Wat als je opleiding niet tot het gewenste resultaat leidt?

Heldere doelstellingen vermijden tegenvallende resultaten

De eerste die uit het niets een gigasucces van zijn opleiding maakte, moet nog geboren worden. Elke nieuwe ontwikkeling gaat met vallen, opstaan, terugkeren en doorgaan (en opnieuw vallen, waarschijnlijk). Bij e-leren is dat niet anders. Heb je je opleiding geëvalueerd en merk je dat de (tussentijdse) resultaten tegenvallen? Dan staat je maar één ding te doen: terugkeren naar de basis.

Maar wat wíl je nu eigenlijk?

Goed, je hebt het gevoel – of je bent het zeker – dat je opleiding niet de resultaten brengt die je wou. Het allereerste wat je je dan moet afvragen is: ‘Maar wat is het eigenlijk dat ik wil?’ Je keert dus terug naar de (leer)doelen van je opleiding. Welke (slaag)percentages wou je behalen, waren die realistisch, hoe heb je die gemeten en was dat de beste methode?

Hier is het onderscheid tussen je leerrendement – dus wat je op basis van de evaluatie van je leerdoelen berekent – en je algemene succescriteria erg belangrijk. Maak goed het onderscheid tussen het slagen van je opleiding als commercieel model en het slagen van de leerervaring. Werk je vanuit commercieel oogpunt of ligt de focus op leerervaring? Welke kosten kan, wil of moet je maken? Let erop dat deze doelstellingen niet te veranderlijk zijn, je moet ze keer op keer kunnen inzetten.

De criteria die je vooraf vastlegde zijn cruciaal voor je opleiding. Ze moeten van bij de start kristalhelder zijn. Hoe pak je dat aan?

SMART

Je kent het principe ondertussen wel: doelstellingen moet je SMART formuleren. We zetten hier op een rijtje wat dat kan betekenen voor je opleiding, mét voorbeeldjes. Gewoon omdat het kan.

Met de S van specifiek. Is je doelstelling eenduidig? Zijn het niet mis te verstane woorden? ‘80% van de lerenden volgt de opleiding tot het einde.’ Wat is ‘het einde’? Is dat inclusief examen, of niet?

Met de M van meetbaar. Onder welke meetbare voorwaarden is je doel bereikt? ‘De meeste lerenden komen regelmatig naar de les.’ Zowel ‘de meeste’ als ‘regelmatig’ giet je hier best in meetbare aantallen. Dan krijg je iets als ‘75% van de lerenden komt wekelijks naar de les.’ Doelstellingen meetbaar maken is, zeker in onderwijs en opleiding, niet altijd gemakkelijk. Begin leerplezier maar eens te meten. Gelukkig kunnen learning analytics je hier heel wat kopzorgen besparen en interessante data opleveren.

Met de A van acceptabel (of soms van aangenaam). Zijn je doelen aanvaardbaar voor je doelgroep en/of het management? Iedereen moet tevreden zijn. ‘10% van de lerenden schrijft zich in voor de vervolgopleiding’is misschien wel haalbaar, maar misschien niet zo’n acceptabel (of aangenaam) doel voor het management.

Met de R van realistisch. Is je doel haalbaar? Het kan mooi klinken hoor: ‘100% van de lerenden haalt 95% of meer als eindscore. Maar hoe realistisch ben je? Als een opleiding tegenvalt, is het vaak hier dat het schoentje wringt. Misschien mikte je op 80% slaagcijfers en haal je maar 70%. Maar heb je wel 99% tevredenheid over de opleiding?

Met de T van tijdsgebonden. Wanneer moet het doel bereikt zijn? Wees ook hier realistisch en zorg dat je de data ook effectief voorhanden hebt op het vooropgestelde tijdstip. ‘80% van de lerenden gebruikt het e-learning platform’ is niet tijdsgebonden. ‘Tegen 1 november heeft 80% van de lerenden zich minstens 2x ingelogd op het e-learningplatform’ is dat wel.

Keer terug naar de lerende

Herinner je je nog ons vierlagenmodel? Neem dat er ASAP weer bij, als het niet nog boven je bureau hangt. Kijk daar waar in het model het misliep.

Als je resultaten tegenvallen, is het essentieel dat je eerst en vooral terugkeert naar de basis, naar je lerenden dus. Ga weer met hen spreken, achterhaal waarom ze  uitvallen bijvoorbeeld. Link dit aan je eigen succescriteria. Moet je die eventueel bijsturen? Herstart van hieruit je leerpaden en pas aan als dat nodig blijkt.

Nattevingerwerk

Eerlijk, zeker als je je e-leren voor een allereerste keer ontwikkelt, komt er best wat nattevingerwerk bij kijken. We houden er niet van, maar soms is het onvermijdelijk. Het is daarom cruciaal dat je ook en route gaat evalueren en bijsturen. Je wil niet pas op het einde merken dat je natte vinger compleet de verkeerde kant op wees.

Het kalf is nog niet verdronken

Tegenvallende resultaten zijn sneu, hoe je het ook draait of keert. Maar ze geven ook informatie van onschatbare waarde. Denk aan yesterday’s weather principe. Dit houdt in dat je heel veel tijd kan verliezen door zo precies mogelijk berekende gokken te doen. Terwijl het veel waardevoller en correcter is om te kijken naar wat er al op tafel ligt. Je eerste inschattingen zullen er uiteraard wel wat naast zitten. Maar hoe meer data je verzamelt en analyseert, hoe correcter je inschattingen op de duur worden.

Bereik je niet het resultaat dat je verwacht had? Bekijk dan eerst die verwachtingen opnieuw, misschien moet je die wat finetunen. En anders keer je steeds terug naar de basis: de lerende en het vierlagenmodel. Goed, Je moet misschien je verwachtingen wat bijsturen, maar dan weet je dat ook. Je hebt nu een basis voor concrete aanpassingen naar de volgende opleiding toe.