Embed Size (px)
Citation preview
0
Big Data, Analytics en de toekomst van leren
Geïnspireerd vanuit de MOOC: Toekomstgericht leren door Data
EBO
OK
Voorwoord
In maart 2017 lanceerden AOG School of Management en MOOCfactory de MOOC (Massive Open Online
Course) Toekomst gericht leren door Data. In deze MOOC werden de deelnemers meegenomen in wat
digitalisering voor de toekomst van leren betekent en hoe je binnen je organisatie met data inzichtelijk maakt
wat en hoe er geleerd wordt. In vier weken passeerden veel onderwerpen de revue, zoals: de toekomst van
leren, big data, learning analytics, social learning, gepersonaliseerd leren etc.
Binnen de MOOC werd volop gediscussieerd over de verschillende onderwerpen. Deelnemers brachten
inzichten in en deelden visies. Ze werden hierin gesterkt door de vele artikelen en video’s die in de MOOC naar
voren kwamen.
In dit ebook willen we een aantal van deze inzichten en visies met jou delen.
François Walgering – MOOCFactory
Drs. Eric Buffinga – AOG School of Management
“
De ontwikkelingen voor de toekomst van leren zijn me nog
duidelijker geworden. En het bevestigt voor mij dat flexibiliteit in
aanbod, maatwerk, snel en compact (en al dat soort termen)
kernwoorden zijn om mee te nemen in de keuzes die we maken in
de organisatie.
Ilona – deelnemer MOOC
“
A learning moment a day keeps the doctor away! Door Helma van den Berg
In 2015 schreef ik een blog over de ontwikkelingen die ik zag op het gebied van learning analytics. Alle
technische leveranciers van online portal waren er mee bezig. Vanuit het onderwijs kwamen de eerste best
practices naar buiten. Maar er waren geen best practices te vinden vanuit het bedrijfsleven. Is dat anno 2017
anders? Hoe staat het op het gebied van learning analytics? Reden voor deze nieuwe blog.
Learning analytics
Het doel van leren in organisaties en onderwijs is
dat men goed presterende mensen wil hebben.
Mensen die goed in hun vel zitten zodat ze de
uitdagingen aankunnen waarvoor ze staan. Zodat
ze goed werk
afleveren. Learning analytics is daarbij een tool om
data te meten, verzamelen, analyseren en
rapporteren die gaan over de resultaten van leren.
Doel daarbij is om leren te optimaliseren.
“ Het doel van learning-analytics is het optimaliseren
van het leren van mensen.
“
Blijft learning analytics in bedrijfsleven achter?
Hoorde ik in 2015 op de HR Tech beurzen veel verhalen over de techniek van learning analytics, zonder de
voorbeelden erbij. Nu zie ik dat de techniek beschikbaar is voor steeds verdergaande analyses. Daarnaast is er
anno 2017 volop belangstelling voor het onderwerp Learning Analytics. De recente MOOC ‘toekomstgericht
leren door data’ van AOG School of Management werd zelfs door ruim 500 learning & development
professionals tot het einde gevolgd. Wat me opviel was dat er veel discussie was over privacy, wat mag wel en
wat niet. Een goede zaak! Opvallend was dat er weinig cases vanuit het bedrijfsleven werden ingebracht. Niet
door de organisatoren van de MOOC, maar ook niet door de deelnemers. Gelukkig waren er wel mooie cases
vanuit het onderwijs, op allerlei niveaus. Ik blijf dan ook hopen op de toekomst.
Learning analytics loopt zelfde pad als duurzame inzetbaarheid
Waarom zijn er toch zo weinig cases uit het
bedrijfsleven op het gebied van learning analytics?
Volgens mij spelen er rond het thema learning
analytics dezelfde discussies als rond het thema
duurzame inzetbaarheid van medewerkers. Bij
duurzame inzetbaarheid zie je dat de discussies
altijd gaan over privacy: mogen we ons wel
bemoeien met onze medewerkers? Of niet? Dit
maakt dat sommige werkgevers er nog steeds niet
uit zijn of ze iets ‘moeten’ met duurzame
inzetbaarheid.
Anderen hebben lak aan de discussies en zijn
gewoon gestart met duurzame inzetbaarheid. Daar
worden steeds vaker best practices over gedeeld.
