Gepersonaliseerd leren heilige graal L&D en onderwijs?

Zowel op het gebied van Leren en Ontwikkelen (L&D) als binnen het onderwijs is al een hele tijd sprake van een toenemende belangstelling voor gepersonaliseerd leren. In onderstaande column in de nieuwsbrief van e-learning.nl (15 april 2019) stel ik dat ik die belangstelling en de verwachtingen begrijp. Maar ik zie ook beperkingen. We moeten voorkomen dat gepersonaliseerd leren straks moet worden bijgezet in het inmiddels omvangrijke museum van niet waargemaakte verwachtingen en loze beloftes.

Maart en april zijn typische conferentiemaanden. Ik neem in deze periode ook altijd met veel genoegen deel aan twee conferenties. In de eerste plaats de tweedaagse van het Consortium voor Innovatie. Doelgroep: middelbaar beroepsonderwijs. Op de tweede plaats de Next Learning waar voornamelijk L&D-professionals van bedrijven, overheid en zorginstellingen komen (en een beetje onderwijs).

Dit jaar is vallen vooral de ronkende titels van sessies over gepersonaliseerd leren op. Eén van de lastige zaken bij dit onderwerp, is een gebrek aan eenduidige definities. Maar laten we gepersonaliseerd leren eens beschrijven als het gebruik maken van de karakteristieken van lerenden om hen specifieke, relevante en adaptieve leerervaringen te bieden. Dat betekent bijvoorbeeld dat een digitale leeromgeving de inhoud van een leertraject aanpast aan gedrag dat een lerende laat zien (denk aan het maken van opdrachten of tests). Data (en het analyseren van data) en steeds vaker ook kunstmatige intelligentie (AI) spelen hierbij een belangrijke rol.

Dat klinkt natuurlijk mooi. Maar er zijn ook beperkingen aan gepersonaliseerd leren.

