Personalisering, inclusiviteit en data: de case van Learning Analytics bij de Open University

Analytics en leren: waarom?

Levenslang leren is een begrip dat veelvuldig onder de aandacht wordt gebracht binnen de politieke en beleidscontext. Het vermogen om zich snel aan te passen of nieuwe vaardigheden te leren en om te alterneren tussen leren en werken, is cruciaal, of je nu werknemer, ondernemer of student bent. Een alternerend model van leren en werken zal in de plaats treden van het traditionele successieve model van eerst leren, dan werken en daarna op pensioen gaan. In zo’n alternerend model wordt standaardisatie in leren, waarbij wordt uitgegaan van een gemiddelde hoeveelheid kennis aan een gemiddeld tempo, nadelig en nefast. Bovendien heeft technologie op iedereen een impact, maar deze impact varieert qua intensiteit en frequentie naargelang het individu. Waarom kunnen kennis en competenties dan niet volgen en op maat worden aangepast aan de persoon en diens noden op een gegeven moment? Met andere woorden: hoe kan gepersonaliseerd leren mogelijk gemaakt worden? Om dat te realiseren, kunnen learning analytics ingezet worden: het gebruik van databronnen in functie van het optimaliseren van leren en leeromgevingen voor een diversiteit aan lerenden. De Open University toont ons hierbij de weg.

De Open University is de grootste academische instelling van het Verenigd Koninkrijk en een pionier op het vlak van afstandsleren. Het model van de Open University is Supported open learning. Studenten kunnen leren waar en wanneer ze willen en worden begeleid door een persoonlijke tutor die begeleiding en feedback geeft. Toch is er ook een sociaal aspect aan verbonden door het feit dat er gewerkt wordt met forums en studentennetwerken. De Open University heeft studenten in meer dan 128 landen en telt bijna 174.000 formele studenten van over heel het Verenigd Koninkrijk.

Professor John Domingue, hoofd van het Knowledge Center aan de Open University, ontwikkelde een geavanceerde manier om studenten op te volgen via data-analyse. Die techniek staat beter bekend als learning analytics. Learning analytics wordt gedefinieerd als volgt: “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” (Wikipedia). Professor Domingue was één van de sprekers op de Breakfast session die SYNTRA Vlaanderen in mei 2019 organiseerde, waar hij het gebruik van learning analytics toelichtte.

De doelstelling van learning analytics is om het uitvallen van studenten vroegtijdig op te sporen zodat de Open University tijdig en betekenisvol kan interveniëren. Men houdt bij de Open University rekening met volgende zaken:

  • demografische kenmerken van een student (leeftijd, geslacht, socio-economische kenmerken);
  • eventuele eerdere scores op modules of cursussen;
  • scores op assessments en testen die aangeboden worden tijdens de modules en
  • volatiele data: de activiteiten die een student genereert in de virtuele leeromgeving.

Gebruik van learning analytics: hoe?

Figuur 1. Voorbeeld van learning analytics (gepresenteerd door prof. J. Domingue)

Er wordt bij de Open University nauwkeurig bijgehouden welke activiteiten een student per week verricht op het virtueel leerplatform. Deze activiteiten worden gecodeerd met een letter. Enkele mogelijkheden zijn: het forum bezoeken (F), een subpagina raadplegen (S), een bron raadplegen (R), Open University content raadplegen (O) of geen activiteit (N). Deze sequentie van handelingen wordt vervolgens gematcht met het resultaat van de module: geslaagd (pass), niet geslaagd (fail) of niet ingediend (no submit).

Figuur 1 geeft een voorbeeld weer van het traject van een student die geslaagd is. De rijen stellen de weken voor. De bolletjes met lettercodes stellen de mogelijke combinaties voor die een student kan realiseren. De groene pijl toont het traject van de individuele student doorheen de module.

  • Week 1 van de waarneming krijgt bij de student in dit voorbeeld code OF: een combinatie van content raadplegen (O) en het forum bezoeken (F).
  • Tijdens week twee was er geen activiteit (N).
  • De derde week geeft de code ORS: een combinatie van content raadplegen (O), een bron raadplegen (R) en een subpagina raadplegen (S).

De blauwe lijn geeft aan wanneer de module effectief van start ging. De eerste twee rijen gaan dus over interacties op het virtueel leerplatform voorafgaand aan de start van de cursus. Met andere woorden: de student in het voorbeeld was reeds actief in de virtuele leeromgeving voorafgaand aan de eigenlijke start van de cursus. Uiteindelijk blijkt deze student geslaagd voor de module (pass).