Maar ook de gevolgen van de risico’s die genomen
zijn zie je af en toe terug. Denk aan de recente
jurisprudentie over het verstrekken van
werkgevers van Fitbit-bandjes. Hierdoor krijgen de
bedrijven die nog niet overtuigd waren van de
gezamenlijke verantwoording voor duurzame
inzetbaarheid extra argumenten om niet te
starten. Hun achterstand op bedrijven die wel
actief zijn op het gebied van duurzame
inzetbaarheid wordt steeds groter.
Keep it simple
Steeds vaker blijkt uit onderzoek dat simpele maatregelen op het gebied van duurzame inzetbaarheid al
werken. Denk aan de gevolgen van het aanbieden van gratis appels bij de koffieautomaat naast betaalde
snacks. De keuze voor een appel wordt snel gemaakt en de inkomsten van de automatenhandelaar nemen af.
Het is inmiddels logisch om dit soort simpele oplossingen over te nemen om zo te werken aan duurzame
inzetbaarheid van medewerkers. Privacy issues zijn er nog steeds, maar dan zijn de grootste zaken al
ondervangen én is de totale duurzame inzetbaarheid van de medewerkers flink toegenomen. Want: An apple
a day keeps the doctor away.
Appels bij automaat om te leren
Het doel van learning analytics is het optimaliseren van het leren van mensen. We weten dat blijven leren
maakt dat mensen duurzaam inzetbaar blijven. Waarom gebruiken we dan niet dezelfde insteek voor leren als
bij duurzame inzetbaarheid: we gaan gewoon leren faciliteren en learning analytics invoeren en zien wel waar
we tegenaan lopen. Dan merken we vanzelf wat voor leren ‘de appels’ bij de automaat zijn.
Of we maken ‘leren’ onderdeel van duurzame inzetbaarheid, zodat we al een flink deel van de discussie gehad
hebben en kunnen starten met acties om leren te bevorderen. Tenslotte weten we dat met leren je ook
duurzaam inzetbaar blijft. En we kunnen zo sneller uitvinden wat de appels bij de automaat zijn als het gaat
om leren. Dat geeft een nieuw spreekwoord ‘a learning moment a day, keeps the doctor away!’
Je snapt dat ik hiervoor ben: Let’s Learn!
“ Ik begin meer en meer te geloven dat mijn droom ooit gaat
uitkomen, dat we met ondersteuning van big data en de input en
visie van goede docenten echte trajecten op maat van lerenden
zullen kunnen aanbieden
Carl – deelnemer MOOC
“
Slimmer leren in de toekomst Door drs. Eric Buffinga
Is onze huidige manier van leren nog wel houdbaar voor de toekomst?
Al jaren leren mensen op dezelfde manier. Dat bleek tot voor kort ook heel nuttig. Bedrijven zochten een
bepaald profiel en dat werd op school geleerd. Iedereen hetzelfde, er was immers goed over nagedacht.
Afwijken van de norm zorgde voor uitval en rare cijfers. De inspectie stuurt op cijfers en die cijfers mogen niet
te veel afwijken. Er zijn standaarden opgezet om het meten makkelijk en inzichtelijk te maken. Statistieken zijn
belangrijk. Het leren past zich hier op aan. Nogmaals, het is heel bruikbaar, tot voor kort.
Maar de wereld verandert. Kennis is overal
verkrijgbaar. Tenminste, informatie is overal
verkrijgbaar, dit is nog niet meteen kennis. Maar
hoe we informatie transformeren tot kennis
verandert ook. De samenleving verandert. We
individualiseren. Organisaties zijn niet meer op
zoek naar de standaard werknemer, de standaard
denkende, de volger. Creativiteit,
ondernemerschap, autonomie, leergierigheid,
zelfstarter enzovoort, dat zijn de woorden die je in
elke vacaturetekst ziet. Zelfstartend en zelfstandig
beslissingen kunnen nemen, hoe rijmen we dat
met het leersysteem van de afgelopen decennia?
Niet. Dit valt niet te rijmen en toch gaan we er mee
door. Begrijp me niet verkeerd, ook in het huidige
onderwijssysteem zitten veel goede dingen. Om
goed te kunnen functioneren moet je bepaalde
zaken gewoon beheersen. Rekenen, taal, lezen,
etc.. daar hebben we allemaal profijt van. Maar
waarom worden we allemaal door dezelfde mal
gehaald? Ieder mens is toch verschillend? De één
leert veel sneller dan de ander. De één geeft
voorkeur aan formeel leren en de ander aan
informeel. De één is gebaat bij een rigide systeem,
de ander bij een vrijere manier van leren. En om
dan nog maar niet te spreken van de
uiteenlopende interesses.
