Onderzoekers van de Universiteit van Cambridge hebben machine learning gebruikt om clusters van leerproblemen te identificeren. Deze clusters kwamen niet overeen met eerdere diagnoses die de leerlingen hadden gekregen. Hierdoor kunnen leerlingen betere en meer gerichte ondersteuning krijgen. Ik heb echter nog twijfels bij deze aanpak.
De onderzoekers hebben data van 550 kinderen geanalyseerd. Daarbij ging het om kinderen met allerlei problemen, en niet alleen om leerlingen met een officiële diagnose (zoals ADHD, dyslexie of stoornis in het autistisch spectrum). In de praktijk blijkt dat individuele problemen specifieker zijn dan een diagnose suggereert.
De onderzoekers hebben veel cognitieve testgegevens van elk kind betrokken bij de analyse. Daartoe behoren testdata op het gebied van luistervaardigheid, redeneren, problemen oplossen, woordenschat en geheugen. Vervolgens heeft men daar een computer algoritme op los gelaten. Op basis hiervan werden vier clusters van leermoeilijkheden gedefinieerd.
Vervolgens zijn deze clusters met andere data in verband gebracht (zoals data over lezen en rekenen). Ook is gekeken naar biologische verschillen door naar MRI hersenscans van 184 kinderen te kijken.
De vier clusters waren:
- Problemen met het werkgeheugen.
- Problemen met het verwerken van geluiden in woorden. Deze kinderen hadden niet alleen moeite met lezen, maar ook met wiskunde. Volgens de onderzoekers was dat niet bekend.
- Brede cognitieve problemen op meerdere terreinen.
- Typische cognitieve testresultaten, gezien de leeftijd. Deze leerlingen bleken ook andere moeilijkheden te hebben die van invloed zijn op deelname aan onderwijs. Zoals gedragsproblemen, waar geen rekening mee gehouden was binnen dit onderzoek.
De onderzoekers hopen dat deze studie zicht biedt op de zeer verschillende redenen die leerlingen kunnen hebben terwijl zij met dezelfde problemen te maken hebben. Ook hopen zij dat daardoor meer passende interventies gepleegd kunnen worden.
Het is een nobel streven om meer kennis te ontwikkelen over problemen waar verschillende leerlingen mee worstelen.
Maar ik heb wel een aantal vragen bij deze benadering.
Artificiële intelligentie heeft namelijk pas echt waarde als je over zeer grote hoeveelheden data beschikt. Is data van 550 leerlingen wel voldoende om echt patronen te kunnen herkennen? Ook moet je zeer voorzichtig zijn met het doen van voorspellingen op bassi van deze analyses. Je kunt te maken krijgen met allerlei bias.
Ik vraag me verder af of bovenstaande clustering fijnmazig genoeg is om waarde toe te kunnen voegen aan reeds bestaande kennis over leerproblemen.
Tenslotte vraag ik me af of andere manieren van diagnostiseren niet dezelfde, wellicht zelfs meer specifieke, informatie over leer- en eventuele gedragsproblemen van leerlingen opleveren. Op basis waarvan je gerichte, individuele, interventies kunt toepassen.
Voor zover ik weet worden interventies niet louter opgesteld op basis van een diagnose. Er wordt meer uitgebreid naar het kind gekeken. Op basis daarvan wordt een ontwikkelings perspectief plan (OPP) opgesteld. En daarbij gaat het niet alleen om kinderen met een officiële diagnose.
Dit is bijvoorbeeld de kern van passend onderwijs. Niet eenvoudig en arbeidsintensief. Maar wel te doen als je dit zorgvuldig invoert, investeert in deskundigheid en de extra middelen die je hiervoor krijgt, ook hiervoor inzet.
This content is published under the Attribution 3.0 Unported license.
Geef een reactie