Er zijn hoog gespannen verwachtingen van het gebruik van grote hoeveelheden data binnen het onderwijs. Door middel van algoritmes zou je die data kunnen analyseren, en omzetten in acties. Toch voelt het (nog) niet goed.
Steeds meer internettoepassingen maken gebruik van grote hoeveelheden data en algoritmes. Dat kan handig zijn. Je bouwt een profiel op en krijgt op basis daarvan aanbevelingen om bepaalde boeken of muziek te kopen. Binnen het onderwijs wordt ook meer gebruik gemaakt van big data. We spreken dan van ‘learning analytics’: het identificeren van patronen in educatieve data en het gebruik van die patronen om het leren te verbeteren (Drachsler, 2013).
Donald Clark heeft hooggespannen verwachtingen als het gaat om de rol die algoritmes kunnen spelen voor adaptief leren. Zonder algoritmes kun je bijvoorbeeld geen acties ondernemen op basis van patroonherkenning van massa’s data.
Clark stelt dat algoritmes niet letten op sociale factoren of de leerhistorie van lerenden. Ook zijn algoritmes nooit moe, geïiriteerd of ziek. Met uitzondering van de niet-tastbare vaardigheden van docenten, kunnen algoritmes ook veel sneller analyseren dan een menselijk brein kan.
Volgens Clark kunnen algoritmes ook bijdragen aan het personaliseren van leren (zoals leren in eigen tempo), en bijdragen aan de verbetering van het onderwijs. Daarbij geeft hij wel aan dat algoritmes ook nog op basis van ervaringen worden aangepast.
Ik heb hier toch wel moeite mee. Ik ben geen expert op het gebied van algoritmes, en reageer vanuit mijn ‘boerenverstand’ en gevoel.
Als je algoritmes m.i. namelijk gebruikt om leermaterialen of kant en klare cursussen te filteren, dan voorkom je vaak verrassingen. Terwijl die verrassingen juist erg leerzaam kunnen zijn (serendipity learning). Verder is leren een complex sociaal en cognitief proces waarbij je m.i. wel degelijk rekening moet houden met persoonlijke factoren, sociale factoren of de leerhistorie. Je moet inderdaad ‘bias’, waar Clark op doelt, voorkomen.
Maar je kunt leren niet los zien van de context waarbinnen een lerende leert. Anders leidt juist dat tot verkeerde interpretaties. Je moet altijd de mogelijkheid hebben om af te wijken van door algoritmes gebaande paden. Daarvoor is interactie met mensen nodig. ‘Learning analytics’ kunnen daar wel bij helpen.
Het valt me ook altijd op hoe snel bepaalde acties van invloed zijn op een algoritme. Op verzoek van mijn moeder heb ik ooit online gezocht naar portemonnees van het merk Guess. Vervolgens kreeg ik een tijd lang suggesties van Zalando en Wehkamp. Bepaald niet de winkels waar ik normaliter online bij ’shop’. En als ik bij Netflix een keer afwijk van mijn ‘normale’ kijkprofiel, krijg ik al snel films aanbevolen die mij meestal niet aanspreken.
Met andere woorden: hoe slim zijn algoritmes werkelijk? En hoe afhankelijk moeten we hiervan worden in het onderwijs?
This content is published under the Attribution 3.0 Unported license.
Geef een reactie