Experimenteeromgeving learning analytics: aan de slag met studiedata met oog voor privacy

Learning analytics is een grote belofte

Learning analytics – het verwerken van studiedata tot bruikbare informatie – is een grote belofte. Onderwijsinstellingen en de publieke sector zien in dat learning analytics bij kan dragen aan een effectievere en efficiëntere begeleiding van studenten. Volgens onderzoek biedt het ook mogelijkheden tot het verbeteren van de leeromgeving, het leerproces en leeruitkomsten. Toch blijkt tot nu toe dat het toepassen ervan lastig van de grond komt bij de onderwijsinstellingen. Instellingen vragen zich af of analyses en resultaten van learning analytics wel echt bruikbaar zijn, en of het technisch allemaal mogelijk is. Daarnaast merken we dat het draagvlak niet groot is door bezorgdheid over privacy-issues bij het gebruik van studiedata. Eerdere projecten om aan de slag te gaan met learning analytics zijn vroegtijdig afgebroken, omdat door de komst van de AVG het thema privacy meer aandacht kreeg.

Aansluiten met eigen data

Internationaal zien we nu een snelle ontwikkeling op het gebied van learning analytics, aangejaagd door de laagdrempelige toegang tot cloudtechnologie. Ook binnen het hoger onderwijs in Nederland is er een duidelijke behoefte aan een (centrale) learning-analyticsoplossing. Daardoor is nu het moment rijp om een volgende stap te zetten, met de geleerde lessen uit de vorige projecten in de hand. Daarom bouwt SURF aan een experimenteeromgeving waarin instellingen kunnen experimenteren met learning analytics, en waarbij we de privacy- en veiligheidsaspecten van het gebruik van studiedata nadrukkelijk meenemen. Hebben we de experimenteeromgeving staan, dan kunnen de deelnemende instellingen hier gebruik van maken, en experimenteren met hun eigen data vanuit verschillende bronnen. Waarbij de instellingen overigens elkaars data niet kunnen zien; dus het wordt geen vergelijking tussen instellingen.

Alle data in één omgeving

Een van de uitdagingen is om studiedata uit verschillende bronsystemen van de onderwijsinstelling te combineren en analyseren in één omgeving. Studiedata zitten in een aantal verschillende systemen binnen de onderwijsinstelling, zoals het studentinformatiesysteem (SIS) en het leermanagementsysteem (LMS). Voorbeelden van die data zijn:

• Gedrag in het LMS: downloaden en/of bekijken studenten het leermateriaal?
• Inlevergedrag: leveren studenten opdrachten op tijd in, of juist niet? En wat zegt dit?
• Aanwezigheid
• Behaalde cijfers: zijn hier trends in te ontdekken, en zo ja, op individueel of groepsniveau?

Privacy van studenten waarborgen

Naast de technische uitdaging om al die gegevens binnen één omgeving beschikbaar te maken, is er nog een grote uitdaging: die van het beschermen van de privacy van studenten en docenten. De meeste data in de hiervoor genoemde voorbeelden zijn nodig om analyses mee te kunnen uitvoeren. Het is echter wel aan instellingen die meedoen om de juiste afwegingen te maken, zoals het inregelen van toestemming en de wenselijkheid om bijvoorbeeld data met elkaar te combineren en analyseren.

Daar willen wij vanuit SURF  zorgvuldig mee omgaan. We zorgen daarbij voor een veilige infrastructuur die voldoet aan het normenkader HO en zorgen ervoor dat de experimenten in lijn zijn met de AVG. Dus we bekijken of we de data strikt genomen mogen gebruiken, maar ook of we de data wel willen gebruiken. Daarom streven we doelmatigheid na. Dat wil zeggen dat we het gebruik van data beperken tot de minimaal benodigde data om een bepaalde vraag te kunnen beantwoorden.

Use cases voor learning analytics

Om zo goed mogelijk bij de praktijk aan te sluiten, willen we samen met instellingen werken aan use cases, en daarbij bepalen welke data je er precies voor nodig hebt. Zo kunnen instellingen leren welke data ze waarvoor kunnen gebruiken, en elkaar daarbij inspireren. Als use case zou je bijvoorbeeld het risico op studie-uitval kunnen onderzoeken, om dit zo vroeg mogelijk te kunnen traceren. Als bepaald is welke data daarvoor nodig zijn en we de privacy-aspecten daarvan afgewogen hebben, kunnen deze data uit de bronsystemen worden ingeladen in de experimenteeromgeving. We staan nog voor de keuze of instellingen aan de slag gaan met een eigen use case, of dat ze samen gaan werken aan use cases die SURF of zij samen inbrengen. Daar hebben we nog discussie over.

Waar staan we nu?

Inmiddels is de architectuur van de experimenteeromgeving zo goed als gereed. Dit jaar zal de omgeving technisch en functioneel af zijn. Voor de koppeling met de eerste instelling moeten in een later stadium privacy- en securityaudits worden gedaan. We verwachten dat de koppeling in het tweede kwartaal van 2023 een feit is.

Denk mee over use cases

Naast de ontwikkeling, zijn we volop bezig om instellingen te enthousiasmeren om mee te denken over use cases voor de experimenteeromgeving. We hopen uiterlijk in oktober een kerngroep van ongeveer vijf instellingen samen te kunnen stellen, met wie we regelmatig samen willen komen om use cases te bedenken en te bekijken hoe we die kunnen onderzoeken met de experimenteeromgeving. Je bent van harte uitgenodigd om deel te nemen aan deze kerngroep.

Meer informatie & deelnemen

• Wil je in je instelling aan de slag met learning analytics? Heb je wellicht al ideeën over use cases? En wil je daar met andere instellingen over nadenken in de kerngroep? Meld je dan bij mij aan, via pytrik.dijkstra@surf.nl.
• Neem ook contact met me op als je dit project als geïnteresseerde wil volgen. Dan houden we je op de hoogte van de ontwikkelingen rond de experimenteeromgeving learning analytics.
• Op de projectpagina van de experimenteeromgeving vind je meer informatie.