“
Hoe zorg je ervoor dat je het leren niet
transformeert, maar juist zorgt voor een revolutie
in leren?
“
Om je heen zie je dat onderwijsinstellingen zich dit realiseren en tegelijk heel krampachtig reageren. Is
digitalisering hét antwoord? Alles online! En dan? Wat is er dan anders dan voorheen? Een video opnemen van
de docent en dat online plaatsen, wat is daar anders aan dan naar de docent luisteren in de klas? Je moet nog
steeds de video hebben bekeken, dat is wat het systeem van je vraagt, in die volgorde wordt het aangeboden.
Het enige verschil is dat je nu alleen thuis op de bank zit te leren. Dus eigenlijk is het alleen maar een
verarming van het leren.
Ja inderdaad als je als onderwijsinstelling niet verder kijkt dan het digitaliseren van je inhoud, van je cursussen
dan verandert er niks. Dan houden we de inspectie voorlopig nog wel even tevreden en hoeven we nog niet na
te denken over die nieuwe woorden zoals Big Data, Privacy by Design, Learning Analytics en Social Learning.
Toch hierbij de dringende oproep aan onderwijzend Nederland. Verdiep je in deze materie en zorg ervoor dat
je mensen opleidt voor de toekomst!
Hoe dan?
Maar hoe dan? Hoe zorg je ervoor dat je het leren niet transformeert, maar juist zorgt voor een revolutie in
leren? Hoe zorg je er nu voor dat het leren weer past bij de huidige tijd en vooral bij de toekomst, hoe zorg je
voor slimmer leren in de toekomst? Om het leren aan te passen aan de nieuwe economie, de vernieuwende
samenleving moeten er in mijn ogen 4 transformaties plaatsvinden die samen zorgen voor een revolutie in
leren:
1. Democratiseren van leren
2. Analyseren van leren
3. Technologiseren van leren
4. Personaliseren en socialiseren van leren
Democratiseren van het leren
Gezien de huidige ontwikkelingen dat informatie en kennis overal verkrijgbaar is, lijkt het niet houdbaar dat er
nog steeds onderwijsinstellingen en organisaties zijn die kennis vooral binnenshuis willen houden. Het is nodig
dat we informatie en kennis bundelen, samenbrengen en beschikbaar maken voor iedereen.
Natuurlijk is het begrijpelijk dat niet elke onderwijsinstelling, elke docent of auteur er om staat te springen om
dat te gaan doen. ‘Dit is mijn / ons gedachtengoed’, ‘dat zet ik niet zomaar online, waar blijft dan mijn
businesscase?’ Maar moeten we dan niet nadenken over het radicaal veranderen van het businessmodel? Zou
je het zo kunnen organiseren dat kennis voor iedereen beschikbaar is en je er toch als docent of
onderwijsinstelling een goede boterham aan kunt verdienen?
Kortom laten we het leren democratiseren. Kennis beschikbaar maken voor iedereen en daar om heen een
goed businessmodel ontwerpen. Dit staat of valt overigens wel met de bereidheid van iedereen om mee te
werken. En dus hebben we nog een lange weg te gaan. Tenzij we het zo interessant kunnen maken dat het
voor iedereen aantrekkelijk is.
Analyseren van het leren
Naast het democratiseren van het leren wordt het analyseren van leren steeds belangrijker. Weet wat je
student leert, waar hij /zij excelleert en hoe we het leren efficiënter en effectiever kunnen maken. Dit
betekent niet alleen dat je weet hoe goed de studenten het doen in de klas, in de opleiding, maar ook dat je
dit weet te relateren aan andere performance indicatoren. Welk effect heeft het leren van mijn medewerkers
op de performance van onze organisatie. Want dan kun je ook kijken naar de ROI (Return On Investment) van
je ingezette opleidingsbudget. Welke invloed heeft de aangeboden stof, en de wijze waarop je dit aanbiedt, op
het uitvalpercentage binnen de opleiding? Naast het meten van de studievoortgang valt er dus veel meer te
meten en te analyseren en dus ook te concluderen. Het inzetten van learning analytics is hierin essentieel.
