Op de OEBingo kaart: Learning Analytics

Het is waarschijnlijk het meest weggestreepte woord op de buzzwords-bingo van het Online Educa Berlin 2016: Learning Analytics. Andere bingo-knallers waren: Personal Learning, Blended Learning, Network Learning, limitless learning & Design Thinking.

Gelukkig hebben al deze buzz-bingo-knallers een gemene deler: leren. Welke machinale, automatische, slimme, zelfsturende techniek ook bedacht gaat worden: het is de samenwerking tussen mens en techniek waardoor we blijven leren en ontwikkelen.

Het prettige aan deze conferentie (www.online-educa.com) is dat je je volledig kan verliezen in abstracte en toekomstgerichte verhalen of je kan laten inspireren door de zeer praktische voorbeelden en tools waar collega docenten of bedrijven mee staan te pronken. Zo was daar bijvoorbeeld de Finse collega Lasse Seppänen die met hele simpele data een voorspelling maakt over potentiele drop-outs van zijn opleiding. Hij gebruikt alleen het aantal logins per week om te bepalen of er een student potenteel uitvalt.

 

Zie pagina 10 in het magazine hierboven.
Wat Lasse heel duidelijk maakte in zijn verhaal (en in vele andere presentaties en workshops ook steeds weer naar voren kwam) is dat de kwantitatieve data gecombineerd moet worden met kwalitatieve data. Ofwel: de cijfers zijn interessant, maar er mee te doen (cursus verbeteren) of mee te voorkomen (uitval van studenten) kan pas als je het verhaal, motivatie of context weet en kan verbinden. Lasse laat elke maandag een mail sturen naar de studiecoaches waarin een overzicht staat van de student die de week ervoor minder dan 4 keer hebben ingelogd, met daarbij het telefoonnummer van de student zodat direct tot actie kan worden overgegaan.
img_0293
Nieuwsgierig naar de resultaten van onze eigen studenten heb ik de data uit onze eigen leeromgeving geanalyseerd (geanonimiseerd). In de grafieken hieronder zie je op de horizontale as de weeknummers (van September tot December) en op de verticale as het aantal logins op de leeromgeving van één opleiding.

Grafiek 1 - alle 1e jaars studenten van 1 opleiding waarin elke lijn een student voorstelt. Een idee wat er in week 41 gaande is?

Grafiek 1 – alle 1e jaars studenten van 1 opleiding waarin elke lijn een student voorstelt. Een idee wat er in week 41 gaande is?

Grafiek 2 - dezelfde 1e jaars studenten maar dan uitgesplitst per klas, wederom stelt elke lijn een student voor. Wat opvalt bij de uitsplitsing per klas is dat er (op het oog) aardige verschillen zitten in de gedragingen per klas, om een verklaring te kunnen geven is meer kwalitatief onderzoek nodig (een gesprek met de klas kan voldoende inzicht geven).Grafiek 2 – dezelfde 1e jaars studenten maar dan uitgesplitst per klas, wederom stelt elke lijn een student voor. Wat opvalt bij de uitsplitsing per klas is dat er (op het oog) aardige verschillen zitten in de gedragingen per klas, om een verklaring te kunnen geven is meer kwalitatief onderzoek nodig (een gesprek met de klas kan voldoende inzicht geven).

Met de kennis en ervaring van Lasse Seppänen kunnen we per student zien of de studenten potentiele drop-outs zijn. Door te kijken naar de individuele student kan een studie coach een gesprek aangaan met de student om eventuele uitval te voorkomen.

Grafiek 3 - één student geselecteerd die volgens Lasse een keurig patroon van inloggen laat zien (altijd meer dan 4 maal per week).

Grafiek 3 – één student geselecteerd die volgens Lasse een keurig patroon van inloggen laat zien (altijd meer dan 4 maal per week).

Op een abstracter niveau was project SHEILA (sheilaproject.eu) in Berlijn aanwezig. Vooral om de beleidskant van Learning Analytics in een workshop verder aan de man te brengen. Hierin was aandacht voor doelstellingen, stakeholders, privacy en strategie die bij de implementatie van Learning Analytics om de hoek komen kijken. banner-3 De vele deelnemers in de workshop van Project Sheila delen vooral een zelfde ervaring:

We doen iets met data, analyseren en sturen daarmee maar vooral op cursus of docent niveau, er zijn geen of weinig (beleids) instrumenten om gefaciliteerd data in te zetten om een student, docent, cursus opleiding of instituut ten goede te beïnvloeden.

Tijdens de workshop is onder andere nagedacht over data gedreven accreditaties (laten zien met kwantitatieve en kwalitatieve data hoe studenten door een studie heen lopen en op die manier kwaliteit aan kunnen tonen). Een interessante gedachte die ik graag verder verken, net als het verder ontwikkelen van hulpmiddelen voor docenten en coaches om het onderwijs voor zowel docent als student verder te helpen. Met de studiecoaches betrokken bij de hierboven getoonde grafieken ga ik binnenkort aan de slag, to be continued…   screen-shot-2016-12-06-at-22-50-18

Leave a Reply

Het e-mailadres wordt niet gepubliceerd. Verplichte velden zijn gemarkeerd met *