Kunnen data de kwaliteit van het onderwijs verbeteren?

Inzicht in het studiegedrag kan bijdragen aan kwalitatief beter onderwijs. Learning analytics -het verwerken van studiedata om het leergedrag te begrijpen en verbeteren-  speelt hierbij een belangrijke rol. Wel zijn er nogal wat hobbels te nemen. Tips en handvatten om ermee aan de slag te gaan, zijn er gelukkig ook.

Surfnet heeft gisteren een whitepaper gepubliceerd met als titel “Hoe data de kwaliteit van het hoger onderwijs kunnen verbeteren”. De inhoud van dit whitepaper is zeker ook relevant voor andere onderwijssectoren.

Ik ben enthousiast over deze uitgave. Dat heeft te maken met de inhoud, maar zeker ook met de zeer leesbare stijl. Achtergronden, praktijkvoorbeelden, fragmenten van interviews, concrete tips. Je vindt ze allemaal in deze 12 pagina tellende uitgave. En ook nog eens logisch opgebouwd en in een heldere taal beschreven.

Surfnet schaart zich met deze uitgave nadrukkelijk in het kamp van de “learning analytics-fans”. Volgens hen is inzicht

het toverwoord van de datarevolutie. Wie inzicht krijgt in zijn gedrag, kan voortaan efficiënter te werk gaan.

Je krijgt inzicht in leergedrag van lerenden door alle systemen met elkaar te koppelen. Dit inzicht kan vervolgens leiden tot interventies op het niveau van de docent, de opleiding en de instelling die kwaliteitsverbetering tot gevolg kunnen hebben. Learning analytics kunnen er toe bijdragen dat je ‘onderwijs op maat’ kunt realiseren met grote groepen studenten. Zonder ICT is dit volgens de samensteller niet mogelijk.

Overigens kan dit verder gaan dan de zittende groep studenten. Zo beschrijft auteur Marjolein van Trigt een praktijkvoorbeeld waarin een onderzoeker datasporen van alumni wil onderzoeken om trends te identificeren, die studenten kunnen helpen om een effectief studietraject te volgen.

In een ander voorbeeld gaat men uit van de zogenaamde “goal-setting theory”. Een dashboard wordt ontwikkeld om studenten doelen te laten stellen. De docent geeft feedback op die doelen, waarna de student deze bijstelt. Vervolgens krijgt de student automatisch notificaties die hem herinneren aan de doelen.

Het whitepaper gaat gelukkig ook uitvoerig in op de uitdagingen van learning analytics. Deze uitdagingen zijn van onderwijskundige aard, technologische aard en hebben te maken met juridische aspecten en ethiek.

Kom je als docent er wel aan toe om feedback te geven op doelen van studenten, bij grote groepen studenten? Mag je bij een onderzoek naar de effecten van learning analytics lerenden een potentieel ondersteunend middel onthouden? Hoe reduceer je de complexiteit van het gegevensbeheer op instellingsniveau? Wat zijn goede onderzoeksvragen (veel instellingen meten niet wat ze willen meten)? En:

Je kunt statistieken produceren tot je een ons weegt, maar als je niet in staat bent om interventies te plegen, dan kun je er net zo goed niet eens aan beginnen.

Verder zou de learning analytics architectuur een technisch controlesysteem moeten bevatten waarin de lerende zelf toestemming kan geven voor het vergaren van de data.

Volgens het whitepaper heeft Surfnet’s Britse zusterorganisatie Jisc maar liefst 86 ethische en juridische kwesties rondom learning analytics in kaart gebracht. De belangrijkste uitdaging is volgens Jisc overigens de durf om beslissingen te nemen op basis van learning analytics. Een kwestie van leiderschap, dus.

Het whitepaer verwijst hierbij ook naar een checklist die instellingen kan helpen bij het realiseren van transparantie bij de omgang van data.

Na het adresseren van verschillende uitdagingen, beschrijft het whitepaper kort en bondig de potentie van learning analytics:

• Op lange termijn draagt het bij aan interventies, op korte termijn kan onderwijsmateriaal worden verbeterd. Learning analytics is daarmee in eerste instantie vooral een tool voor docenten.
• Je krijgt meer inzicht in studeergedrag waardoor je de leeromgeving effectiever kunt inzetten.
• De docent krijgt snel en simpel een overzicht van de interactie tussen studenten.
• Je ontdekt patronen waaruit je kunt afleiden wat succesvolle studenten onderscheidt van minder succesvolle studenten. Daardoor kun je meer doelgericht interventies plegen, en de resultaten ervan monitoren. Daarbij kan het al gaan om eenvoudige zaken. Bij de Open Universiteit hebben ze bijvoorbeeld ontdekt dat studenten die na inschrijving niet snel beginnen, eerder uitvallen. Je kunt bij online leren eenvoudig monitoren wie gestart is met leren. Vervolgens kun je contact opnemen met degenen die na inschrijving niet snel zijn gestart.
• Bestuurders kunnen “met één druk op de knop” bepaalde indicatoren observeren, zoals rendement en uitval van studenten. Uiteraard kunnen zij ook op die knop laten drukken.

Het hoofdstuk “Beginnen met Learning analytics” bevat vooral tips voor docenten en instellingen. Volgens de auteur is het “vooral een kwestie van doen”. Dat lijkt me eerlijk gezegd wat te kort door de bocht geformuleerd. Het opzetten en implementeren van een architectuur voor learning analytics is bijvoorbeeld niet te vergelijken met het gebruik van een student response systeem als Socrativ of Mentimeter. En je zult toch echt wat moeten met de didactische, juridische, organisatorische en ethische “uitdagingen”.

Dit whitepaper kan in elk geval helpen bij de opzet en uitvoering van pilots op dit boeiende en uitdagende terrein. Ik ben heel benieuwd welke richting deze ontwikkeling uitgaat en of de hooggespannen verwachtingen ook daadwerkelijk kunnen worden waargemaakt. Het kan echter ook zo zijn dat door de complexiteit van de uitdagingen de wal het schip doet keren.

This content is published under the Attribution 3.0 Unported license.