Technologiseren van het leren
Het transformeren van gewone ‘offline’ opleidingen naar blended learning (combinatie van online en offline
leren) lijkt niet genoeg. Steeds meer technologieën kunnen gecombineerd worden om tot betere
leerperformance te komen. Dit betekent onder andere het koppelen van learning analytics aan een
gepersonaliseerd leeraanbod. Het inzetten van gamification en principes van social learning verrijken het
onderwijs. Door het op de juiste wijze inzetten van technologie kan er steeds beter van en met elkaar geleerd
worden.
Personaliseren en socialiseren van het leren
Door het inzetten van slimme technologieën zoals kunstmatige intelligentie, learning analytics en de principes
van social learning kan het leeraanbod heel persoonlijk worden gemaakt. De technologie analyseert wat je
zowel formeel als informeel allemaal leert, past telkens het leeraanbod aan aan jouw behoeften. Door jouw
interactie met anderen wordt jouw profiel steeds rijker en wordt het leeraanbod steeds persoonlijker en kun
je echt excelleren in leren. Zo’n gepersonaliseerd leeraanbod betekent overigens niet meteen dat het leren
ook alleen op de bank dient plaats te vinden. Door het leersysteem goed in te richten kan er met en van elkaar
worden geleerd. Dit kan zowel via video als via tekst.
De toekomst van leren
Is het dan zo dat al het leren online dient plaats te vinden. Nee in mijn optiek niet. Een betekenisvolle
ontmoeting waar je elkaar treft om samen te leren zal altijd blijven bestaan. Echter dit zal niet meer de enige
manier zijn waarop men leert. Slim leren in de toekomst betekent dat het leren gepersonaliseerd wordt door
inzet van slimme technologie, dat alle kennis gestructureerd overal verkrijgbaar is en dat door slimme analyses
je volledig inzicht hebt in jouw gepersonaliseerde ontwikkeling.
“ De toekomst van leren is voor mij nog steeds gericht op het ontsluiten van
beschikbare informatie, waarbij verregaande automatisering van leren plaatsvindt.
De kennis ligt op straat. Data gaat zorgen voor leren op maat. Volgens mij is het tijd
om te experimenteren, zo een groter begrip van de eindeloze mogelijkheden te
kweken en samen te leren door vallen en opstaan.
Bart – deelnemer MOOC
“
Video
In deze video gaat Ben Betts (oprichter van Curatr) dieper in op hoe je de waarde van je Human Captial kunt
verhogen door het inzetten van Analytics.
Opening the black box: hoe neurowetenschappelijke
technieken ons helpen het brein beter te begrijpen. Door dr. Walter Limpens
Niets is zo magisch interessant en tegelijkertijd moeilijk verklaarbaar als ons brein. Alles wat we doen en laten
wordt in ons hoofd aangestuurd, maar hoe dat precies werkt is in een grote mate nog steeds niet bekend.
De werking van het brein bleef lang voor ons verborgen. Er is zelfs een invloedrijke psychologische stroming
die alles wat in het brein plaatsvond als een black box beschouwt. Onmogelijk om te onderzoeken wat er in
ons hoofd gebeurde, dus vandaar dat er alleen naar de input en het resulterende gedrag werd gekeken.
Technologische ontwikkelingen in de afgelopen 30
jaar hebben er echter voor gezorgd dat het
mogelijk is om te kijken wat er nou precies in het
brein gebeurt als mensen nadenken, beslissingen
maken of bepaalde informatie verwerken. Met
behulp van een methodiek die functionele MRI
wordt genoemd is het mogelijk om het hele brein
te scannen, en daarmee toegang te krijgen tot
iemands bewuste en onbewuste, rationele en
emotionele gedachten.
Het is een jong vakgebied, er valt nog ontzettend
veel te winnen, maar toch is er met deze nieuwe
methodiek ook al heel erg veel ontdekt over de
werking van ons brein. Zo hebben wetenschappers
in Japan een paar jaar geleden gekeken naar de
mogelijkheid om te kijken naar iemands dromen. In
het onderzoek namen de respondenten plaats in
een MRI scanner en mochten vervolgens hun ogen
sluiten en in slaap vallen. Op specifieke momenten
werden de respondenten wakker gemaakt en werd
er gevraagd naar de inhoud van hun dromen. De
inhoud van hun droom werd gekoppeld aan hun
overeenkomstige hersenactiviteit. Vervolgens was
het met machine-learning methodieken mogelijk
om te voorspellen waar de respondenten over
droomden.
