpenU-project waar ik me mee bezig houd.

This content is published under the Attribution 3.0 Unported license.

Delen

Geef een reactie

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