Werksessies SIG Learning Analytics, de toekomst

Het was 100 min lang een verhitte discussie. JaapJan Vroom nodigde ons uit om onze worst case scenario te omschrijven voor Learning Analytics in het onderwijs In Nederland in 2030.

Soms is het makkelijker om te beschrijven wat je niet wilt om duidelijker de essentie te kunnen verwoorden van wat je wel wilt. Om voorbij aan onze vastgeroeste platitudes en stokpaardjes te geraken doormiddel van zo een omdenk process en binnen 100 minuten tot de kern komen.  Het proces werd ook op basis van adviezen vanuit het futuring team van SURF vormgegeven, nog veel dank daarvoor Gül Akcaova!

Hiermee werden in ieder geval een aantal tegenstellingen duidelijk in wat we wel/niet zouden willen met Learning Analytics in 2030.

Te veel en te weinig

Aan de ene kant werd er benoemd dat het een horror zou zijn als we in 2030 nog niets deden met Learning Analytics in het Onderwijs. Die opmerking had ik zeker niet verwacht en zette me aan het denken of ik daar wel mee eens was. Het werd onderbouwd dat het “onverantwoord is als we met data kunnen zien dat studenten met 180km/uur richting de afgrond racen, maar er niets mee doen!”. Behalve onverantwoord, als studenten in het buitenland wel data-geïnformeerde adviezen zouden krijgen, dan kiezen ze wellicht daarvoor en verliezen we ze in Nederland. Ik vroeg me af of het wel zo erg is dat er fouten gemaakt worden, want leer theorieën zijn het vooral over één ding wel eens, en dat is dat wij heel veel leren van fouten maken.  Is het zo erg om te wisselen van studie, of zelfs erachter te komen door ervaring dat het niet voor jou is weggelegd?

Te weinig data gebruik is een horror, maar teveel kan dat ook zijn, zie onze eigen belastingdienst met algoritmes die een vreselijke impact hebben gehad op families en kinderen. O.a. hierdoor is het vertrouwen in de overheid op een dieptepunt, terwijl er juist genoemd werd dat vertrouwen heel erg belangrijk is om te hebben als je met data van studenten omgaat. De bekende “computer says no” directief die we kunnen krijgen als we steeds meer data-geïnformeerde keuzes, interventies en zelfs toelating gaan inrichten, is een risico en dreiging voor het nodige vertrouwen. Als onderwijsprocessen zoals toelating tot een opleiding, cursus of werkgroep geautomatiseerd ingericht gaan worden terwijl algoritmes de neiging hebben om biases die we al hebben te versterken, loop je een hele grote risico dat het tot uitsluiting leidt.  Zonder “the human in the loop” die ook daadwerkelijk het systeem bepaalt (en niet zoals zo vaak andersom!) lopen we grote risico’s die heel onwenselijk kunnen zijn.

Profiling biases kunnen slecht uitpakken, maar soms zijn ze ook juist heel cruciaal en ontzettend nodig waar het gaat bijvoorbeeld om kwetsbaardere groepen te identificeren in ons onderwijs die extra steun of hulp nodig hebben. En hierbij werd ook aangegeven dat het niet alleen gaat om welke data maar ook om de hoeveelheden. Je hebt een critical mass nodig om bepaalde patronen te kunnen herkennen waar we slimme dingen mee kunnen in ons onderwijs, maar met alle SAAS systemen of versnipperde ICT beleid, komen we niet tot de nodige voldoende massa aan data. En er viel nog meer over ICT beleid te bespreken, zoals vendor lock in risico’s, data zonder doel verzamelen, tekort aan wendbaarheid in de systemen en goede gesprekken moeten aangaan met Big Tech. Dat laatste hebben we gelukkig als Nederland heel recent al laten zien dat we dat kunnen, dus laten we dat vooral voortzetten!! Zie How the Netherlands Is Taming Big Tech.

Studiesucces versus studentsucces

Hierboven hebben we al even genoemd, de perverse prikkels in het onderwijs die wellicht door data (en Learning Analytics) versterkt zullen of kunnen worden. Dit werd ook aangekaart in de context van een hoge risico op een wapenwedloop of data-wedloop in het onderwijs waarbij we met Learning Analytics steeds beter worden om met data de student bij te sturen, en de student zijn/haar reactie hierop. De verschillende horror scenario’s hierbij beschreven waren;

  • Studenten hebben garantie op slagen bij binnenkomst vanwege de Learning Analytics interventies, maar de maatschappij heeft garantie op cohorten studenten die niet zelfstandig kunnen functioneren omdat ze dat nooit hebben hoeven leren (dankzij de overmatige interventies). Dat is het laatste wat we nodig hebben in een maatschappij met steeds complexere problemen.
  • Studenten reageren op de interventies als bijna een soort gamification waarbij zij  meer gericht zijn op het onderwijssysteem hacken dan daadwerkelijk iets leren.

Allebei treden op als studiesucces hoogtij viert boven studentsucces. En allebei treden op als we met Learning Analytics ons gaan richten op de onderwijssystemen die we nu vandaag de dag hebben, terwijl we ons zouden moeten richten op het onderwijssysteem die we zouden moeten willen hebben. Dus je richten niet op “what works” vandaag, maar je richten op “what matters”, want dat brengt je perspectief naar de toekomst met Learning Analytics die gewenst is. En het “what matters” kan in de nuancering verschillen tussen de sectoren WO, HBO en MBO, in de lijn met ieder hun eigen ambities.

Kortom, een verhitte discussie met verschillende perspectieven, inzichten en vernieuwende analyses binnen 100 minuten. Met deze inzichten kunnen we met open ogen de toekomst tegemoet en die vormgeving die we als het meest wenselijk achten en met visie, in the spirit of Futuring (the verb). Het is weer duidelijk dat het werkveld heel rijk is aan ideëen en een dergelijke sessie is zeker weer voor herhaling vatbaar!

 

Auteur

Reacties

Dit artikel heeft 0 reacties