Figuur 2. Voorbeeld van learning analytics (gepresenteerd door prof. J. Domingue)

Een volgend voorbeeld betreft een student die zijn of haar opdrachten niet zal indienen. Zoals figuur 2 toont, heeft deze student veel minder interacties met het online leerplatform. Er zijn meer codes N dan in het vorige voorbeeld, wat erop wijst dat er geen enkele actie op het leerplatform is geweest. Het eindresultaat is dat deze student zijn of haar opdrachten niet indiende (no submit).

De data van alle studenten worden zorgvuldig bijgehouden en geanalyseerd. Via een handig dashboard kunnen de tutors de progressie van de studenten bijhouden. Per student wordt een voorspelling gemaakt van wat de uitkomst zal zijn op de volgende taak die moet ingediend worden, en ook van het finale resultaat. Er kan bijvoorbeeld voorspeld worden dat een student de eerstvolgende taak niet zal indienen. Deze student kan dan geclassificeerd worden als ‘at risk’. Dat betekent dat, op basis van alle data, het systeem oordeelt dat er een risico is dat de student in kwestie niet zal slagen. De tutor kan dus extra zorg aan deze student besteden. Er zijn ook studenten van wie voorspeld wordt dat ze niet zullen slagen. Volgens de Open University kan er al met een redelijke zekerheid voorspeld worden of een student zal slagen door enkel de interacties tijdens de twee weken voorafgaand aan het starten van de module in rekening te nemen.

Figuur 3. Voorbeeld van learning analytics (gepresenteerd door prof. J. Domingue)

Daarnaast heeft de tutor ook de mogelijkheid om individuele studenten te vergelijken met elkaar. In het rooster aan de linkerkant (zie figuur 3) wordt een student vergeleken met medestudenten die een gelijkaardig profiel vertonen (zowel qua demografische kenmerken als qua interacties op het virtueel leerplatform). Via de Activity Recommender – onderaan in figuur 3 - worden er leersuggesties aangeboden die de student kunnen helpen om alsnog te slagen. 

Learning analytics: what’s next?

Het gebruik van learning analytics om uitval te minimaliseren en gepersonaliseerde begeleiding te maximaliseren, wordt in Vlaanderen nog maar weinig toegepast. Er moet echter aan twee belangrijke voorwaarden voldaan zijn om learning analytics te doen slagen: 1) het bestaan van verschillende leervormen waartussen er kan gedifferentieerd worden en 2) het verzamelen van gegevens op niveau van de individuele lerende over het gebruik, de tijdsduur, de slaagkansen, etc. om meta-analyses mogelijk te maken. 

Wat betreft de eerste voorwaarde is met duaal leren een belangrijke stap gezet in het mogelijk maken van verschillende leervormen waarin geleerd kan worden. Daarbij worden ondernemingen ook als leeromgevingen beschouwd. Ook het gebruik van online leerplatformen en het gebruik van spelvorm of gaming begint stilaan ingang te vinden in het leren. Eens die verschillende leervormen mogelijk zijn en de lerende toegang daartoe heeft, kunnen gegevens van de lerende in verband worden gebracht met de leervormen die de persoon kiest, de tijd die hij of zij ermee doorbrengt en de slaagpercentages in die diverse leervormen. Op basis van betrouwbare data kan vervolgens een meta-analyse ingezet worden om toekomstige studenten van betere begeleiding te voorzien.

In Vlaanderen pioniert Uitgeverij Acco met een dergelijk leerplatform, dat de naam Sofia draagt. Sofia stelt sinds 2015 verschillende digitale leerinhouden - met sterke nadruk op activerend leren - ter beschikking aan 40.000 gebruikers verspreid over hogescholen en universiteiten in Vlaanderen en Nederland. 

Figuur 4. Leerplatform Sofia (Acco): screen shot

Sofia biedt zowel de inhoud van de cursus aan als instructiefilmpjes en oefeningen. Over al deze verschillende types van cursusmateriaal worden data bijgehouden. Een van de datapunten is bijvoorbeeld het aantal keren dat studenten oefeningen herhalen of het aantal pogingen dat ze ondernemen vooraleer ze een oefening succesvol vervolledigen. Zo zien begeleiders op metaniveau welke oefeningenreeksen eerder moeilijk en gemakkelijk zijn.

Figuur 5. Leerplatform Sofia (Acco): screen shot

Begeleiders krijgen ook inzicht in de spreiding van de resultaten van hun studenten. Via een interactieve tool kunnen verschillende vormen van data gegenereerd worden op verschillende niveaus, zoals op het niveau van de student, de oefeningenreeks of de groep van studenten. Een voorbeeld daarvan staat geïllustreerd in figuur 4 en 5. Sofia is op die manier een eerste stap naar het data driven begeleiden van studenten en het differentiëren in gepersonaliseerde studiebegeleiding.

Blijft u graag op de hoogte van onze nieuwste bijdrages? Schrijf u dan in op onze maandelijkse nieuwsbrief! 

Was deze informatie nuttig?

Bedankt voor uw feedback!