Opbrengstgericht werken met Learning Analytics (deel 2)
door Nieske Vergunst
Aan het einde van de schooldag logt juf Maaike in op haar docentenomgeving. Daar ziet ze allerlei informatie over de voortgang van haar klas. Ze ziet in één oogopslag dat de voortgang van de klas goed op schema ligt ten opzichte van vorige jaren. Dat is fijn om te weten. Vervolgens zoomt ze in op het niveau van individuele leerlingen. Allerlei gegevens uit het adaptieve leermateriaal, zoals resultaten van oefeningen, tijd die aan oefeningen is besteed, het aantal gevraagde hints en problematische onderwerpen, worden op een handige manier weergegeven.
Maaike ziet bijvoorbeeld dat Ruben goed is in vermenigvuldigen, maar slecht in zinsontleding, terwijl dat bij Jesse precies andersom is. Ze besluit de twee jongens morgenochtend een half uurtje bij elkaar te zetten, zodat ze elkaar uitleg kunnen geven en kunnen helpen. Zo koppelt ze een aantal leerlingen aan elkaar. Voor leerlingen die voorlopen op bepaalde onderwerpen, zet ze een aantal verdiepende opdrachten klaar in hun leeromgeving.
Zoals we vorige week gezien hebben, neemt adaptief leermateriaal zelf beslissingen over het niveau van de oefeningen. Dat is natuurlijk wat onwennig: kan de computer mijn leerlingen wel goed begeleiden? Gelukkig kan er bij dit soort kleine beslissingen weinig mis gaan. De impact is laag en de docent heeft geen tijd om zulke snelle aanpassingen te doen bij alle leerlingen. Het is echter niet wenselijk om de computer grotere beslissingen te laten nemen, over leerplannen bijvoorbeeld. Wat een computer op dat niveau wel kan doen, is informatie verzamelen en op een handige manier combineren en weergeven, zodat een docent makkelijker en beter beslissingen kan nemen over het aanpassen van leerplannen van klassen of individuele leerlingen. Dat is wat Learning Analytics beoogt te doen.
Op basis van gegevens uit digitaal leermateriaal en eventuele andere bronnen kan een Learning Analytics-systeem een automatische analyse bieden aan de leerkracht, die daarop kan beslissen of hij of zij het leerplan van de leerling aan wil passen. Zo kan de docent vanuit een gezamenlijke start het leerplan steeds meer toespitsen op het tempo, de vorm en eventuele extra instructie of juist uitdaging die de individuele leerling nodig heeft om op het juiste niveau te kunnen werken.
In geavanceerde vorm kan zo’n systeem zelfs een voorspelling doen voor het niveau van de eindresultaten van de leerling. Die voorspelling kan gebaseerd zijn op het huidige gedrag van de leerling, eerdere resultaten van de leerling en resultaten van vergelijkbare leerlingen. Hierbij is het belangrijk om in gedachten te houden dat zo’n voorspelling slechts een indicatieve waarde is en geen enkele garantie biedt. Maar het kan de docent wel helpen bij het nemen van beslissingen.
Het coach-gedeelte van Khan Academy is een voorbeeld van een Learning Analytics-systeem voor rekenen/wiskunde. Idealiter is zo’n systeem gekoppeld aan alle vakken die een leerling volgt.
Een van de voordelen van Learning Analytics is dat een docent tijdens het leerproces – tijdens de looptijd van een vak of schooljaar – al aanpassingen kan doen aan leerplannen van individuele leerlingen. In een ideale situatie biedt een digitale leeromgeving ook de mogelijkheid om die aanpassingen eenvoudig door te voeren, waardoor de leerling de volgende dag al zijn nieuwe leermateriaal kan gebruiken. Het verzamelen en analyseren gaat onvermoeibaar voort en de leerkracht houdt meer tijd beschikbaar om zelf te observeren, bij te springen en beslissingen te nemen op basis van goede informatie.
Volgende week in het derde en laatste deel uit deze serie: Learning Analytics als instrument voor rapportage en verantwoording.
