Learning Analytics: van data naar didactiek- Jop Esmeijer- OWD13

Learning Analyics: van data naar didactiek13 november 2013

Jop Esmeijer

Dit is…?

Om te beginnen…

Grootste waarde van Learning Analytics zit niet in een efficiëntere invulling van de huidige onderwijspraktijk…

…Maar is vervlochten met de discussies over hoe we onderwijs wel/niet in willen richten:

Gepersonaliseerd leren, (in)formeel lerenEen leven lang lerenNieuwe vaardigheden

(Zelfsturende vaardigheden, 21st Century Skills)

In deze presentatie

Wat is learning analytics?

Het ontwerp van learning analytics toepassingen

Een voorbeeld van onderzoek bij TNO

Richting de toekomst

I – Learning Analytics

Learning analytics

Learning analytics is the measurement, collection, analysis and reporting

of data about learners and their contexts, for purposes of understanding

and optimizing learning and the environments in which it occurs (LAK

2011)

Ofwel…

Het verzamelen, verwerken en presenteren van (geanalyseerde)

data over de lerende en de leercontext om het leerproces te

ondersteunen.

Voorbeeld: Course signals

Voorbeeld: SNAPP

Voorbeeld: De rekentuin

Voorbeeld: InBloom

https://www.youtube.com/watch?feature=player_embedded&v=N1sU_i9fK8s

Het aanbod

Momenteel:

Uitbreiding op LVS

Focus ligt vaak op voortgang en risico’s voorspellen (veel Hoger

Onderwijs)

Quick wins: ‘makkelijke data’ om te verzamelen

Nog weinig (maar meer):

Aandacht voor didactiek om het leerproces zelf te verbeteren

Integratie in leermiddelen of over leermiddelen heen

Dit is ook moeilijker:

Multi-disciplinair, juiste data, juiste algoritmes, juiste partners, implementatie

II – Ontwikkeling / Implementatie van Learning Analytics

Interface

VData

Interface

Capture Analytics Output & Use

Interface

V

Storage

Preparation & Integration

Data

Interface


Passive

Active

Automated

Passive decision-making

Mediated

Active decision-making

Data governance & security

Stap 0: start met ‘Waarom’?

Learning Analytics is geen doel, maar een middel

Er is dus niet 1 vorm van Learning Analytics!

Interface

V

Storage


Data

Interface


Passive

Active

Automated


Mediated



Stap 0: start met ‘Waarom’?

En verschillende stakeholders hebben verschillende wensen en

belangen:

“Onderwijs verbeteren” (en wat er nodig is om dat te realiseren)

betekent verschillende dingen voor verschillende stakeholders

Hella van Rossum - scholier

Karakter:

Dagelijkse activiteiten:

Wordt op school blij van:

Raakt op school gefrustreerd door:

Ambities in het onderwijs:

Typerende quote:

Ziet learning analytics als:

Annemieke van Doorn – directeur middelbare school

Karakter:

Dagelijkse werkzaamheden:

Wordt in haar werk blij van:

Raakt in haar werk gefrustreerd door:


Typerende quote:


Weimar Broerse - docent

Karakter:

Dagelijkse werkzaamheden:

Wordt in zijn werk blij van:

Raakt in zijn werk gefrustreerd door:


Typerende quote:


Stakeholders en hun primaire focus

Micro Meso Macro

Level of data aggregation

Individual

Class

School

National

Niet alleen ‘waarom’, maar ook het aggregatie-niveau

Micro Meso Macro


Individual Learner

Class

School

National Policy-maker

School-board

Teacher

Micro Meso Macro


Individual

Producer of learning materials

Learner

Class

School

National

Producer of ELE and LTS

Policy-maker

School-board

Teacher

Issues om rekening mee te houden

Privacy

Eigenaarschap van data, transparantie & controle

Huidige onderwijscultuur

Autonomie

Vertrouwen en bemoeienis

Standaardisering & interoperabiliteit

III – Huidig onderzoek

Het herkennen van leerstrategieën

Vraag:

