INHOUDINLEIDING 1SENSE INTENT 2SENSE INTENT 3KNOW COTEXT 7KNOW COTEXT 8KNOW COTEXT 9KNOW COTEXT 10KNOW PEOPLE 11FRAME INSIGHTS 12FRAME INSIGHTS 13BRONNEN 14

1

INLEIDINGDit onderzoeksverslag gaat over het onderzoek naar Data gedreven onderwijs. Dit is op dit moment een opkomend product waar onderwijs instanties mee bezig zijn om dit toe te kunnen gaan passen in hun organisatie.Waarom is het op dit moment zo belangrijk dat de studen-ten op de voelt gevolgd kunnen worden in hun leerpro-ces. Dit is belangrijk omdat het (speciaal) onderwijs in Nederland aan het verdwijnen is. Studenten die extra hulp nodig hebben werden voorheen op een school geplaastst waar deze hulp en zorg beschikbaar was, op dit moment is het zo dat deze studenten naar het regulier onderwijs worden door verwezen. Hierdoor hebben docent en trainers niet meer de mogelijkheid om het extra stukje zorg en hulp voor de student te verwezenlijken. Door gebruik te maken van leeranalyse kunnen de studenten een geperso-naliseerd lesprogramma ontwikkelen op het niveau wat zij prettig vinden.

ANALYSIS SYNTHESIS

REALIZATIONRESEARCH

UNDERSTAND MAKE

REAL

ABST

RACT

Om een duidelijke manier van onderzoek te verkrijgen is er gekozen om gebruik te maken van de methode 101 design methods, deze methode is ontwikkeld door Vijay Kumar. In dit onderzoek worden er vier modus van deze methode gebruikt. Deze methodes zijn:• Mode 1: sense intent • Mode 2: know context• Mode 3: know people• Mode 4: frame insights Het onderzoek heeft zich gericht op Big-data in het onderwijs. In de volksmond ook wel learning analytics of leeranalyse genoemd. Dit onderzoek heeft zich vooral gericht op het middelbaar beroepsonderwijs.In de onderstaande hoofdstukken worden de vier methodes behandeld.

2

Om het onderzoek een goed begin te geven is er begonnen met mode één, dit is gedaan om een duidelijk beeld te krijgen waar het onderzoek moet beginnen. In deze mode wordt er gekeken wat er op de wereld gebeurd op het gebied van Data gedreven onderwijs. Dit onderwerp wordt gekoppeld aan veranderingen binnen verschillende omgevingen neem als voorbeeld de technologie, bedrijven, cultuur enz. Door deze omgevingen te koppelen ontstaat er een beeld die kan helpen in het vervolg van het onderzoek. Er is tijdens deze mode gebruik gemaakt van de volgende drie sub delen. • Offering-Activity-Culture Map• Trends Matrix• From… To Exploration.De uitkomsten van deze drie onderdelen zullen in dit hoofdstuk worden gecombineerd en uit deze combinatie zullen onderzoeksrichtingen geformuleerd worden.

Voor een duidelijke vorm van het onderzoek is er gekozen om te beginnen met de Offering-Activi-ty-Culture Map, door gebruik te maken van deze methode ontstaat er een bepaald woord web. In dit web is er voor gekozen om als hoofd zoekterm data gedreven onderwijs te gebruikten. Bij deze zoekterm kwamen meteen een aantal vragen omhoog zo was het voor het onderzoek nog niet duidelijk wat data gedreven onderwijs

SENSE INTENT

nu precies inhoud.Een aantal vragen die omhoogkwam was hoe kan data het leerresultaat van een student verbete-ren, hoe kan de data helpen voor begeleiding van een student? En hoe kan ervoor worden gezorgd dat de data beveiligd is, zijn hier al bepaalde wetgevingen over?Er kan een bepaald moment aanbreken dat er te veel data wordt verzameld en dat er hierdoor een wirwar van data ontstaat. Hoe kan men er dan voor zorgen dat deze data gestructureerd wordt en dat het beste uit deze data gehaald kan worden. Op dit moment is er nog maar weinig bekend over het hele fenomeen Big-dataOm antwoorden te krijgen op bovenstaande vragen is ervoor gekozen om een trends matrix te maken. In deze matrix wordt er gekeken naar een aantal aspecten. Deze zijn door de onderzoeker bepaald, de gekozen aspecten zijn;• Techniek• Aanbod• Studenten• Cultuur• Bedrijven.Er is gekeken naar de waarde van data gedreven onderwijs in het verleden het nu en in de toekomst. Vooral het kopje cultuur is een belang-rijk deel gebleken. Wat vinden wij als zijnde

