Home Blogs Acco Learn Meten is weten met learning analytics

Meten is weten met learning analytics

We leven alsmaar meer in een geconnecteerde samenleving, vol smart devices en apps. Ook het hoger onderwijs is geconnecteerd: studenten zitten in de aula of thuis met hun smartphone. Ze leren in een digitale leeromgeving: steeds meer is het studiemateriaal en de communicatie met studenten digitaal. Iedere student laat een digitaal spoor na, met informatie die je als docent kan gebruiken om het leerproces te optimaliseren.

Die informatie inzichtelijk maken, doe je via learning analytics. Dat is meer dan een buzzword. Het idee achter learning analytics, namelijk dat je het leerproces van je studenten inzichtelijk maakt aan de hand van data, gaat al jaren mee en is zelfs volledig onafhankelijk van technologische ontwikkelingen. Technologische ontwikkelingen maken het vooral gemakkelijker.

In deze blog bespreken we, in samenwerking met Wouter Hustinx (Onderwijsinnovatie-expert bij Hogeschool PXL), wat learning analytics is en waar je op moet letten wanneer je learning analytics gebruikt.

Wat is learning analytics?

Onder learning analytics verstaan we 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))

Op het niveau van je studenten vertellen learning analytics je bijvoorbeeld:

  • hoe ze leren in een blended leeromgeving;
  • hoe je (automatische) feedback genereert om het leerproces te sturen.

Op het niveau van de leeromgeving vertellen ze je:

  • met welke leermaterialen je studenten het moeilijk hebben, of waar ze afhaken;
  • hoeveel studenten je les hebben voorbereid;
  • welke studenten extra stimulans nodig hebben;
  • of het nog is om een extra oefeningenset aan te bieden.

Wat wil je te weten komen met learning analytics?

Met learning analytics verzamel en analyseer je data over je studenten. Maar om dat efficiënt te doen, moet je vooraf definiëren wat je te weten wilt komen:  je bepaalt  wat je moet meten en hoe je dat gaat doen. Bij learning analytics is dat heel belangrijk, omdat de mogelijkheden bijna eindeloos zijn. Zeker binnen Learning Management Systemen (LMS) worden heel wat data verzameld en gerapporteerd, maar uiteraard zijn niet alle data even relevant.

Je vraagt je dus best af:

  • Wat wil ik meten?
  • Waarom wil ik iets meten?
  • Hoe ga ik het meten, analyseren en er aanpassingen aan het leerproces aan koppelen?

Een voorbeeld: je start het academiejaar en krijgt een nieuwe groep studenten in je les. Je lesinhoud bouwt voort op de kennis die je studenten het voorgaande jaar opdeden. Je werkt volgens een blended learning-aanpak en je vertrouwt erop dat alle studenten zich voorbereiden voor de les. In het blended learning-traject is het verder belangrijk dat de student wekelijks met de onlinecursus aan de slag gaat. Je vertrekt van nogal wat aannames, maar zijn die wel van toepassing op iedere student? Beschikt iedereen over genoeg voorkennis? Is iedere student voldoende gemotiveerd om de lessen steeds voor te bereiden? En gaat iedere student op wekelijkse basis aan de slag met de cursus?

Learning analytics kunnen hier het verschil maken.

Wat zou je in dit geval meten?

  • De voorkennis van je studenten: in welke mate ze de lesinhouden van het voorbije jaar hebben verwerkt.
  • De leermotivatie: leggen ze de juiste attitude aan de dag?
  • Het aanmeldgedrag: hoe frequent meldt men zich aan in de onlinecursus?

Waarom wil je dat meten? Om rekening te houden met het startniveau van je studenten en hen eventueel remediëring of net extra uitdaging aan te bieden. En uiteraard om gerichte bijsturingen te kunnen geven om zo de ontwikkelings- en slaagkansen voor iedere student te vergroten. En ook voor het welslagen van je contactlessen, waar je een beroep doet op de voorbereidingen van de studenten.

