Dankzij technologische ontwikkelingen, standaarden en integratiemogelijkheden wordt online leren meer persoonlijk, meer sociaal en ‘slimmer’. Dit vraagt wat van de systemen en applicaties die we voor leren gebruiken, maar vooral ook wat organisaties.
Vandaag heb ik bij de Kamer van Koophandel in Amsterdam een ‘Meeting More Minds’ sessie bijgewoond over Next Gen ECO Learningsystems. Deze sessie is belegd door de mannen van de MOOC Factory. Ben Betts van het Britse HT2Labs gaf de aftrap.
Ben heeft kritiek op de wijze waarop we e-learning toepassen. Te saai, te veel een uitkomst van een zoektocht naar efficiënte bureaucratie, te veel gericht op standaardisatie. Leermanagement systemen zijn dan vaak verouderde systemen. Volgens hem moeten we veel meer rekening houden met individuele en bijzondere eigenschappen van lerenden, en er ook rekening mee houden dat mensen op heel verschillende manieren leren (ook dankzij de mogelijkheden van internettechnologie). Volgens hem moet leren persoonlijk en sociaal zijn, en gestuurd door feedback via data analyses.
Ben liet aan de hand van het continuüm formeel-informeel leren, en drie redenen voor leren, zien hoe hij leert. Daarbij is sprake van een mix van face to face leren (meer en minder formeel) en online leren (meer en minder formeel):
- Je leert om geïnspireerd te worden (via live events, Yammer chats, sociale netwerken).
- Je leert om nieuwe kennis en vaardigheden op te doen, om geïnstrueerd te worden (via klassikale sessies, massive open online courses, werkplek leren).
- Je leert om veranderingen te realiseren, te implementeren (zoals projectmatig leren of actie leren, coaching, open met elkaar samen te werken van tools zoals Slack of Google Doc).
Mensen leren op al deze manieren. Dat bleek ook uit een inventarisatie met de zaal. Veel te vaak wordt echter gekeken naar een online cursus om behoeften van een individu of organisatie te bevredigen. Zoek naar blends van benaderingen en technologieën om zo veel mogelijk behoeften te bevredigen. Verder kwam in de discussie ook naar voren dat organisaties vaak kiezen voor technologische oplossingen die vooral het leven van management en administratie eenvoudiger maken, en niet van de lerende. “One-size-fits-all” dient vaak vooral de organisatie. Ook zijn het vaak contentontwikkelaars die vaak het plezier hebben bij het ontwikkelen van content, terwijl de lerende dat plezier niet beleeft.
De benadering van meer persoonlijk en sociaal leren vraagt ook om een cultuurverandering. Veel organisaties zijn hier namelijk nog niet toe bereid omdat dit impliceert dat lerenden zelf meer controle over hun leren hebben.
Ben pleit voor het realiseren van ecosystemen van applicaties en systemen. Volgens hem moet een volgende generatie ecosystemen voor leren dan aan de volgende criteria voldoen.
1. Leren persoonlijk maken (plannen). Lerenden moeten op basis van hun eigen leerdoelen in staat zijn individuele leerpaden te volgen. HT2Labs ontwikkelt daarom Red Panda waarmee je persoonlijke doelen kunt plannen, en automatisch aanbevelingen kunt krijgen over te bestuderen leerinhouden. Aangezien veel mensen zijn niet in staat om hun eigen leerpaden uit te stippelen, doet het systeem suggesties, bijvoorbeeld op basis van hun profiel (wat ze doen, wat ze zouden willen doen). Bij die aanbevelingen kan het om allerlei typen leerinhouden gaan. Cursussen (uit verschillende leermanagement systemen), maar bijvoorbeeld ook opdrachten of bronnen. Ze hebben bijvoorbeeld ook Anders Pink geïntegreerd. Dit is een applicatie waarmee online content kunt cureren (via meerdere lagen zoals aanbevelingen, tags, keywords, via personen).
Bedrijven kunnen daarbij ook aangeven over welke onderwerpen berichten mensen moeten zien. Sommige onderdelen zijn verplicht, anderen zijn optioneel. Red Panda werkt verder met mijlpalen en competenties. Stapsgewijs stel je je leerpad samen. Je kunt met Red Panda verschillende services zoals LMS-en of OpenID connections koppelen. Bovendien kun je Red Panda zelf inrichten en bepalen wat voor leerinhouden lerenden kunnen gebruiken (bijvoorbeeld wel of geen resources).