3

SENSE INTENT

mensen van het fenomeen Big-data? willen wij met al onze gegevens zomaar te koop lopen en wie weet wat voor gekke dingen er met onze data kunnen gebeuren.

Om hier verder op in te zoemen is er gebruik gemaakt van de volgende methode;From… to exploration. Met deze methode wil de onderzoeker kijken wat de mogelijkheden van Big-data in het onderwijs zijn. Om deze mogelijk-heden te kunnen checken is er naar de volgende gegevens gekeken;• Gevoel• Veiligheid• Proces• Cultuur Deze trends zijn bekeken in het verleden het nu en in de toekomst.Wat hierin opviel was dat er op dit moment steeds meer angst voor Big-data naar voren komt en dat er nog geen duidelijke richtlijnen zijn voor het verwerken van deze data.

ConclusieAls alle verkregen informatie gecombineerd wordt komt daar de volgende conclusie uit. Op dit moment is er nog weinig duidelijk over de Big-da-ta die verkregen wordt bij alledaagse bezigheden. Leeranalyse staat in de kinderschoenen daardoor is er nog niet veel duidelijk over de effecten van

het inzetten van leeranalyse. Er zijn bedrijven die zich op dit moment bezighouden met het ontwik-kelen van leeranalyse software als we hiernaar gaan kijken blijkt dat er veel data gekoppeld kan worden en dat het leerresultaat per individu bepaald kan worden.Mensen geven aan dat er angst heerst over Big-data. Als er gekeken wordt naar de verkiezin-gen in Amerika waar men er van verdacht wordt dat de Russen Facebookdata hebben gekocht om zo de verkiezingen van Donald Trump te beïnvloeden. Bedrijven kunnen aan de hand van sociaal media hun werknemers voor een sollicitatie helemaal na trekken en zo kijken of de kandidaat geschikt is. Hoe ver gaat dat op dit moment in Nederland wat kan men doen om zijn of haar gegevens te beveiligen. Wat opviel was dat erop dit moment nog geen duidelijke wetgeving is over het verkrij-gen en verwerken van Big-data. Wat wel vast staat is dat persoonlijke data geanonimiseerd moet worden. Maar wat blijkt is dat er doormid-del van veel data te koppelen en toch een gebrui-kersprofiel geschetst kan worden waardoor de data niet meer anoniem is.

4

Data gedreven onderwijs

Rendement

Begeleiding

Te veel Data

Centraal toetsing

Beveiliging van data

Cominucatie verbteren

Bedrijven kopen

Data

leerlingen krijgen

prestatiedrang

Privacy

Online leerom

geving

Overbruggen van

leerproblemen

Verbeteren leerresult

aat

Authentiek

Zelfsturing

Leerresultaat per student

Docenten krijgen meer inzicht

Door de bomen het bos niet meer zien

Leven wordt van te voren bepaald

Zwak medium

Onafhankelijk

Prive gegevens niet meer Prive

Bedrijven kunnen gegevens kopen

Sneller handellen

Leer mogelijkheden inzichtelijk

1 op 1

Krachtig kunnen toetsen

Sneller inzicht

Hulp kunnen bieden waar nodig

Vernieuwend

Krachtig

Alles openbaar

Prive gegevens voor iedereen inzichtelijk

Leerlingen werken voor punten

Succsesen halen voor

studie minder belangrijk

Alle gegevens zijn bekend

5

Data gedreven onderwijs (Big-data)

Voorheen Momenteel Toekomst

Techniek Toetsing analoog, weinig inzicht in voortgang per student.

Digitaal toetsing/begeleiding.Niveau gericht toetsing. (Eindtoets)

Digitaal toetsing door middel van VR-toetsing.Begeleiding op niveau per student.

