Kritische vragen bij de belofte van Learning Analytics in het onderwijs
Door Janneke Plaisier, in samenwerking met Jan-Wolter Smit.
.
Data-analyse in het onderwijs
In vrijwel alle domeinen in onze maatschappij leveren de woorden big data veelbelovende perspectieven op. Door de opkomst van technologie, zijn we steeds beter in staat om van alles te meten. Dat genereert als vanzelf een groeiende hoeveelheid data. En de analyse daarvan levert ons allerlei nieuwe mogelijkheden op. Het verhogen van de efficiëntie en opbrengst, bij het aanbieden van producten en diensten bijvoorbeeld, maar ook om onze veiligheid te vergroten, onze fysieke conditie te verbeteren, enzovoorts.
De belofte van data-analyse is ook doorgedrongen tot binnen de muren van schoolgebouwen. Nu is het onderwijs is van oudsher altijd al een plek geweest waar meten en het genereren van gegevens aan de orde van de dag is. Leraren zijn fanatieke gegevensverzamelaars; ze meten de kennis, vaardigheden en competenties bij leerlingen door hen te overhoren en te toetsen, houden de aanwezigheid in de les bij en registreren de kwaliteit waarmee het huiswerk wordt gemaakt. Dit alles met het doel de opbrengst en kwaliteit van hun onderwijs zo hoog mogelijk te houden en waar nodig adequaat in te grijpen.
Digitale oefensystemen
Met de komst van technologie in het klaslokaal, wordt het verzamelen van -bepaalde- gegevens makkelijker. Zo worden dankzij elektronische leeromgevingen (elo’s) praktische leszaken, zoals het inleveren van een opdracht, inzichtelijk gemaakt. Daarnaast bieden digitale oefensystemen (zoals bijvoorbeeld Rekentuin voor rekenen, of Bettermarks voor wiskunde) diagnostische informatie aan leraar én leerling. De belofte achter deze ontwikkeling is dat de opbrengst en kwaliteit van het onderwijs nog verder omhoog kan. Immers, hoe meer je als leraar weet van je leerlingen, hoe beter jij in staat bent om je onderwijs erop aan te passen. En hoewel deze belofte van verhoogde opbrengst en kwaliteit prachtig lijkt, zit er nog wel een addertje onder het gras. Dat heeft te maken met de intransparantie en eenzijdigheid van de dataverzameling en -analyse.
Learning analytics
Het is helemaal niet zo eenvoudig, en vooral ook tijdrovend, om grotere datasets te analyseren en interpreteren. Aanbieders van digitale oefensystemen lossen dit voor leraren (en leerlingen) op door gebruik te maken van learning analytics. Learning analytics is het verzamelen en het op inzichtelijke wijze rapporteren van studiedata van leerlingen. Zo wordt bijvoorbeeld met één blik op het docenten-dashboard van het digitale oefensysteem inzichtelijk gemaakt hoe leerlingen het huiswerk voor die week gemaakt hebben. Leraren zien welke leerling weinig heeft uitgevoerd, waar sommige leerlingen moeite mee hebben en wat gemiddeld gezien een gemakkelijke opgave was. Ze hoeven de gegevens zelf niet meer te analyseren, interpreteren en in sommige gevallen wordt de leerling zelfs voorzien van feedback.
Dat lijkt ideaal, maar het vormt tegelijk een risico. Want hoeveel weet je als leraar eigenlijk van deze digitale oefensystemen? Wat meten deze programma’s precies? En, hoe meten ze? Ook belangrijk: wat meten ze niet? Het is een feit dat met name ‘gesloten’ data (meerkeuzenvragen, e.d.) goed door het systeem te analyseren zijn. Dit is voor vaardigheden en competenties veel moeilijker.
Daar komt bij dat de data-analyse zich vaak baseert op een beperkte dataset. En die dataset staat in de meeste gevallen helemaal los van andere datasets (bijvoorbeeld bij ander vakken). Je krijgt dan de situatie dat sommige leerlingen heel slecht scoren bij rekenen, maar briljant zijn in wiskunde. Althans, volgens de learning analytics. Tot slot beperkt de feedback naar leerlingen zich vaak tot: “Jammer, kijk nog eens goed naar de uitleg.” Wat levert leerlingen dit voor informatie op? Zijn ze hier daadwerkelijk mee geholpen?
