Ger Driesen (aNew Spring) verzorgde vandaag de learning track over gepersonaliseerd leren. De start bestond onder meer uit een verkenning en en uit praktijkcases. Dat deed Ger samen met een aantal marktpartijen.
Ger definieerde gepersonaliseerd leren als het gebruik maken van de karakteristieken van lerenden om hen specifieke, relevante en adaptieve ‘learning experiences’ te bieden. Data speelt hier een belangrijke rol bij. Leren gericht op één persoon, waarbij het leertraject zich aanpast aan de lerende (op basis van gedrag).
Volgens Ger past gepersonaliseerd leren in een bredere trend binnen onze maatschappij. Bedrijven proberen met producten en diensten ook meer in te spelen op individuele behoeften. Google presenteert gegevens op basis van jouw zoekhistorie. Netflix doet suggesties op basis van je kijkgedrag.
Mensen willen wel dat data op een verantwoorde manier gebruiken. Ze verwachten ook dat data gebruikt worden om relevante ‘experiences’ te bieden. Je bent teleurgesteld als een bedrijf data niet gebruikt om diensten te personaliseren. Gebruik als trainingsinstituut data.
Vervolgens schetste vervolgens dimensies van gepersonaliseerd leren:
- Vraag – aanbod. Adviseurs speelden hierbij vaak een belangrijke rol. LinkedIn adviseert belangstellenden nu op basis van profielen. Francois Walgering van Next Learning Valley illustreerde vervolgens hoe je met behulp van xAPI op een universele manier data over leren kunt opslaan. Daarmee kun je heel veel data binnen organisatie gebruiken voor het doen van aanbevelingen. xAPI doet dat via Actor-Verb-Object (Wilfred leest artikel X). Deze data wordt opgeslagen in een Learning Record Store. Met behulp van machine learning kunnen zelfs patronen herkend worden. Dashboards bieden inzicht in het gebruik, en kunnen ook weer tot acties leiden. Je kunt daarin bijvoorbeeld ook aangeven dat je een boek hebt bestudeerd. Performance-data kunnen ook in de toekomst gekoppeld worden aan de ontwikkeling van mensen. Dat vraagt wel om toestemming van een ondernemingsraad.
- Op basis van een test aan het begin van een leertraject. Op basis hiervan kun je een leertraject samenstellen. Bohn Stafleu Van Loghum gebruikt voor medisch rekenen een instaptoets. Verpleegkundigen moeten vaak uit hun hoofd doses rekenen, en willen sterk to the point leren. Na de instaptoets komt er een vervolg uit (theorie of via video). Verpleegkundigen krijgen dan alleen aangeboden wat ze niet beheersen. BSL heeft 600 vragen ingevoerd om het systeem adaptief te maken. Werkt dit ook ook bij sociale en communicatieve vaardigheden? Dat is heel lastig. Want je hebt een bepaalde context nodig om die vaardigheden te toetsen? Eén keer per week krijgen verpleegkundigen nu in de regel een memotrainer met vragen. Ger illustreerde ook dat adaptieve leerpaden kan leiden tot gemiddeld veel minder verlettijd en tot meer engagement bij lerenden.
- Via filters. Op basis van een filter krijg je content op basis van je voorkeuren gepresenteerd krijgen. Google Alerts doet dat bijvoorbeeld al. Je kunt je filter ook trainen op relevantie. Locatie adaptiviteit is daar ook een voorbeeld van (info op basis van waar jij bent)? QR-codes worden hier ook voor gebruikt. Bijvoorbeeld op een medisch apparaat.
De opleiding L&D van de HAN mist een overzicht dat handen en voeten geeft aan personalisering. Zij onderscheiden op dit moment personalisering op inhoud (wat te leren?), personalisering op basis van de moments of need (waartoe leren? soms een korte instructie, soms een verdiepend artikel), personalisering op basis van de learning blend (hoe leren? Wat is voor jou de beste ‘blend’? Dat kan ook zonder technologie. Waar gaat je voorkeur naar uit? ), personalisatie naar locatie (waar leren, ook met behulp van je middel), personalisatie in tempo (wanneer leren?), personaliseren in de mate waarin leren ook sociaal is (met wie leren?). Personaliseren naar ambities van personen, niveau (voorkennis) en tijdstip zijn ook nog varianten.
This content is published under the Attribution 3.0 Unported license.
Geef een reactie