Aanbod Cito toetsing, Cito lesstof

Digitale lesstof, Digitale toetsing, Digitale leerling gegevens. Doorstroommoge-lijkheden

Digitale leerom-geving, VR-lessen. Big data uit de kennistoetsen.

Studenten Allemaal zelfde toetsing/ onderwijsGeen mogelijkheid voor ICT-producten, Data over voortgang is niet bekend.

Toetsing op niveau, onderwijs wordt gevolgd door middel van eigen leervragen van studenten. ICT-toe-passingen worden hiervoor ingezet.

Zelfsturend leren, Docent is voor begeleiding. Data over leerstatus in overvloed. Docenten kunnen hierdoor sturen naar en hoger leer rendement.

Cultuur Digitale data komt in opkomst. Digita-lisering wordt voor gevreesd. Het beeld wat bestaat is dat docenten kennis te doceren.

Sommige docenten zien big data niet zitten. De docenten die dit wil zien zitten gaan aan de slag met de ICT-mogelijkhe-den. Hierdoor begint er een digitaal dossier per student te ontstaan. (Bijv. Electude,Inovam)

Docenten die niet mee willen met de techniek verdwij-nen, Docenten die in zijn voor vernieu-wend onderwijs zijn nodig. Kennis wordt op niveau aangebo-den.

Bedrijven Aanloop nieuwe werknemers is gebaseerd op een diploma. Bedrijven hebben geen inzicht in de (praktijk) kwaliteiten van nieuwe werknemers. Digitalisering

Bedrijven krijgen inzicht in Big Data van werknemers. Neem socialmedia, (facebook, LinkedIn, twitter)Ook komen er gegevens van het gevolgde onderwijs voor bedrijven waar BBL studenten werkzaam zijn vrij.

Techniek vakken waaronder motorvoertuigen-techniek wordt alleen nog gegeven in BBL (nv2, nv3) structuurData van de studie wordt gelijk doorgezet naar de bedrijven waar studenten werkzaam zijn.

6

Data gedreven onderwijs (Big-data)

Van Trend Naar

Gevoel Ontwetendheid, afwachting

Onrust door vrijge-ven van perosoon-gegevens. Angst wie er allemaal bij de verkregen data kunnen

Angst, vertrouwen

Veiligheid Data onveilig op het web.

De vraag: Hoe wordt ervoor gezorgd dat mijn data beveiligd is? wat doen bedrij-ven met alle data die te verkijgen is

Systemen waar bedrijven data kunnen verkijgen door middel van betaling

Proces Geen veilige opslag-mogelijkheden, geen duidelijke structuur in data

Alle beschikbare data wordt opgesla-gen, Data is te koop, bedrijven maken reclames gekoppeld aan de data van de klanten

Automatische opslag mogelijheden voor alle verkregen data. Data wordt geordend zodat deze inzetbaar is voor bedrijven.

Cultuur Nog niet toe aan vrijgeven van gevoelige data (privacy gevoel)

Datagegevens worden vrijgegeven door gebruikers van Sociaal Media. Door een smartphone te activeren wordt er akkoord gegaan met het delen van gegevens.

Het zomaar accepte-ren van gebruikers voorwaarde die niet gelezen worden.

7

KNOW COTEXT

Om een verdiepende slag in de verkregen inzichten van mode één te kunnen maken is het belangrijk dat er gebruik gemaakt wordt van mode twee. Deze mode richt zich op de context van het onderzoek. Om deze verdieping te kunnen maken is er voor gekozen om gebruik te maken van de drie volgende methodes.• 2.2 Popular Media Search• 2.12 Subject Matter Experts Interview• Fly On The WallDoor gebruik te maken van mode 2.2 kreeg de onderzoeker meer inzicht over Data gedreven onderwijs op dit moment. Door bepaalde zoekter-men te gebruiken kan er doelgericht gezocht worden naar relevante informatie over dit onderwerp.Voor de Popular Media Search heeft de onderzoe-ker de volgende tien zoektermen gebruikt;1. Welke (big)data wordt gebruikt?2. Hoe kunnen we big data beveiligen?3. Welke wetgeving hangt er vast aan gebruik van big-data?4. Welke onderwijsniveaus maken al gebruik van big-data?5. Is het mogelijk om studenten op niveau op te leiden?6. Is er een mogelijkheid op betere handha ving van vsv?7. Wat betekend vsv?