Het mooie van deze applicatie is dat je leren meer persoonlijk maakt, terwijl je toch bepaalde kaders aan die vrijheid kunt stellen. Ik vind het ook sterk dat mensen een duidelijke structuur aangeboden krijgen om hun eigen leerpaden in te richten (dan nog zullen veel lerenden het moeilijk vinden om doelen te selecteren). Verder zijn de integratiemogelijkheden met diverse systemen een sterk punt.
2. Leren sociaal maken (doen). Samen met anderen leren, waarbij wel een link is met verplicht te volgen cursussen. HT2Labs gebruikt hiervoor Curatr. De meeste aanwezigen kenden Curatr. Daarom zijn we hier niet verder diep op ingegaan.
3. Leren meer meetbaar maken (meten). Via een learning record store kun je data opslaan en gebruiken voor het doen van aanbevelingen en zelfs om voorspellingen te doen. HT2Labs heeft hiervoor de Learning Locker ontwikkeld. In deze Learning Locker kun je data opslaan uit allerlei applicaties zoals Slack, Red Panda, Curatr of Moodle. Ben heeft bijvoorbeeld voor de gein gekeken of de organisatie van een teamdag van invloed is op de motivatie van zijn team. Hij heeft data uit Slack via de Google Natural Language API in Learning Locker geanalyseerd.
Dit voorbeeld met een knipoog illustreert ook één van de risico’s van een dergelijke tool. Trek je wel de juiste conclusies? Dit wordt vooral ‘tricky’ als je deze data wilt gaan gebruiken om te voorspellen. Ben onderstreepte dit ook tijdens de discussie. Hij liet zien dat zij data uit MOOCs en tekst-analyse-tools samen met de Learning Locker kunnen gebruiken om te analyseren of deelname aan een MOOC leidt tot gedragsveranderingen. De onderliggende aannames zijn gebaseerd op onderzoek naar cognitive presence. HT2Labs laat data ook auditten, en ze gebruiken data niet voor beoordelen. Juist omdat de kans op fouten bij het doen van voorspellingen groot is.
Volgens Ben kun je dergelijke data wel gebruiken om bijvoorbeeld via data uit student informatiesystemen en digitale leeromgevingen het risico op uitval uit cursussen en opleidingen in te schatten. Begeleiders kunnen dan interventies plegen als een lerende gedrag vertoont dat kan leiden tot uitval. Dit is uiteraard wat anders dan dat je geen begeleiding geeft omdat een lerende toch dreigt uit te vallen, of dat je automatisch interventies te plegen. Ben Betts gaf eveneens het voorbeeld van het doen van inschattingen ten aanzien van het risico of een bedrijf wel aan wettelijke eisen voldoet. Je kunt dat risico inschatten door het gebruik van relevante tools te meten. Verder kun je kijken of werknemers gedrag vertonen dat duidt op het mogelijk verlaten van de organisatie.
Dit is een interessante ontwikkeling, waarvan Ben benadrukte dat sprake is van een ‘reis’. In feite gaat het er hierbij om dat je data gebruikt om de manier van leren slimmer te maken. Er is echter veel tijd en data nodig om voordat je echt in staat bent om voorspellingen te doen. Ik was blij dat hij oog had voor de risico’s en beperkingen van deze benadering.
Tijdens deze bijeenkomst werd ook benadrukt dat het gaat om veel tools die je binnen je ecosysteem hanteert. Deze tools moet je vooral niet altijd zelf ontwikkelen. Ook kun je applicaties voor leren gebruiken, die oorspronkelijk eigenlijk niet voor leren zijn bedoeld. Het gaat dus om het integreren van verschillende applicaties en systemen, en het slim kunnen gebruiken van de data.
Is het dan gemakkelijk om deze applicaties met elkaar te integreren? Volgens Ben Betts hebben we hier al geschikte standaarden voor (xAPI, API’s). Ook zijn er mogelijkheden om data te converteren in standaard formats en binnen je Learning Locker te importeren en te gebruiken. Volgens hem zou het een absolute noodzaak zijn dat je data in- en uit systemen kunt halen. Ben meent dat organisatorische drempels daarbij groter zijn, dan technologische drempels.
This content is published under the Attribution 3.0 Unported license.
Geef een reactie