Learning analytics kan data opleveren die kan leiden tot begrip over hoe er geleerd en gedoceerd wordt. Op basis hiervan kunnen lerenden hun manier van leren bijstellen, kunnen docenten hun onderwijs verbeteren en kunnen organisaties aanpassingen doorvoeren in de leeromgeving. Volgens Yi–Shan Tsai (pdf) moet learning analytics echter veel meer een proces worden waarin docenten en lerenden een actieve rol spelen in het geven van betekenis aan data. Tsia stelt dat ‘feedbackgeletterdheid’ daarvoor van groot belang is.
De auteur gaat onder meer in op de cognitieve, sociaal-affectieve en structurele dimensies van feedback. Op cognitief niveau moet feedback lerenden helpen de kloof tussen hun huidige en hun gewenste prestaties te verkleinen en hun vaardigheden op het gebied van zelfregulerend leren helpen te verbeteren. De sociaal-affectieve dimensie is hierop volgens Tsai van invloed. Daarbij gaat het om machtsverhoudingen tussen degenen die betrokken zijn bij feedback (o.a. docenten, lerenden, ‘peers’) en emotionele reacties op feedback. Een vertrouwensrelatie tussen docenten en lerenden speelt hierbij een essentiële rol. De structurele dimensie heeft dan betrekking op de manier waarop feedback wordt georganiseerd en gestuurd een docent. Denk daarbij aan timing, frequentie, volgorde en manieren van feedback geven. Lerenden zijn binnen dit proces actieve deelnemers aan verandering en geen passieve ontvangers. Bij learning analytics speelt een algoritme ook nog vaak een belangrijke rol bij het geven van feedback.
Volgens Tsai word je bij learning analytics op al deze drie dimensies geconfronteerd met problemen:
- Bij de cognitieve dimensie lijkt learning analytics zich meer te richten op ‘feeding back’ (leervorderingen) en ‘feeding up’ (het bereiken van leerdoelen), maar minder op ‘feeding forward’ (hoe nu verder). Learning analytics zet dus vaak onvoldoende aan tot actie.
- Zoals gezegd speelt vertrouwen een belangrijke rol bij de sociaal-affectieve dimensie en speelt een algoritme een belangrijke rol bij learning analytics. Wantrouwen in de algoritmen en data is dan een probleem op het gebied van deze dimensie.
- Problemen met betrekking tot de structurele dimensie houden verband met de beperkte invoering en effecten van learning analytics, deels als gevolg van structurele kwesties zoals de complexiteit van het onderwijs en de nadruk op analyses en technologie in plaats van leren.
Volgens Tsai speelt ‘feedbackgeletterdheid’ een belangrijke rol om deze problemen het hoofd te bieden. Feedbackgeletterdheid voor docenten is dan het vermogen om feedback te ontwerpen en toe te passen, niet alleen als informatie die lerenden kan helpen de gewenste leerdoelen en persoonlijke ontwikkeling te bereiken, maar ook als een proces dat pedagogisch-didactische, sociale en politieke doeleinden dient. Feedbackgeletterdheid voor lerenden is dan het vermogen om feedback te zoeken, te decoderen en betekenissen van feedback te coderen die relevant zijn voor hun leren, en bezig zijn met feedback als een sociaal-cultureel proces.
Belangrijk daarbij is volgens de auteur:
- Waardering van op learning analytics gebaseerde feedback met een kritisch bewustzijn van de waarde en beperkingen ervan.
- Het vertalen van de computergestuurde representatie van leren naar betekenis en handelingsperspectief voor mensen (het individu of begeleiders).
- Het kunnen managen van gevoelens en emoties en het voeren van een dialoog over macht in de feedback loop.
Mijn opmerkingen
Yi-Shan Tsai wijst terecht op een aantal knelpunten bij learning analytics. Deze knelpunten kunnen m.i. ten dele verholpen worden door te investeren in ‘feedbackgeletterdheid’. De gehanteerde systemen zijn m.i. ook voor verbetering vatbaar (beter nadenken over welke data relevant is, een meer transparant algoritme met minder bias, actie gerichte dashboards, enzovoorts). Dit laat onverlet dat het belangrijk is om te investeren in de bekwaamheid van docenten en lerenden om learning analytics toe te passen.
This content is published under the Attribution 3.0 Unported license.
Geef een reactie