Het gebruik van leertechnologie leidt er onder meer toe dat we meer dan ooit over data met betrekking tot leren beschikken. Ik beschouw deze data als belangrijke input voor begeleiding, het zicht krijgen op je eigen voortgang en het evalueren van de kwaliteit van leertrajecten. Dat hier echter ook risico’s en beperkingen aan kleven, illustreert de bijdrage The datafication of teaching in Higher Education: critical issues and perspectives.
Dit artikel is een uitvoerig ‘editorial’ van het tijdschrift Teaching in Higher Education.
De auteurs illustreren hierin de opmars van ‘datafication’ in onze samenleving, waaronder het onderwijs. ‘Datafication definiëren zij als “the rendering of social and natural worlds in machine-readable digital format“. Voorbeelden hiervan zijn het gebruik van gezichtsherkenning en voorspellende analyses bij het politiewerk en geautomatiseerde medische diagnoses.
Groeiend belang, toegenomen gebruik
Binnen het onderwijs worden AI en learning analytics ook steeds vaker gebruikt. Volgens de auteurs geeft de coronacrisis een verdere impuls aan het gebruik van educatieve data aangezien we in toenemende mate online leren. Zij stellen ook dat de neiging om zoveel mogelijk te kwantificeren en met behulp van algoritmes te berekenen een vorm is van neo-liberalisering
as competitive logics and the desire to compare the performance of entities against each other, as if they are competing in markets, have been incorporated into various forms and technologies of measurement.
In hun bijdrage schetsen zij vanuit een historisch perspectief het groeiend belang en het toegenomen gebruik van educatieve data. Tegelijkertijd vindt ook commercialisering van educatieve data plaats, mede dankzij de opkomst van ‘ed-tech’ bedrijven en platformisering. Daarnaast bevordert veranderend overheidsbeleid competitie tussen onderwijsinstellingen. Dit leidt er volgens de auteurs toe dat functies van en processen binnen het (hoger) onderwijs in toenemende mate worden opgesplitst of ‘ontvlecht’ in aparte diensten en taken die veelal worden uitbesteed of uitgevoerd door derden, en vervolgens opnieuw gebundeld in nieuwe componenten en modellen, die vervolgens worden uitgevoerd door commerciële bedrijven in een concurrerende onderwijsmarkt.
De auteurs stellen in hun bijdrage dat je verder op een positieve manier naar data kunt kijken (bijvoorbeeld ten behoeve van feedback en beoordelen), maar dat ook een meer kritisch perspectief gekozen kan worden (nieuwe vormen van toezicht, verbeterde marketing en commercialisering, en geïntensiveerde prestatiemeting, -beheer en -governance).
Thema’s
Volgens de auteurs spelen er een aantal belangrijke thema’s op het gebied van educatieve data en learning analytics, die ook in de verschillende bijdragen van de speciale editie aan de orde komen.
- Data en macht. Data zijn niet ‘neutraal’. Data worden geproduceerd. ‘Producenten’ maken keuzes ten aanzien van welke gegevens moeten worden verzameld en hoe deze moeten worden geanalyseerd.
- Pedagogiek en didactiek. Dataficatie vereist ook bepaalde pedagogische en didactische aanpakken. Niet alle vormen van leren kunnen worden gekwantificeerd en geanalyseerd. Dit kan inhouden dat niet alle vormen van onderwijs en leren ‘meetellen’ bij het beoordelen van docenten en lerenden. Dit kan leiden tot pedagogisch-didactisch reductionisme: alleen het leren dat kan worden gemeten, wordt als waardevol beschouwd. Dit is bijvoorbeeld een van de kritieken op PISA. Verder hebben learning analytics dashboards beperkingen met betrekking tot het beeld dat je van lerenden hebt. Deze maken maar een deel van het leergedrag zichtbaar. Volgens de auteurs bestaat het risico dat de didactiek wordt aangepast aan de digitale platformen die nodig zijn om de gegevens te genereren voor de beoordeling van lerenden. Bovendien kan learning analytics, doordat lerenden zichtbaar worden gemaakt en worden ingedeeld in kwantitatieve categorieën, de manier waarop docenten tegen lerenden aankijken veranderen en ook beïnvloeden hoe lerenden tegen zichzelf aankijken.
- Betrokkenen bij data. De dataficatie van de mens beïnvloedt de manier waarop mensen begrepen en behandeld worden en zelf handelen.
- Datageletterdheid. Docenten en lerenden moeten ook in staat zijn op een doordachte manier gebruik te maken van data. Daar zijn zorgen over.
- Marketing en vermarkting van data.
- Ongelijkheden op het gebied van data. Dataficatie versterkt en reproduceert van oudsher ongelijkheden. Datasystemen benadelen bepaalde sociale en minderheidsgroepen systematisch door ‘digital redlining‘, dat wil zeggen het ontzeggen van diensten of het zich richten op bepaalde gemarginaliseerde groepen.
- Slimme surveilleren. Dataficatie van ons privéleven heeft een ‘vloeiende surveillance’ genormaliseerd. Dankzij digitale technologieën monitoren we elkaar voortdurend, op basis van een continue stroom van gegevens over individuen. Dat doen we vooral ook bij jongeren (denk aan plagiaatcontrole, online proctoring, aanwezigheidsplicht, enzovoorts).
- Sociale/datawetenschap. Dataficatie is ook van invloed op de methodologie die binnen wetenschappen wordt gehanteerd.
Mijn opmerkingen
Ik vind dit een nuttige kritische bijdrage. De auteurs benoemen relevante thema’s waar je over moet nadenken als je aan de slag gaat met learning analytics en educatieve data. Gebruik deze toepassingen niet uitsluitend voor het nemen van besluiten en het plegen van interventies.
Wat is wel mis, is een onderscheid tussen verschillende aanpakken en technologieën. Er is wat mij betreft nogal een verschil tussen het monitoren van het maken van opdrachten binnen een digitale leeromgeving en het gebruik maken van gezichtsherkenningstechnologie voor het meten van betrokkenheid van lerenden.
Deze bijdrage gaat overigens ook niet in op alternatieve benaderingen voor het leveren van input voor begeleiding, beoordeling en kwaliteitszorg. Wat mij betreft moeten die vooral gezocht worden in kwalitatieve benaderingen (zoals interviews), in combinatie met kwantitatieve benaderingen.
This content is published under the Attribution 3.0 Unported license.
Geef een reactie