Cruciale vragen
Iedere leraar die werkt met deze vorm van learning analytics dient bovenstaande vraagtekens te zetten. Want waar je als leraar voordat deze digitale manier van gegevens verzamelen en analyseren mogelijk werd, heel duidelijk zélf aan het roer zat als het ging om het verkrijgen van inzicht in de voortgang van leerlingen, gebeurt er nu steeds meer buiten het blikveld op basis van automatisch gegenereerde data. Het is daarom misschien wel belangrijker dan ooit te voren om deze dataverzamelingen en -analyses met een kritische blik te beschouwen. Want deze dashboards kunnen een schijnzekerheid creëren. De suggestie wordt gewekt dat de vorderingen van iedere leerling haarfijn in beeld gebracht zijn. En dat klopt dus maar half.
Verhoogde opbrengst
En dan ligt er nog een ander, misschien wel groter, risico op de loer. Dat er een soort geloof in een perfecte cirkel van oefenen – in kaart brengen van resultaten – de sturing op uitkomsten in de les – opnieuw oefenen – en tenslotte toetsen ontstaat. Een leerling die ‘slechte resultaten’ boekt in het digitale oefenprogramma, moet zo snel mogelijk weer back on track gebracht worden. Rode vlaggetjes, lage percentages, vierkantjes in plaats van cirkeltjes; dashboards van oefensystemen doen er alles aan om leraren (en leerlingen zelf) zo duidelijk mogelijk te laten zien waar het helemaal misgaat.
Door heel gericht aan de slag te gaan met het back on track brengen van leerlingen kan de opbrengst van het onderwijs inderdaad omhoog. Tenminste, als het doel is om leerlingen zo efficiënt mogelijk naar goede toetsresultaten te leiden. In dat geval kunnen dit soort oefensystemen en de daaraan gekoppelde dashboards met de onderliggende learning analytics heel behulpzaam zijn.
Verhoogde kwaliteit?
De vraag is echter of de kwaliteit van het onderwijs hiermee ook omhoog gaat. Is kwalitatief hoogwaardig onderwijs puur opbrengstgericht onderwijs? Leren gebeurt zo vaak op momenten die niet te plannen of te sturen zijn. Leerlingen leren ook doordat ze verrast worden door een verhaal dat hun leraar vertelt; ze worden op ideeën gebracht doordat ze vanuit een totaal andere invalshoek naar iets heel bekends leren kijken, enzovoorts. Het is niet voor niets dat geen enkele leraar in de eerste klas al bezig is met oefenen voor het eindexamen. Voortdurend bezig zijn met oefenen, leerlingen continue wijzen op de opdrachten en de sommen die gemaakt moeten worden, wat er nog moet worden opgepoetst om de juiste resultaten te behalen, is een verarming van het onderwijs.
Conclusie
Het is vanzelfsprekend dat het belang van het verzamelen van data over leerlingen niet ter discussie staat. Data kunnen worden omgezet naar belangrijke informatie, op basis waarvan leraren zo goed mogelijk kunnen inspelen op de behoeftes van hun leerlingen. Juist dat omzetten van data naar informatie is het onderwerp van dit artikel. Data zijn pas nuttig op het moment dat leraren zelf de tools in handen hebben om ze te analyseren, of wanneer zij op z’n minst goed begrijpen hoe de data geanalyseerd zijn. Je zou dus kunnen beargumenteren dat goede leraren uiteindelijk zelf de beste learning analytici zijn.
.
Over de auteur: Janneke Plaisier
Janneke is oprichter van LessonUp, de tool waarmee leraren digitale lessen maken, geven en delen. Daarvoor was zij als learning designer werkzaam bij uitgeverij ThiemeMeulenhoff, waar ze o.a. werkte aan het ontwerp en de ontwikkeling van uiteenlopende (digitale) leermiddelen. Haar ervaringen in het onderwijsveld, de ontmoetingen en gesprekken met leraren, hebben ertoe geleid dat nu zij zich nu dagelijks bezighoudt met het neerzetten van een platform dat leraren het gereedschap biedt om eigentijds en inspirerend onderwijs te geven.
.
Dit artikel verscheen in de 11e editie van ons gratis e-magazine Like2Share.
Wilt u meer van dit soort artikelen lezen? Klik dan hier om de magazines te bekijken.