8. Kan het onderwijs sturen naar beter passende opleidingen voor de student?9. Wat is het landelijk gemiddelde vsv’ers op dit moment?10. Hoe kan big-data vsv’ers verminderen?11. Wat voor big-data kan er op dit moment allemaal gebruikt worden?

Hier kwamen wel relevante gegevens naar voren. De vraag wat zijn vsv’ers kwam naar voren dat het gaat om jongeren tussen den 12 en 23 jaar die zonder startkwalificatie het onderwijs verlaten. Het landelijk gemiddelde in het schooljaar 2015/2016 is 22,948 van de 1.353.309 studenten omgerekend is dit 1,7 procent.De wetgeving omtrent Big-data is er bijna niet. Big-data blijft lastig te anonimiseren. Het is dus lastig om een goede manier te krijgen om je persoonsgegevens te beveiligen. Als er gekeken wordt naar de beveiliging van de verkregen leerresultaten van studenten is het belangrijk dat deze zo goed mogelijk beveiligd worden. Hier zijn op dit moment verschillende mogelijk-heden voor. Een van deze mogelijkheden is de PDL Personal Data Locker. Met deze locker kan de gebruiker zelf aangeven welke data hij of zij beschikbaar wil stellen en wie er bij deze data kan. Op deze manier kan een student ervoor zorgen dat zijn of haar Data in de juiste handen blijven. Wat ook naar voren kwam is dat er op

8

dit moment nog weinig onderzoek is gedaan naar de directe relatie tussen het werken met een digitale leeromgeving en gepersonaliseerd leren. Wat ook blijkt is dat docenten moeite hebben met het interpreteren van de verkregen feedback en het inzetten daarvan voor differen-tiatie. Docenten hebben het gevoel dat zij (oude) lesmethodes voor hun eigen groepen zouden moeten gebruiken

Als er gekeken wordt naar de mogelijkheden voor gepersonaliseerd leren zijn er verschil-lende mogelijkheden beschikbaar. Een van deze mogelijkheden is HBDI-Junior, met deze software kan er aan de hand van verschillen-de vragen een beeld gevormd worden over de manier van leren van deze student. Deze mogelijkheden zijn al een tijdje beschikbaar denk hierbij aan de leermethodes die Kolb heeft beschreven. Het nadeel van deze methode was dat deze nog niet digitaal was gemaakt. Door gebruik te maken van HBDI-Junior kan de verkregen Data meteen gekoppeld worden aan de digitale leermethode die voor de student beschikbaar is. Op dit moment worden er op sommige scholen al geëxperimenteerd met het werken van leer Data. De Data die op dit moment daarvoor gebruikt wordt zijn;

• Het studiegedrag en de studievoortgang van de studenten• De kwaliteit van het onderwijsmateriaal en de toetsen die de opleiding gebruikt• Het gebruik van de digitale leer- en werkomgeving

KNOW COTEXT

9

KNOW COTEXTWie: Rikkert KoppesBedrijf: Camarillo Wedstrijdmanage-mentFunctie: Eigenaar/ Ontwikkelaar

Camarillo Wedstrijdmanagement is een bedrijf die zich richt op het wedstrijdmanagement in de paardensport. Waar zij zijn begonnen met het verkrijgen van Juryrapporten en een digitaal ruiterportfolio zijn ze zich uitgaan breiden naar het ontwikkelen van mogelijkheden om te kunnen trainen aan de hand van Data. Om erachter te komen welke manier Camarillo gebruikt om te kunnen trainen via Data is er met oprichter en eigenaar Rikkert Koppes aan interview gehouden.Voor het interview zijn een aantal vragen opgesteld. Deze vragen zijn;* Welke (big) data gebruiken jullie voor de koppeling naar training* Hoe beveiligen jullie de data op dit moment?* Hoe zien jullie de koppeling met de aankomende gadgets?* Hoe zien jullie de toekomst van de mogelijkheden over 10 jaar?* Hoe staat u zelf tegen over de big dataontwikkelingen?

