Blog

Wat doe je met héél veel educatieve data?

Alles stroomt steeds sneller

Het ís er, je kunt het “real time” opvangen en het blijft in steeds grotere stromen binnenkomen: Big Educational Data.
Maar wát verzamel je dan eigenlijk? Hoe ziet dit er uit? En hoe kun je het in jouw organisatie inzetten?
Laten we er allereerst van uit gaan dat de infrastructuur en software die je al die gegevens kan aanbieden goed functioneert binnen je organisatie. En we gaan er ook van uit dat de gebruiksomgeving aantrekkelijk is en je er met één muisklik mee aan de slag kunt. En inmiddels ben je je er ook wel van bewust dat leertechnologie ingezet kan worden als actief gereedschap, waarmee je leren en presteren kunt optimaliseren. Mooi afgebakende uitgangspunten toch?
Helaas...ze zijn vaak niet genoeg. Onbekend maakt onbemind. Er wordt vaak toch geen gebruik gemaakt van de mogelijkheden. Daarom kort hieronder wat meer over structuur, analyse en toepassing in de praktijk.

 

Structuur van educatieve data

Er moet uiteraard iets gebeuren met al deze data. De enorme hoeveelheid binnenkomende leer-informatie zal geanalyseerd moeten worden. Zo zet learning analytics software onze online leeractiviteiten om in "events".
Een voorbeeld: Het zou goed kunnen dat je op dit moment dit stukje aan het lezen bent. De analytics software maakt hier dan bijvoorbeeld zoiets van als:

U (de lezer), leest (werkwoord) dit stukje (object), vandaag (wanneer), op uw notebook (met wat) op 25 september 2018 (datum en tijd), in 2 minuten en 5 seconden (online presentie)”.

Per uur kunnen dit soort “statements” in de tienduizenden lopen, uiteraard afhankelijk van de grootte van de groep lerenden. Hoe kun je met al deze statements iets zinvols doen?

 

Werken met educatieve data in de praktijk

Het gaat er om dat wij echt wat kunnen doen met al deze continu en in real time beschikbare leerinformatie. Als lerende, coach, docent, instructeur,  mentor, manager enzovoorts.
Je wilt dat de informatie betekenisvol en effectief ingezet gaat worden binnen ons leerproces bijvoorbeeld.
Van belang is dan als eerste het leerprofiel. Het gaat het om informatie aan het begin van onze leerervaring. De intake. Denk aan kenmerken als  o.a. leeftijd, opleidingsniveau, relevante werkervaring, persoonlijke leerdoelen, interesses, noem maar op. Op basis hiervan kan een goed assessment gedaan worden, dat op zijn beurt weer de mogelijkheid biedt een gepersonaliseerde leerweg aan te bieden.
Zodra we starten met leren, begint alle leerinformatie pas echt binnen te stromen.
Stel dat je begeleider bent. Het is dan van belang wát je wilt bereiken. Welke indicatoren heb je nodig voor door jou toe te passen didactiek of in te zetten inhoud?  Wat heb je nodig om zo goed mogelijk leerlingen te kunnen begeleiden?
- Wil je weten welke opdrachten door wie afgerond zijn?
- Wil je weten wie voldoende of onvoldoende gehaald heeft?
- Wil je weten aan welke leerdoelen is bijgedragen door wie en op welke manier?
- Wil je weten wie welke opdrachten heeft gedaan binnen een bepaalde tijd en op welk niveau deze opdrachten?
- Wil je weten hoe vaak iemand heeft bijgedragen aan een op te leveren beroepsproduct?
- Wil je meten in hoeverre een lerende hogere vaardigheden demonstreert en echt inzet?
- Wil je de hieraan gespendeerde tijd terugvinden? Sky is the limit!
Het is allemaal terug te vinden! Alles staat of valt bij je onderliggende behoefte of vraag. Deza aanpak wordt beschrijvende analytics genoemd.Verder dan beschrijvend onderzoek:

 

Machine Learning

Bij Machine Learning gaat het een stap verder dan hierboven. We betreden dan het terrein van voorspellende (predictive) analytics. We komen inhoud, leergedrag en leerpatronen te weten, waarover we mogelijk nog niet eerder hebben nagedacht. Bijvoorbeeld relaties tussen verschillende leerdoelen, inhoud en studentprofielen. Misschien blijkt dat veel studenten Accountancy als studenten Informatica moeite hebben met een soortgelijk onderwerp binnen vak Statistiek binnen het curriculum en blijkt dit onverwachts. Vervolgens kun je hier dan ook weer verder onderzoek mee verrichten en voortdurend leerrendement blijven optimaliseren.

Na goede formulering van de vraag en analyse is het goed mogelijk visuele dashboards te genereren in deze programma's. Hiermee wordt het je een stuk gemakkelijker gemaakt de door jou gewenste didactische interventies te doen. Uiteraard geven deze dashboards de lerenden zelf óók continu inzicht in hun leerproces, zodat het makkelijker wordt te reflecteren hierop.