Er lonkt een prachtige toekomst voor het onderwijs. Door het gebruiken van grote hoeveelheden data krijgen we meer inzicht in de succesfactoren van het leren van studenten en in de omgeving waarin dit leren plaatsvindt. Deze inzichten zijn goed te gebruiken voor het vergroten van studiesucces. Ons advies om goed te starten met Learning Analytics? Breng eerst de basale informatievoorziening op orde!
Wat is Learning Analytics?
Learning Analytics is het meten, verzamelen, analyseren en rapporteren van en over data van studenten en hun context. Het doel ervan is het begrijpen en optimaliseren van het leren en de omgeving waarin dit plaatsvindt. Door toepassing van Learning Analytics is het mogelijk om in de loopbaan van een student vroegtijdig te sturen op studiesucces. Wanneer we goed kijken naar deze definitie, lijkt het op ‘gewone’ managementinformatie die een onderwijsinstelling gebruikt. Toch zijn er verschillen. In tijden van Big Data gaat het om veel meer data, met meer variatie, die met een hogere snelheid beschikbaar komen. Daarnaast gaat het niet alleen meer om gestructureerde data (bijvoorbeeld hoeveelheid behaalde studiepunten, of het aantal keren dat iemand inlogt op de Elektronische Leer Omgeving) maar ook om ongestructureerde data (video’s van colleges, video’s van een practicumgroep aan het werk).
De mogelijkheden van Learning Analytics in het onderwijs
Wat kun je met Learning Analytics? Data die je van een student zou kunnen gebruiken zijn bijvoorbeeld:
- behaalde cijfers
- aantal uren in een bijbaantje
- aantal logins op een leeromgeving
- reistijd van de student
- demografische gegevens
Met deze gegevens kun je studiesucces voorspellen, feedback geven aan docenten, ongewenst gedrag van studenten detecteren, vakdidactiek beter ontwerpen en nog veel meer.
Er zijn nog wel veel vragen rondom Learning Analytics. Van wie zijn al die data eigenlijk? En mag je zomaar alles gebruiken? Met deze vragen krijgt u te maken als u aan de slag gaat met Learning Analytics. Maar voor het zover is zijn er een aantal basisvoorwaarden waaraan een instelling invulling moet geven.
Eerst eenduidige en betrouwbare gegevens!
Gegevens komen in de eerste plaats meestal van de instelling zelf. In de praktijk schaffen instellingen daarvoor enthousiast systemen aan. Maar vaak wordt hierbij vergeten om vooraf goed na te denken over informatie die uit het systeem moet komen. Bijvoorbeeld: een instelling koopt een studievoortgangssysteem en laat het aan faculteiten of academies over om het systeem naar eigen inzicht in te richten en te gebruiken. Hierdoor kan de ene faculteit beslissen: ik ga mijn propedeuserendement meten door alle studenten te nemen die op 1 september gestart zijn en kijk hoeveel van hen na een jaar de propedeuse heeft gehaald. Een andere faculteit zegt: we tellen de studenten die voor 1 april zijn gestopt niet mee in de rendementen. Door het gebruik van deze verschillende definities, krijg je op instellingsniveau een Babylonische spraakverwarring. Maar vooral ook: geen betrouwbare en eenduidige cijfers.
Het Hoger Onderwijs heeft via SURF de afgelopen jaren een aantal grassrootsprojecten uitgevoerd op het gebied van Learning Analytics. Een belangrijk aandachtspunt uit de evaluatie van die projecten is de kwaliteit van gebruikte data. Ons advies: heeft de instelling de eigen gegevens op het basale niveau nog niet op orde? Investeer dan eerst in het op orde brengen van de basis-informatiehuishouding en managementinformatie en ga daarna pas aan de slag met Learning Analytics. Immers: als Learning Analytics gebruik maakt van eigen gegevens die niet betrouwbaar of eenduidig zijn, kan het enthousiasme voor Learning Analytics snel over zijn…
Hoe krijgt u de basisinformatiehuishouding op orde?
Om de informatiehuishouding goed op orde te krijgen, is een aantal stappen essentieel. Binnen een universiteit hebben we een Roadmap Managementinformatie gemaakt. Ook hebben we een scan ontwikkeld om de volgende elementen voor de informatievoorziening in kaart te brengen:
- Wat is de informatiebehoefte binnen de instelling? Hoe organiseren we het proces om met de gebruikers van managementinformatie over hun informatievraag in gesprek te komen en blijven?
- Welke definities gebruikt de instelling? Hoe kunnen we die vastleggen in een uniform gegevensmodel?
- Hoe ver is de instelling met het werken met informatiearchitectuur? Welke stappen moeten er worden gezet om architectuur verder te brengen?
- Welke technologie hebben we nodig om de gegevens goed vast te leggen en te gebruiken? Hoe zetten we bijvoorbeeld een goed Datawarehouse op?
- Welke expertise is er nodig om managementinformatie blijvend op orde te houden? Moeten er mensen worden opgeleid?
En dan…Learning Analytics!
Als dit goed op orde is, kunt u echt aan de slag met Learning Analytics. Een mooi voorbeeld uit de praktijk: een school had eerst aan de studieloopbaanbegeleiders gevraagd: wat hebben jullie nodig om studenten goed te begeleiden in succesvol studeren? Vervolgens werd mede op basis van de uitkomsten daarvan een datawarehouse gemaakt. Het werd zo mogelijk om de studenten te verdelen in drie groepen: de koplopers, de studenten die achterbleven en de middengroep. Op deze manier waren studieloopbaanbegeleiders in staat om belangrijke beslissingen te nemen. Wat doen we met de studenten die achterblijven? Moeten we die extra gaan begeleiden? En moeten we onderzoeken of de studenten die voorop lopen behoefte hebben aan extra uitdagingen? Zo creëer je een klimaat van betrokkenheid bij de (individuele) studenten. Dit kan zelfs tot een concurrentievoordeel leiden ten opzichte van andere instellingen!
Meer weten over Learning Analytics?
Fundatis heeft veel ervaring met het op orde brengen van de informatiehuishouding binnen onderwijsinstellingen. Voor advies neemt u contact op met Anne Floor Erdman. Tel: 06-20421539
Download hier de: pdf