woensdag 29 januari 2014

Big Learning Data, je ziet het niet, maar is het er wel?

InformED geeft een mooi overzichtsartikel over het nut en gebruik van Big Data voor onderwijsdoeleinden. Zij noemen dat Big Learning Data. Een soort combinatie dus tussen Big Data en Learning Analytics.

Big Data heeft volgens hen drie kenmerken:
Volume - Er is veel van. Data van veel  leerlingen. Of veel datapunten van een leerlingen.
Snelheid - De data is snel beschikbaar. Resultaten die leerlingen halen of de ontwikkeling die ze doormaken, is (bijna) in realtime terug te vinden.
Variatie - verschillende soorten informatie zijn bij elkaar te brengen. Correlaties die eerder niet (makkelijk) opgemerkt werden, kunnen nu opgespoord worden.

Vervolgens gaan ze in op wat de voordelen voor het onderwijs zouden zijn.
Feedback - Leerlingen krijgen sneller en meer feedback en zouden zichzelf zelfs kunnen vergelijken met anderen die dezelfde feedback ontvingen.
Motivatie - Leerlingen raken meer gemotiveerd om data (ik vertaal dat als: leeractiviteiten) te produceren omdat ze zien dat het ze kan helpen.
Personalisatie - Door het gebruik van big data kan in de toekomst steeds verder gepersonaliseerd worden.
Efficiëntie - Door het gebruik van big data krijgen we steeds meer zicht op welke leerpaden voor welke leerlingen het best werken. Daardoor wordt het onderwijs efficiënter.
Samenwerking - Door het gebruik van data uit verschillende bronnen wordt samenwerking tussen specialisten aangemoedigd.
Volgen - We kunnen de digitale broodkruimels van leerlingen volgen en daardoor beter worden in het herkennen van patronen die gevolgd worden gedurende leerprocessen.
Het leerproces begrijpen - We krijgen beter zicht op de makkelijke of te moeilijke onderdelen van een leerproces. We gaan ook beter begrijpen welke invloeden inwerken op het leerproces (peers, tijd van de dag, leervoorkeuren).

Maar daarna belichten ze ook de negatieve kant van Big Data.
Privacy - Op basis van alle data kunnen profielen opgesteld worden. Een leerling zal steeds sneller in een bepaald profiel ingedeeld kunnen worden. Het gevaar hiervan is dat leerlingen veel te snel een bepaald stempel krijgen en er een zelfvervullende voorspelling optreedt die hen hun hele leven kan volgen.
Ontmenselijking - Door het gebruik van profielen treedt een ongewenste ontmenselijking op. Beoordelaars krijgen wellicht de neiging om de leerlingen als een verzameling datapunten te zien in plaats van als echte mensen.
Bedrog door cijfers - Als we steeds meer zaken in cijfers gaan vatten, ligt misbruik en bedrog op de loer. Deze cijfers zouden het leerproces moeten dienen, maar zoals je nu al ziet bij gestandaardiseerde testen gaat er een geheel eigen dynamiek aan het werk. Verschraling van het onderwijs kan het gevolg zijn.
Correlatie vs. causaliteit - Het gevaar is dat bepaalde datapatronen geïnterpreteerd worden als oorzakelijke verbanden, terwijl er alleen maar een correlatie in het spel is. Mensen moeten wel blijven nadenken bij het interpreteren van gegevens.
Gebruik van de data voor andere doeleinden - Als de learning data bijvoorbeeld gebruikt gaan worden om de kwaliteit van scholen te vergelijken, is er iets mis. Gezien de huidige praktijk is dit een terechte angst.

Tenslotte geven ze aanbevelingen over hoe om te gaan met deze ontwikkelingen.
Transparantie - leerlingen hebben het recht hoe er om gegaan wordt met de data. Hoe wordt data bewaard, gedeeld of gebruikt?
Privacy - Regels rondom privacy moeten strikt opgesteld worden. Wie krijgt de data te zien? Geaggregeerd of niet.
Waarde voor de leerling - Geef de leerling waarde voor zijn data terug. Hoe deden vergelijkbare leerlingen het? Welke hulp kregen zij? Welke vragen worden het meest fout gemaakt?
Diepte van de metingen - Niet alleen meten of een vraag goed of fout beantwoord wordt, maar ook hoe lang een leerling over het beantwoorden doet, of de weg die de muis heeft afgelegd voordat het goede antwoord gegeven werd.
Kosten - Ga niet alleen voor de makkelijk verkrijgbare data. Data die door meer moeite (lees kosten) verkregen wordt, is vaak beter van kwaliteit.
Veel factoren beïnvloeden leren - De beschikbaarheid van (beperkte) data moet ons niet doen vergeten dat er heel veel factoren van invloed zijn op leren. Blijf daar open voor staan.
Data presenteren - Hoe zorgen we ervoor dat de data betekenisvol gepresenteerd kan worden?
Gereedheid - Hoe zorgen we ervoor dat degenen die moeten gaan werken met Big Data er klaar voor zijn?
Infrastructuur - De infrastructuur moet op orde zijn om van Big Data gebruik te kunnen maken.
Openheid - We moeten gaan begrijpen in welke situaties het gepast is om data te gebruiken en te delen.

Het hele artikel is hier te lezen.

Zo langzamerhand lijkt het me inderdaad tijd te worden voor makers van (digitale) methoden om je over deze vragen te buigen. Laatst deed ik in een blogpost de suggestie dat de makers van Muiswerk hun software gratis gingen aanbieden zodat ze aan de gang konden met Big Learning Data. Dat bleek niet het geval te zijn, gezien de reactie die ik onder die blogpost kreeg.
Eerlijk gezegd verbaasde me dat.
Welke uitgever kan bevestigen dat dit wel degelijk zaken zijn waarover 'aan de achterkant' nagedacht wordt?
Of ziet Kennisnet dingen die er niet zijn?


(bron afbeelding)

Geen opmerkingen:

Een reactie posten