Tijdens dit interview kwam naar voren dat Camarillo gebruik maakt van data die verkre-gen wordt uit de juryrapporten en sinds kort ook data uit filmmateriaal. Door de data van de rapporten te koppelen aan het beeldmate-riaal wat gemaakt is tijdens een proef kan een ruiter met zijn of haar instructeur kijken naar de verbeter punten. Op deze manier kan er veel doelgerichter getraind worden. Door dat er geen wetgeving is over het beveiligen van deze data kwam de vraag omhoog hoe Camarillo de gebruikersgegevens beveiligd tegen mensen die niet bij deze Data hoeven te komen. Rikkert gaf aan dat Camarillo gebruik maakt van verschil-lende inlogdiensten zoals Google en Facebook. Hierdoor hoeft Camarillo geen losse mogelijk-heid aan te bieden om de Data te beveiligen. Om het softwarepakket nog verder uit te breiden zijn ze nu een test begonnen met het koppelen van verschillende hardware zo was de camera al een onderdeel van het geheel maar nu komt daar ook nog hartslagmeters voor ruiter en paard bij en teugeldruk meters. Door deze data te koppelen aan het filmmateriaal kan de ruiter nog beter onderzoeken waarom een paard een bepaalde handeling doet en waarom het punt misschien hoger of lager zal zijn dan verwacht. De toekomst is nog onduidelijk gaf Rikkert aan,

10

KNOW COTEXTwie weet is er over 10 jaar wel geen ruitersport meer en vinden wij het als burgers zielig om op een paard te zitten. Het gebruik van Big-data is volgens Rikkert een goede ontwikkeling, er kunnen veel kansen ontstaan voor bedrijven en burgers door het gebruiken van Big-data. Wat Rikkert wel opviel in het onderwijs is dat er in het middelbaar onderwijs nog niet standaard geleerd wordt om te programmeren. Het is volgens hem belangrijk dat kinderen en tieners hier mee in aanraking komen omdat dit de toekomst zal zijn voor veel beroepen. Hij zelf is van origine een natuurkundige en heeft zichzelf omgeschoold naar programmeur omdat hij zag gebeuren dat zijn beroep in de toekomst niet meer zal bestaan.

11

KNOW PEOPLEVoor mode 3 is Fly On The Wall toegepast. Deze methode wil zeggen dat de onderzoeker een professional observeert zonder dat deze persoon dat door heeft. Voor dit onderzoek is er voor gekozen om Rikkert Koppes van het bedrijf Camarillo te observeren tijdens de verwerking van alle data tijdens een wedstrijd. Wat hier opvalt is dat de ruiters met een ruiterpaspoort aangemeld worden doormiddel van een chip die in het paspoort geplakt zit. Na deze aanmelding komen op verschillende plekken bij de organi-satie deze data binnen. Als de ruiter zijn of haar proef gaat rijden staat er een camera klaar om alle bewegingen vast te leggen. Na de proef komt automatisch het protocol ingevuld en al in het systeem terecht.Al deze gegevens worden op een persoonlijke portal opgeslagen zodat alleen de ruiter waar het om gaat deze gegevens kan zien. Als er gekeken wordt naar de verwerking van deze data gebeurd dat op drie stappen. Als de Data binnen komt is het nog Data, van hieruit wordt het gefilterd naar Informatie waar de ruiter iets mee kan als laatste stap wordt deze informatie omgezet in kennis. Deze kennis kan de trainer inzetten op trainen op niveau. Camarillo kan met deze Data een systeem ontwikkelen die automatisch de proeven kan volgen en waar de jury inzicht heeft in deze beelden.

12

FRAME INSIGHTS

Voor mode 4 is gebruik gemaakt voor mode 4.2 Insights Sorting, bij deze mode worden alle inzichten die in het gehele onderzoek naar voren zijn gekomen verzameld. Uiteindelijk worden deze inzichten geclusterd en komen er nieuwe inzichten voor in de toekomst naar voren. Bij het clusteren van alle inzichten in dit onderzoek zijn er de volgende vijf clusters ontstaan• Onderwijs• Studenten• Beveiliging• Cultuur • BedrijvenAl deze clusteren worden hieronder per cluster samenge-vat

OnderwijsSamengevat:Het onderwijs moet blijven vernieuwen om de snelle technische ontwikkelingen bij te kunnen houden. Door gebruik te maken van meer data kan de student optimaal begeleid worden in zijn of haar leerproces.