Kunnen we leerstrategieën en leerstijlen herkennen in de data die ahv van

de digitale lesmethode Schooltas van Thieme Meulenhoff verzameld

wordt? (resultaten medio 2014)

Het herkennen van leerstrategieën

Vraag:

Kunnen we leerstrategieën en leerstijlen herkennen in de data die ahv van

de digitale lesmethode Schooltas van Thieme Meulenhoff verzameld

wordt? (resultaten medio 2014)

Indien leerstrategieën herkend kunnen worden, kan het leerprogramma

meer adaptief gemaakt worden:

Leermateriaal aanbieden dat aansluit bij de individuele leerstijl

Bewust een gevarieerd aanbod bieden om andere leerstijlen te

stimuleren

Interface

V

Storage


Data

Interface


Passive

Active

Automated


Mediated



v v

Project II – Learning Analytics & Zelfsturend leren

Hoe kun je zelfsturend leren ondersteunen? Hoe kom je uit de

“Zelfsturend leren-paradox” en faciliteer je ‘shared control’?

Hoe kun je ‘meta-vaardigheden’ over verschillende vakken heen

structureel oefenen en monitoren? Dus hoe combineer je zowel

domein specifieke kennis en vaardigheden, met deze

vakoverstijgende vaardigheden?

Interface

V

Storage


Data

Interface


Passive

Active

Automated


Mediated



Vragen voor de toekomst

Data voor didactiek

Gepersonaliseerd en adaptief

Privacy

Eigenaarschap van data, transparantie & controle

Huidige onderwijscultuur

Autonomie

Vertrouwen en bemoeienis

Standaardisering & interoperabiliteit

Learning Analytics

Grootste waarde zit niet in een efficiëntere invulling van de

huidige onderwijspraktijk

Maar is vervlochten met de discussies over hoe we onderwijs

wel/niet in willen richten:

Gepersonaliseerd leren, (in)formeel leren, leven lang leren

Nieuwe vaardigheden

(Zelfsturende vaardigheden, 21st Century Skills)

Learning Analytics stelt ons in staat om dit te ondersteunen.

Dit vraagt om de samenwerking:

Tussen verschillende disciplines

Verschillende stakeholders

Tot slot…

The way ahead

• Learning Analytics is een speerpunt van TNO-onderzoek

• TNO werkt graag samen met relevante partijen.

• Er zijn nog veel uitdagingen.

• Wat zijn úw vragen?

• Hoe gaan we (samen) door?

Jop Esmeijer, TNO Informatiemaatschappij

[email protected]

08886 62174

@jopesmeijer

mailto:[email protected]

Tussen Hoop en Vrees

Sterktes:

Effectiviteit van het onderwijs verbeteren

Inzicht

Leerprestaties en voortgang

Leerstrategieen en voorkeuren

Gebruik van leermiddelen

Voor beleid

Real-time inzichten en feedback

Ondersteuning voor lerenden en docent

Maatwerk

Betrouwbaarheid

Vergelijking is mogelijk

Motivatie door inzicht en feedback

Dwingt tot heldere leercontstructen

Verminderen schooluitval

Zwaktes

Kennis/expertise (ontwikkeling/gebruik)

Kennis over welke data nu relevant is

Technologische beperkingen

Het moet optimaal werken

Hoge initiële kosten

Privacy-gevoelig

Sterk technologie- en data-gedreven

Focus op ‘harde’ data

Versnippering totaalbeeld

Verzamelen als doel op zich

Weinig ruimte dwarsdenkers

Menselijke maat op de tocht

Risico op labeling

Dank voor uw aandacht!

Learning Analytics: van data naar didactiek- Jop Esmeijer- OWD13

Education

Transcript of Learning Analytics: van data naar didactiek- Jop Esmeijer- OWD13