• De behaviorist B.F. Skinner heeft ooit GLIDER ontwikkeld, een soort doceermachine die werkte met positieve bekrachtiging. Deze machine is nooit breed toegepast. Mensen wilden geen les krijgen van machines. Uiteraard heeft de techniek sinds die tijd een enorme sprong gemaakt. Maar geldt dat ook voor de attitude van gebruikers? Veel mensen houden niet van eenzaam leren. Bovendien is bijvoorbeeld AI allesbehalve perfect. Er zijn veel voorbeelden bekend van vooroordelen. Als lerenden op basis van algoritmes, data en gedrag op een bepaalde manier worden geclassificeerd dan komen zij daar moeilijk van af. <
• Het is niet eenvoudig om kwalitatief goede instructies te maken en om vragen te maken die leiden tot betrouwbare en valide evaluaties van het leren. Je zult over heel veel content moeten beschikken om echt gedifferentieerde instructie te kunnen geven op basis van verschillende prestaties en interesses van lerenden. Je moet over heel veel data beschikken wil je patronen kunnen herkennen in leergedrag. Binnen zeer grote arbeidsorganisaties is dat rond bepaalde algemene thema’s het geval. Maar verzamelen we binnen een middelgroot bedrijf ook voldoende data hiervoor?
• Onderzoek naar gepersonaliseerd leren laat geen eenduidig positief beeld zien, zeker niet op langere termijn. Er zijn signalen dat deze manier van leren in bepaalde situaties positief kan werken. Maar er is ook nog veel niet duidelijk, zodat terughoudendheid geboden is.
• Succesverhalen zie je vooral terug op het gebied van taal, (medisch) rekenen en wiskunde. Maar bijvoorbeeld niet op het gebied van sociale- en communicatieve vaardigheden. Op verschillende terreinen ligt niet hard vast wat lerenden in welke volgorde moeten leren, is niet duidelijk hoe je dit moet meten en is online content nog niet voorhanden.
• Gepersonaliseerd leren richt zich vooral op het kwalificeren van lerenden. Het onderwijs heeft echter ook een functie op het gebied van socialisatie en persoonsvorming. Als het gaat om het leren op de werkplek spelen zaken als teamvorming, samenwerken en beroepsethiek ook een rol. Met andere woorden: de scope van gepersonaliseerd leren is beperkt.
• Gepersonaliseerd leren gaat sterk uit van het consumeren van leerinhouden. Dat blijkt ook uit vergelijkingen met Netflix. Er is sprake van interactie met content, maar niet van interactie met andere lerenden of met experts. Dat is een beperkte opvatting van leren. Bovendien is het samenstellen van een leertraject een veel complexere aangelegenheid dan het kiezen van een serie op basis van eerdere keuzes. De impact van een verkeerde keuze, is ook groter.
• Tijdens een sessie over gepersonaliseerd leren tijdens de Next Learning 2019 vroeg emeritus-hoogleraar Joseph Kessels zich af of de zelfregie van lerenden dankzij deze ontwikkeling niet wordt ingeperkt. Het systeem beslist immers over een vervolg. Ik vind dit een rake observatie.
• Gepersonaliseerd leren blijkt binnen het voortgezet onderwijs tot kansenongelijkheid te leiden. Deze programma’s blijken vooral ten gunste te komen van de beste leerlingen. Hoe zit dat binnen andere onderwijssoorten en arbeidsorganisaties?
• Er zijn programma’s die content pushen op basis van profielen. Daardoor loop je het risico alleen content gepresenteerd te krijgen die past bij jouw interesse en expertise. Word je nog wel verrast en nieuwsgierig gemaakt?
• Commerciële bedrijven zijn vaak allesbehalve transparant over hoe zij werken met algoritmes. Kunnen we erop vertrouwen dat commerciële partijen netjes omgaan met de data die lerenden produceren?
• Je kunt data gebruiken voor het beschrijven van leergedrag, voor het diagnosticeren, voor het doen van voorspellingen (lerenden met profiel X dreigen uit te vallen) of voor het voorschrijven (lerenden met profiel X vallen vaak uit en krijgen geen toegang tot vervolgopleiding B). Willen we vergaande beslissingen door een machine laten nemen?

Het onderwijs en de wereld van L&D kennen inmiddels een omvangrijk museum van niet waargemaakte verwachtingen en loze beloftes, als het gaat om leertechnologie en manieren van leren. Gepersonaliseerd leren loopt het risico een plek in dit museum te krijgen. Er zijn immers nogal wat haken en ogen en kanttekeningen bij gepersonaliseerd leren.

Betekent dit dat we deze toepassingen niet moeten gebruiken? Nee. We moeten ons wel realiseren dat de scope beperkt is, en dat we data vooral moeten gebruiken om het gesprek aan te gaan met lerenden over hun ontwikkeling. Daarnaast zal er meer onderzoek gedaan moeten worden naar de effecten (en niet alleen naar de gevolgen voor leerresultaten). Aanbieders van applicaties zouden meer transparant moeten zijn over de werking van hun systemen, en flink investeren in de kwaliteit van de toepassingen (inclusief het vermijden van bias). Het automatisch nemen van vergaande beslissingen rond leertrajecten zou zelfs verboden moeten worden.

Tijdens de twee door mij bezochte conferenties was er gelukkig sprake van een gezonde dosis nuchterheid ten aanzien van deze trend. Dat is in elk geval alvast een mooie start om teleurstellingen te voorkomen.

Bronnen:
https://en.wikipedia.org/wiki/Teaching_machine
https://www.te-learning.nl/blog/overwegingen-bij-gepersonaliseerd-leren/
https://www.te-learning.nl/blog/aannames-beloftes-en-valkuilen-van-adaptief-leren/
https://www.te-learning.nl/blog/gepersonaliseerd-leren-in-de-praktijk-voorbij-de-hype-nle2019/
https://www.te-learning.nl/blog/voorbeelden-van-niet-waargemaakte-verwachtingen-van-nieuwe-technologie-op-het-gebied-van-leren/