StudentenSamengevat:Zelfregulerend leren via digitale leerstof wordt verbeterd door big-data (leeranalyse)

BeveiligingSamengevat:Over Big-data bestaat op dit moment nog geen wetgeving, hierdoor is het onduidelijk wat er met alle data gebeurd. Bedrijven bieden mogelijkheden aan om de data te beveiligen.

CultuurSamengevat:Burgers hebben angst voor de mogelijkheden van Big-data.Het is voor veel mensen onduidelijk wie en wat er bij de data kan komen. Het onderwijs biedt inzicht in de loopbaan per student en maakt dit zichtbaar voor ouders.

BedrijvenSamengevat:Bedrijven krijgen steeds meer inzicht over het leven van hun werknemers.Door gebruik te maken van verschillende bronnen kunnen bedrijven profielen maken van gebruikers.Bedrijven die een bbl plek aanbieden krijgen toegang tot leerresultaten van hun studenten.

In de toekomst moet er een aantal dingen verbeterd worden zo zijn onderstaande inzichten naar voren gekomen.• Duidelijkheid over beveiliging van data vergrote.• De gebruikersvoorwaarde van producten kort samenvatten in drie punten• Mensen triggering om jaarlijks hun wachtwoorden voor belangrijke sites te wijzigen• Bedrijven verplichten om voor het aanschaffen van een product duidelijkheid te laten geven over gebruikersvoorwaarde• In het onderwijs blijven vernieuwen.• Digitale lesstof met VR inzetten bij praktijklessen• Mensen medezeggenschap geven in het maken van voorwaardes voor producten• Burgers een stem geven over de mogelijkheden van beveiliging• Het onderwijs digitaliseren.

13

FRAME INSIGHTS• Gebruikers zelf de mogelijkheden van een softwarepakket laten kiezen• Campagnes starten zoals “geld lenen kost geld” maar dan gericht op beveiliging van gevoelige Data “dat is pech Data weg”• Gevaren van sociaalmedia toonbaar maken.• Leerresultaten koppelen aan leermethodes• Programmeren invoeren in het middelbaar onderwijs.• Bewustwording van de gevaren van Big-data vergroten.

14

BRONNEN

Mode 1:https://www.kennisnet.nl/artikel/adaptieve-toets-motiveert-zwakke-leerlingen-beter/https://www.leraar24.nl/digitaal-toetsen/https://scholar.google.nl/scholar?q=digitaal+onderwijs+ontwikkelingen&hl=nl&as_sdt=0&as_vis=1&oi=scholart&sa=X&ved=0ahUKEwjfkpf2op_WAhUKZlAKHXOjBHQQgQMINTAAhttps://nl.wikibooks.org/wiki/Onderwijstechnologie/Waarom_onderwijstechnologie%3Fhttps://www.nro.nl/wp-content/uploads/2017/07/Verkenning-datagedreven-onderzoek.pdf

Mode 2&3:https://link.springer.com/chapter/10.1007%2F978-1-4614-3305-7_4https://ictrecht.nl/2014/11/03/big-data-en-de-benodigde-privacywaarborgen/https://www.rijksoverheid.nl/onderwerpen/vsv/cijfers-schooluitval-meten/feiten-en-cijfers-schooluitvalhttp://www.joitskehulsebosch.nl/wp-content/uploads/2016/06/learning-analytics-light.pdfhttp://www.onbetwist.org/deliverables/wp5/onbetwist5.4.pdfhttps://blog.surf.nl/personal-data-locker-voor-learning-analytics/ http://www.laceproject.eu/ethics-privacy/https://www.nro.nl/wp-content/uploads/2017/05/206-Antwoord-Besluitvorming-leraren-ICT.pdfhttp://www.herrmann-europe.com/nl/onze-gereedschappen/het-hbdihttps://nl.linkedin.com/pulse/ministerie-wil-minder-vroegtijdige-schoolverlaters-jettie-reijenga