Het is bijna onwerkelijk: we maken momenteel de oerknal mee van wellicht de belangrijkste onderwijskundige revolutie ooit! In de laatste millennia is er eigenlijk niet veel veranderd aan onze onderwijsmethoden. De wijze oude mannen van het dorp zijn vervangen door leraren in een klaslokaal en muurtekeningen zijn vervangen door boeken. Maar, de manier van kennisoverdracht is vrijwel gelijk gebleven.
Met de komst van computers en het internet komen steeds meer gegevens beschikbaar waarmee we onze interesses, gedragingen en communicatie kunnen analyseren. Denk bijvoorbeeld aan surfgedrag en activiteit op sociale netwerken. De wijze waarop deze kennis wordt opgevraagd en ingezet, kan ons veel vertellen. Zo kunnen we de gegevens doorgronden en gebruiken voor uiteenlopende doelen binnen diverse sectoren, waaronder commercie, wetenschap en – de focus van deze blog – onderwijs.
Wanneer we besluiten om gegevens (data) te gebruiken om onderwijs te ondersteunen, is het belangrijk om te bepalen welk deel uit de gigantische verzameling bruikbaar is. In hoofdlijnen zijn er twee paden te bewandelen (die overigens gecombineerd kunnen worden): big data en boerenverstand.
Big Data
Big data is een term die door iedereen, met en zonder verstand van data, te pas en te onpas wordt gebruikt. Data is hip, big data is hipper en data-lake is het hipst – al vinden de echte insiders deze termen al passé.
Om uit de hippe sferen te komen en functioneler om te gaan met het begrip data, is het handig om een eenvoudige definitie te hanteren: data is een verzameling van gegevens, nog voordat deze gegevens een functie hoeven te hebben. Zo kan men bijvoorbeeld data verzamelen door op alle tijdstippen per hectometerpaaltje op alle snelwegen alle kleuren auto’s bijhouden die langsrijden. Met een zinnige analyse is, in bepaalde gevallen, toepasbare informatie uit data te destilleren. Met de juiste analyse van je data kan je bijvoorbeeld een specifieke rode auto op de A2 vinden met hierin twee criminelen die proberen te ontkomen.
Big data is, eenvoudig gesteld, een enorme verzameling aan gegevens, die beschikbaar is voor analyse met ‘vagere’ doelen. Als voorbeeld kun je denken aan verbanden tussen de kleur van auto’s die langsrijden op de A10 en het aantal ongelukken die de dag daarna plaatsvinden op de A58. Het betreft vaak verbanden die niemand had zien aankomen en die achteraf vaak ook niet kunnen worden beargumenteerd. Juist deze verbanden leveren vaak verwondering op: “Hoe wist Google nou, dat ik net dáárnaar op zoek was? Ik had toch algemene woorden ingetikt?” Met behulp van big data kent Google jou op veel vlakken beter dan jij jezelf kent. Google vergelijkt en analyseert jouw profiel namelijk met de profielen van miljarden anderen.
Het principe van data en big data gaat ook op voor de wijze waarop we leren. Onze voorkeuren, de manier waarop we informatie opslaan, hoe vaak we herhaling nodig hebben, hoe snel we afgeleid zijn, waar we wonen, de weersomstandigheden, onze leeftijd: al deze aspecten kunnen onze manier van leren beïnvloeden.
Het is dan ook niet meer dan logisch dat aspecten die aan data-analyse gerelateerd zijn, steeds vaker worden genoemd binnen het onderwijs. We bevinden ons echter in een pril stadium van deze data-onderwijsrevolutie. We zijn nog maar net begonnen met het verzamelen van data. Hiernaast laten we ons vaker leiden door wat we kunnen in plaats van wat we willen.
Wanneer iemand via een online college studeert, kunnen we opslaan wanneer en hoelang hij deelneemt, maar niet wat hij werkelijk heeft geleerd. In de nabije toekomst moeten we dan ook bedenken hoe we relevante data kunnen onttrekken aan zoveel mogelijk studie-gerelateerde activiteiten en de hierbij horende resultaten. Het geheel van deze data, inclusief de analyse en representatie (rapportages) wordt ‘learning analytics’ genoemd.
Boerenverstand
Wat mij betreft moeten we in deze fase ons boerenverstand gebruiken: als je wilt weten wat een student heeft geleerd, moet je dit toetsen. Met een steekproef is al aardig wat te achterhalen, maar als je elke stap toetst heb je een completer beeld. Uit steeds meer onderzoeken blijkt dat toetsend leren een krachtiger instrument is dan de conventionele leermethoden. Wanneer op basis van dit toetsend leren het leerpad steeds wordt bijgesteld (adaptive analytics), wordt het leerrendement verder verhoogd: de onderwijs(r)evolutie gaat door!
In mijn volgende blog ga ik hier dieper op in.
Geschreven door: Asaf Gafni, directeur ExpertCollege, SEH-arts KNMG