Hoe meet je dit? De meest voor de hand liggende aanpak wat betreft voorkennis is een gerichte toets van het startniveau. Die neem je best digitaal af, omdat je zo tijd wint met de organisatie en analyse van je testresultaten. Je studenten vullen de toets op eigen tempo in in het systeem waarin je de toets organiseert. Je verzamelt data: Hoeveel studenten nemen deel? Hoelang doen ze erover om de toets in te vullen? Hoeveel pogingen hebben ze nodig? Wat is hun score?

Voor de leermotivatie zou je ook een test kunnen afnemen. In Hogeschool PXL wordt de LEMO-test gebruikt: https://kickstart.goleweb.be/nl/node/1647.

Over het aanmeldgedrag stelt de digitale leeromgeving heel wat relevante data ter beschikking.

We vatten zulke data onder de term ‘ learning analytics’. Ze hebben vooral als doel om het lopende leerproces bij te sturen en onderscheiden zich daarom van bijvoorbeeld academic analytics of educational data mining.

Het doel van learning analytics is altijd om je studenten in hun leerproces te ondersteunen en dus het leren te optimaliseren. Learning analytics op zich tonen alleen data, ze geven je geen concrete actiepunten die je als docent moet ondernemen om je leertraject voort  te zetten. Het inzicht dat je uit learning analytics krijgt, is dus maar een startpunt.

Om terug te keren naar het voorbeeld: als uit je toets blijkt dat 90% van je studenten de basiskennis van je vak beheerst, dan kan je de overige 10% de theorie laten herhalen en hen later de toets opnieuw laten afleggen. Of als blijkt dat maar 20% de leerstof beheerst, dan kan je ervoor kiezen om in de les meer aandacht te besteden aan herhaling. Of als blijkt dat een aantal studenten al lange tijd niet meer in de leeromgeving aanwezig waren, kan je hen gericht contacteren.

Zijn learning analytics alleen digitaal?

Als je learning analytics definieert als het verzamelen en analyseren van data over je studenten, dan zie je dat de tool die je gebruikt, er eigenlijk niet toe doet. Denk aan een klassiek dictee in de lagere school: op het einde krijg je een cijfer op 10, je leraar berekent een gemiddelde of een mediaan, leidt daaruit af hoe de klasgroep het heeft gedaan en beslist of er een extra les spelling georganiseerd moet worden. Daar hoeft dus geen digitale tool aan te pas te komen.

Er is wel hoe langer hoe meer een evolutie naar tools die het werk om data inzichtelijk te maken, wegnemen. Dat betekent dat je minder werk hebt met het verzamelen en analyseren van data, en dat je meer tijd hebt om de data te interpreteren en actie te ondernemen.

Heel wat systemen, zoals Blackboard, Canvas en Toledo, maar ook Plickers of Mentimeter, hebben learning analytics die je toelaten om data in te kijken, te analyseren en er actie op te ondernemen. Ga in de tools die je vandaag gebruikt, op zoek naar de plaatsen waar je resultaten ziet van leermomenten, bijvoorbeeld testresultaten of analytics van een video. Maar onthoud dat het belangrijk is om doelgericht data te verzamelen: je learning analytics zijn er om je te informeren over hoe je je leertraject het best inricht om je studenten te ondersteunen in hun leerproces.

De grootste uitdaging bestaat er echter in om te beslissen wélke data relevant zijn, maar vooral ook welke didactische interventie je best stelt op basis van de data. Op dat vlak hebben learning analytics (nog?) niet veel te betekenen.

Wil je meer leren over learning analytics? Bekijk dan nu on demand het Acconnect Webinar ’Let’s analyse’, gegeven door Wouter Hustinx (Onderwijsinnovatie-expert bij Hogeschool PXL). Hij introduceert het begrip learning analytics voor je, leidt je door een praktijkcase bij Hogeschool PXL en stelt enkele cruciale vragen over de toekomst van learning analytics.

Referenties

  • 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.

 

New call-to-action