Het verzamelen en analyseren van grote hoeveelheden data kan gepersonaliseerd leren helpen faciliteren. Dit wordt al in de praktijk gebracht, ook al zijn vele vragen op het gebied van eigenaarschap van data en betrouwbaarheid nog niet beantwoord.
Inside Higher Ed bericht zeer uitvoerig van de toepassing van adaptieve technologie bij de Arizona State University. Auteur Steve Kolowich spreekt van “data-driven teaching” waardoor docenten beschikken over “real-time intelligence” wat betreft de kennis van hun studenten.
Kolowich legt terecht het verband met de trend van ‘Big Data’. Door grotere hoeveelheden data te verzamelen en te analyseren, beschikken onderwijsinstellingen over veel rijkere informatie over hun lerenden. Daarmee zouden individuele, psychometrische profielen kunnen worden opgesteld waaruit blijkt wat lerenden weten en hoe zij leren.
De Arizona State University werkt hierin samen met e-learning provider Knewton, die veel hebben geïnvesteerd in software voor learning analytics. Studenten maken op grote schaal gebruik van de online cursussen van Knewton, bijvoorbeeld voor remediërende wiskunde cursussen. Daarbij valt ook op dat docenten de online cursussen wisselend inbedden binnen curricula. De slagingspercentages variëren sterk. Overall is sprake van een verbetering. Ondanks dat nadere analyses nog moeten worden uitgevoerd, is de universiteit ervan overtuigd dat deze manier van online leren werkt.
Steve Kolowich meldt ook dat Knewton samen werkt met Pearson (“the 800-pound gorilla of the educational content industry“). Daardoor heeft men de beschikking over data van 10 miljoen lerenden.
De software van Knewton maakt gebruik van een zogenaamde “kennis grafiek”. Dit is een kaart waarop relaties tussen verschillende concepten in beeld worden gebracht. Door middel van metatags voor digitale content wordt een gemeenschappelijke taal gecreëerd voor de beschrijving van de correlaties van de manieren waarop studenten concepten bestuderen. Op dit moment wordt miljoenen data per gebruiker per dag verwerkt. De psychometrische profielen, die worden samengesteld op basis van data-analyse, zijn op dit moment nog in ontwikkeling. Deze profielen worden getypeerd als:
a strategic blueprint of her brain, describing her relationship to every single concept in every Knewton-powered course she takes, along with a raft of insights on how she absorbs and retains different kinds of ideas.
Knewton en Pearson zijn zelfs benoemd tot “school officials” van de Arizona State University, zodat men een Amerikaanse privacywet niet overtreedt. Verder zijn er afspraken gemaakt over wat Knewton en Pearson met de data mogen doen. Knewton belooft bijvoorbeeld data nooit te verkopen. Toch zijn er criticasters die zich afvragen of dat in de praktijk ook zo zal werken. Persoonlijke data zijn immers het betaalmiddel van de informatieeconomie. Ook zullen werkgevers (aankomende) werknemers mogelijk onder druk zetten om hun profiel bekend te maken.
Het artikel staat ook stil bij de beperkingen van deze benadering. Er zijn natuurlijk kwantificeerbare variabelen, die van invloed zijn op hoe mensen leren. Maar er zijn ook variabelen die niet kwantificeerbaar zijn (zoals apathie of angst, of de reden waarom mensen willen leren). Daardoor is het wat mij betreft de vraag of de voorspellingen van deze learning analytics-software wel heel betrouwbaar zijn.
This content is published under the Attribution 3.0 Unported license.
Geef een reactie