Home Blogs Acco Learn Learning analytics, een meerwaarde voor het hoger onderwijs

Learning analytics, een meerwaarde voor het hoger onderwijs

Studenten leren steeds meer in een digitale leeromgeving. Zowel het studiemateriaal als de communicatie met studenten is grotendeels gedigitaliseerd. Zo laat iedere student een digitaal spoor na dat een fortuin aan informatie bevat. Dankzij learning analytics verwerf je als docent uit die informatie inzichten om de leerervaring van je studenten te optimaliseren en te personaliseren.

Wat zijn learning analytics?

De definitie die we hanteren voor learning analytics is “het verzamelen en analyseren van data over je studenten en hun context om hun leerproces te ondersteunen en je doceerproces daarop af te stemmen” (LAK, 2011 / Long, L. P. & Siemens, G., 2011).

De informatie die je verzamelt met learning analytics, maak je beschikbaar voor studenten, docenten of het opleidingsbeleid. Die doelgroepen hebben elk andere voordelen bij inzicht in de data. Data uit learning analytics visualiseer je in learning dashboards. Op die manier krijg je in één oogopslag relevante inzichten om op te reflecteren.

Lees ook onze blog ‘Waarom je moet starten met learning analytics in het hoger onderwijs’ over de inzichten die learning analytics je bieden.

Binnen het Vlaamse hoger onderwijs zijn er drie grote toepassingsdomeinen voor learning analytics:

  • Het onderzoek naar onderwijsleerprocessen
  • De optimalisatie en personalisatie van de leeromgeving
  • Studieloopbaanbegeleiding

Onderzoek naar onderwijsleerprocessen

Onderwijsleerprocessen onderzoeken via learning analytics kan op twee manieren:

  • Data-gedreven, waarbij je de data bekijkt zonder op voorhand hypotheses op te stellen.
  • Theorie-gedreven, waarbij je de data gebruikt om bepaalde hypotheses af te toetsen.

Dankzij de datalogbestanden kan je het studiegedrag van je studenten in een digitale leeromgeving in kaart brengen. Ook over leeromgevingen heen kan je studentengroepen onderzoeken op basis van hun zelfregulatiegedrag (Van Laer & Elen, 2018), wat beloftevol is voor interventieonderzoek om dat gedrag bij te sturen.

Optimalisatie en personalisering van de leeromgeving

Het doel van learning analytics is de kwaliteit van je leeromgeving te optimaliseren. Bovendien bieden learning analytics de mogelijkheid om een leeromgeving te personaliseren en zo elke student de best mogelijke variant aan te bieden.

Learning analytics geven je informatie over de effectiviteit van de elementen binnen je leeromgeving. Die informatie gebruik je om bijvoorbeeld de volgorde van leertaken, de taakinhoud, de leerondersteuning of de groepssamenstelling bij samenwerkend leren aan te passen.

De aanpassingen van de leeromgeving zijn gebaseerd op de analyse van data uit verschillende databronnen:

  • Achtergrondkenmerken van de gebruikers
  • Gemeten activiteit op het leerplatform
  • Contextuele informatie over de leersituatie
  • Interacties tussen studenten en hun taken, docenten, medestudenten of omgeving

De processen om een leeromgeving te personaliseren kunnen ruimte laten voor tussenkomst door een docent, student of onderwijsontwerper, of ze kunnen volledig geautomatiseerd verlopen. De aanpassing van de leeromgeving hangt ook af van de gebruikte tijdsdimensie: tussen langere periodes of leersessies in, of at runtime.

1. Handmatig personaliseren

Als je wilt weten met welke oefeningen je studenten de grootste moeilijkheden hebben, dan kan je dat op het einde van het semester zelf opvragen via een dashboard. Op basis van die informatie kan je je oefeningen aanpassen. Die vorm van aanpassen is vrij statisch en gecontroleerd.

2. Geautomatiseerd personaliseren

In een geautomatiseerd intelligent tutoring system heeft de technologie de bovenhand. Learner models verzamelen dan voor elke individuele student de voortgang en andere parameters. De technologie kan na elke interactie automatisch beslissen welke student welke taken wanneer en in welke vorm aangeboden krijgt, of wat de meest gepaste ondersteuning is. Open learner models zijn transparante systemen waarmee de student en/of docent zelf kan ingrijpen in het adaptatieproces.

Studieloopbaanbegeleiding

Voor studieloopbaanbegeleiding met learning analytics bestaan er drie soorten dashboards:

  • Een studentgericht dashboard dat de student feedback en raad aanbiedt over bijvoorbeeld studiekeuze, doelstellingen of leermateriaal
  • Een personeelsgericht dashboard dat de studieloopbaanbegeleider ondersteunt in het begeleidingsproces
  • Een dashboard ter ondersteuning van de interactie tussen studieloopbaanbegeleider en student

Die learning dashboards zijn inzetbaar voor vele doeleinden en leveren voor studieloopbaanbegeleiding specifieke voordelen op.

Zo helpen learning analytics studenten en docenten om op een transparante en overzichtelijke wijze te beschikken over de data die hun onderwijsinstelling over hen verzamelt. Studenten hebben wettelijk gezien namelijk het recht om die data in te kijken. Een learning dashboard vat de informatie voor hen samen en ordent die in relevante categorieën, zoals persoonsgegevens, studievaardigheden, studieresultaten of afspraken met studieloopbaanbegeleiders.

Je kan de data ook inzetten om studenten meer continu feedback te geven tijdens hun leerproces en om ze te vergelijken met medestudenten uit eenzelfde of eerdere cohorte. De aangeboden informatie daagt studenten uit om te reflecteren over hun studiegedrag en dat gedrag aan te passen. Op basis van de data kan je automatische aanbevelingen krijgen voor bijvoorbeeld de selectie van keuzevakken, aangepast studiemateriaal of relevante trainingen.

Daarnaast ondersteunen learning analytics studieloopbaanbegeleiders bij data-gebaseerde adviezen. Ze helpen bij de identificatie van voorspellende factoren voor studiesucces en het opzetten van aangepaste begeleiding voor specifieke doelgroepen. Op die manier komt er tijdens het eigenlijke contact tussen de studieloopbaanbegeleider en de student meer tijd vrij om persoonlijke aspecten te bespreken.

Bronnen

  • https://www.kvab.be/sites/default/rest/blobs/2122/tw_learninganalytics.pdf
  • LAK 2011: 1st International Conference on Learning Analytics and Knowledge Banff Alberta Canada 27 February 2011- 1 March 2011
  • Long, L. P. & Siemens, G. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review Online.
  • Van Laer, S., & Elen, J. (2018). Adults’ Self-Regulatory Behaviour Profiles in Blended Learning Environments and Their Implications for Design. Technology, Knowledge and Learning, 1–31. https://doi.org/10.1007/s10758-017-9351-y