De bijdrage Learning analytics dashboard: a tool for providing actionable insights to learners onderzoekt bestaande benaderingen van learning analytic dashboards. Leiden deze tot ‘actiegerichte inzichten’ waardoor lerenden hun manieren van leren gaan aanpassen?
Learning Analytics-dashboards (LAD’s) hebben volgens de auteurs tot doel lerenden een momentopname te bieden van hoe zij vorderen met hun leren. Grafische weergaven laten trends zien met betrekking tot vorderingen en betrokkenheidsniveaus van de lerenden aan de hand van de ‘digitale voetafdrukken’ die door lerenden worden gegenereerd. Deze grafische weergaven bieden lerenden een basis voor bewustwording, reflectie en nieuwe inzichten.
Daarnaast zijn meer geavanceerde toepassingen van LAD’s mogelijk: het doen van voorspellingen de leerresultaten die lerenden waarschijnlijk zullen behalen op basis van hun huidige leertraject. Het gebruik van deze instrumenten kunnen een reflectieproces op gang brengen dat volgens de auteurs anders niet zou worden gerealiseerd. Deze reflecties kunnen (in sommige gevallen) zelfs leiden tot positieve gedragsveranderingen die lerenden ondersteunen bij het maximaliseren van leerresultaten, het afronden van cursussen en retentiepercentages.
De auteurs schrijven echter ook dat het operationaliseren van LAD’s gepaard gaat met verschillende uitdagingen. Het is bijvoorbeeld niet helemaal duidelijk welke visuele elementen LAD’s moeten bezitten: welk soort informatie is effectief om positieve gedragsaanpassingen bij lerenden teweeg te brengen? Een andere uitdaging is: ervoor zorgen dat LA-producten geen schade berokkenen en lerenden de mogelijkheid bieden zich terug te trekken (ethiek). Volgens de auteurs is een gebrek aan wendbaarheid (‘agility’) binnen onderwijsinstellingen één van de grootste knelpunten. Onderwijsinstellingen hebben volgens de auteurs een beperkt vermogen zich snel aan te passen aan veranderende eisen, flexibel te zijn en nieuwe kansen te kunnen grijpen.
De auteurs hebben tal van toepassingen van LAD’s onderzocht. Zij concluderen dat de meeste LA dashboards enkel beschrijvende analyses gebruiken. Slechts weinig LAD’s durven voorspellende analyses te maken. De auteurs doen daarom voorstellen voor een “state-of-the-art dashboard” dat niet alleen beschrijvende analytische componenten bevat, maar ook machine learning toepast waardoor voorspellende en ‘voorschrijvende’ analyses mogelijk worden.
Volgens de auteurs kun je lerenden laten zien hoe voorspellingen geïnterpreteerd kunnen worden. Dit wekt vertrouwen bij de gebruikers. Er is niet langer sprake van een ‘black-box’-voorspellend model, maar van transparantie. Op basis waarvan voorspellen we ‘risicovol’ leergedrag en hoe kun je als lerenden dit leergedrag aanpassen? Het dashboard ziet er dan als volgt uit:
Essentieel hierbij is uiteraard dat de onderliggende hypothesen kloppen en dat de data daadwerkelijk een goed beeld geven van het leergedrag (je registreert niet al alle leergedrag).
This content is published under the Attribution 3.0 Unported license.
Geef een reactie