Data gebruiken om effectief leren te voorspellen en te versterken

Learning analytics wordt vaak gebruikt voor het analyseren van leergedrag, en voor het verkrijgen van meer en betere informatie over de leerprocessen en leeruitkomsten. De analyses kunnen worden gebruikt om leren, opleiden en onderwijs te verbeteren. Volgens Marialena Kanaki kun je echter met predictive analytics -voorspellende analyses- nog een stap verdergaan. Door slim gebruik te maken van geavanceerde data-analyses, kun je volgens haar trends voorspellen voordat ze zich voordoen. Belangrijk voor het personaliseren en effectiever maken van leren, opleiden en onderwijs, meent zij.

Kanaki kiest Learning and Development (L&D) als invalshoek. Volgens haar is bij ‘predictive analytics‘ sprake van het intensief bestuderen van data die helpt om opleidingsbehoeften te voorspellen. Hiermee kun je voorspellen wat er nodig is en kun je leertrajecten aanpassen ten behoeve van de meest boeiende leerervaring. Deze aanpak is dankzij nieuwe technologieën toegankelijker geworden voor L&D.

Oorspronkelijk richtten trainingen zich op voltooiingspercentages en het checken van basiskennis. Dit bood echter een beperkt zicht op de leerervaring. Met de opkomst van leermanagement systemen werden meer metrics in realtime gevolgd, zoals de tijd besteed aan modules en hiaten op het gebied van kennis. Dit bood waardevolle inzichten, al ontbrak volgens de auteur een vooruitziende blik. Dankzij geavanceerde analytische tools en AI kunnen nu enorme hoeveelheden data worden geanalyseerd, waardoor trends kunnen worden geïdentificeerd om onder meer leerbehoeften en belemmeringen te voorspellen.

Marialena Kanaki typeert voorspellende analyses als een “game-changer” voor L&D. Het maakt gebruik van historische data, demografische gegevens van lerenden, eerdere prestaties en externe factoren om leer- en ontwikkelingsbehoeften te voorspellen. Dit helpt om leren te personaliseren en L&D-professionals in staat te stellen in te spelen op de diverse behoeften van elke werknemer.

In haar bijdragen onderscheidt zij de volgende voordelen van deze benadering:

1. Op maat ontwikkelde leerervaringen. Door op leerbehoeften te anticiperen, kun je de leerreis personaliseren.
2. Beter cursusontwerp. Inzichten in waar mensen vastlopen en of wanneer vaardigheden worden overgedragen naar de werkplek.
3. Vroegtijdige interventie voor lerenden die moeite hebben met leren. Identificatie van deze lerenden stelt je in staat gerichte ondersteuning te bieden.
4. Hogere werknemersbetrokkenheid en lagere verloop. Effectieve en praktische training is cruciaal voor het behoud van werknemers.

Zij vat in haar bijdrage ook twee cases samen:

• Microsoft personaliseert leerpaden voor leiderschapsontwikkeling door voorspellende analyses te gebruiken. Dit helpt hen bij het aanpassen van trainingsprogramma’s om te voldoen aan de individuele leerbehoeften en carrièredoelen van hun leiders.
• SAP verhoogt werknemersbetrokkenheid en behoud van werknemers door data van werknemersenquêtes, training en prestatiemetingen te analyseren om te voorspellen welke werknemers risico lopen op afname in betrokkenheid en verloop. Ze implementeren gerichte interventies om werknemers opnieuw te betrekken en verloop te verminderen.

Om over te schakelen van een reactieve naar een proactieve benadering van data-analyse, is het volgens Kanaki belangrijk om:

1. Data-gedreven besluitvorming te omarmen. Bevorder een cultuur die waarde hecht aan data-gebaseerde strategieën.
2. Te focussen op doorlopende verbetering. Adopteer een mentaliteit van voortdurende verbetering en reageer op regelmatige data-updates.
3. Op toekomstige behoeften te anticiperen. Breid je denken uit van het reageren op huidige problemen naar het voorspellen van toekomstige trends en behoeften.

Tips voor het implementeren van voorspellende analyses zijn dan:

1. Verzamel en analyseer trainingsdata. Gebruik bestaande LMS-data, prestatiemetingen en demografische informatie om patronen te identificeren die leerprestaties voorspellen.
2. Selecteer de juiste technieken en algoritmen. Kies geschikte algoritmen voor het bouwen van je voorspellende model op basis van je trainingsdoelen en type data.
3. Verfijn ten behoeve van nauwkeurigheid. Test het model op een aparte dataset om de voorspelde uitkomsten te beoordelen en pas indien nodig de parameters aan.
4. Implementatie en continue verbetering. Integreer het voorspellende model in je trainingsprogramma en monitor de prestaties om de nauwkeurigheid te behouden.

Bij het verzamelen van data voor voorspellende analyses is het volgens Kanaki belangrijk om voorzichtig om te gaan met de privacy van lerenden. Er zijn dan drie belangrijke aandachtspunten op het gebied van ethiek en privacy: gegevensbeveiliging, toestemming en bias en eerlijkheid. Om de privacy te waarborgen, is het essentieel om duidelijk beleid op te stellen, data waar mogelijk te anonimiseren en transparant te zijn over het gebruik ervan. Daarnaast moeten lerenden geïnformeerd worden over de dataverzameling en de mogelijkheid krijgen zich hiervoor af te melden. Tot slot is het cruciaal om de algoritmes regelmatig te controleren op mogelijke bias en deze te trainen met diverse en representatieve datasets.

Marialena Kanaki heeft hoge verwachtingen van voorspellende analyses. AI en machine learning dragen bij aan persoonlijke en effectieve L&D-programma’s voor organisaties. AI analyseert trends, arbeidsmarktontwikkelingen en prestaties van werknemers om hiaten in vaardigheden te voorspellen. Zo kunnen organisaties tijdig gerichte L&D-programma’s ontwikkelen. Daarnaast optimaliseert AI de besteding van trainingsbudgetten door leerpaden te personaliseren en ondersteuningsbehoeften van medewerkers te identificeren. Tot slot stelt AI organisaties in staat om de inhoud en leermethoden af te stemmen op onder andere individuele leerbehoeften. Dit kan  de betrokkenheid en prestaties van medewerkers verbeteren.

De auteur concludeert dat voorspellende learning analytics organisaties in staat stelt om proactief in te spelen op individuele behoeften van lerenden. Dit leidt tot een meer betrokken en goed presterend personeelsbestand. Met als gevolg meer productiviteit, innovatie en een concurrentievoordeel voor de organisatie.

Mijn opmerkingen

Ondanks dat Kanaki terechte opmerkingen maakt over de ethische aspecten van deze ontwikkeling, is haar bijdrage verder ongelofelijk lovend over voorspellende analyses. Wat mij betreft te lovend. Zij heeft onvoldoende oog voor het hoge risico van deze vorm van learning analytics, en ook overspannen verwachtingen. Het doen van voorspellingen over leergedrag en leerprestaties is complex, evenals het bepalen van de invloed op ‘performance‘. Diverse factoren beïnvloeden leer- en werkprestaties van medewerkers en ook zaken zoals productiviteit en concurrentievoordeel. Het is de vraag of learning analytics zicht biedt op alle relevante factoren die leren beïnvloeden (zoals persoonlijke omstandigheden). Het gebruik van AI voor het doen van voorspellingen en het nemen van beslissingen, is erg risicovol. Het is wel terecht dat Kanaki het strategisch belang van deze ontwikkeling voor organisaties benadrukt, en ook de strategische rol van L&D. Verder is het terecht dat Kanaki de relatie benadrukt tussen learning analytics en AI. Jammer is weer dat zij inspelen als leerstijlen ook als argument noemt. In mijn samenvatting heb ik deze hardnekkige mythe niet voor niets genegeerd.

This content is published under the Attribution 3.0 Unported license.