Voorspellen wat iemand in de toekomst gaat doen
Ook Neurensics probeert, als neuromarketing onderzoeksbureau, meer kennis te vergaren door gebruik te
maken van MRI-scans. In onze onderzoeken kijken we naar de invloed van communicatie op ons brein. In onze
studies, maar ook in verschillende wetenschappelijk gepubliceerde artikelen, komt naar voren dat het gedrag
van mensen beter te voorspellen is door te kijken naar hun hersenactiviteit dan door het hen te vragen. In de
bewuste antwoorden van mensen zit veel ruis, antwoordneigingen, ‘foute’ antwoorden en rationalisatie. Met
een MRI scanner wordt er gekeken naar de intuïtieve, automatische, en voornamelijk onbewuste reacties van
mensen. En het zijn juist die reacties die voorspellen wat iemand in de toekomst gaat doen.
“
Technologische ontwikkelingen in de afgelopen 30 jaar hebben er echter
voor gezorgd dat het mogelijk is om te kijken wat er nou precies in het
brein gebeurt als mensen nadenken, beslissingen maken of bepaalde
informatie verwerken “
Onlangs hebben wij voor Yogi Tea een erg leuk onderzoek uitgevoerd waarin de voorspellende waarde van de
fMRI methodiek wordt aangetoond. In het onderzoek kregen de respondenten 4 visuals te zien. Op basis van
zelfrapportage (dus vragen aan de respondent wat de beste, meest effectieve visual is) kon het gedrag (welke
visual zorgde voor de meeste verkoop) niet goed voorspeld worden. Met de MRI scans kon de volgorde van de
slechtste tot beste verkopende visuals wél goed voorspeld worden. Op eenzelfde manier, in andere
onderzoeken, werd het gedrag van rokers bij anti-rook commercials , de populariteit van muziek , het succes
van TV shows en zelfs eetgedrag voorspeld .
Communicatie
Door snelle technologische ontwikkelingen zijn we dus steeds beter in staat om te zien welke vorm van
communicatie het beste werkt om mensen in beweging te krijgen, gedrag te veranderen of juist te
bekrachtigen. Die kennis over het brein wordt vervolgens weer gebruikt in andere technologische
ontwikkelingen.
Een goed voorbeeld is de manier waarop politieke communicatie is ingezet in de Brexit en Amerikaanse
verkiezingen . Door geautomatiseerde content toe te passen op specifiek geselecteerde doelgroepen, is een
boodschap gecreëerd waar de doelgroep ontvankelijk voor was. Een Amerikaanse kiezer die Amerikaans auto’s
had geliked kreeg zo een andere boodschap over Trump te zien dan een Democraat in een verlaten
industriestad.
Een ander voorbeeld is het Human Connectome Project om het menselijke brein en al haar verbindingen in
kaart te brengen. Waar het toe zal leiden weet eigenlijk nog niemand. Maar dat de combinatie van
neurowetenschap en techniek voor een interessante toekomst gaat zorgen -daar is eigenlijk iedereen het wel
over eens- is een no-brainer.
“ 1 in 5 companies don’t measure the impact of training
in any form at all
Building Capabilities for Performance, McKinsey & Company Survey (2015)
“
Waarom we NÚ met Learning Analytics moeten beginnen? Door François Walgering
De meeste leerprofessionals houden zich graag bezig met didactiek van trainingen, coaching en andere
leerinterventies. En dat terwijl data, cijfers en grafieken minstens zo interessant zijn en steeds toegankelijker
worden. Wat betekenen die getallen eigenlijk? En waarom bieden data over leren zo veel meerwaarde? Het is
tijd om Learning Analytics met open armen te ontvangen. Lees verder waarom.
Datasets per leerinstrument
Twintig jaar geleden leerden mensen voornamelijk
via cursussen en trainingen. Face to face. Nu is dat
anders; mensen leren op veel verschillende
manieren. De technologische ontwikkeling brengt
een scala aan nieuwe leerinstrumenten met zich
mee. Denk aan Learning Management Systemen
(LMS’en), Content Management Systemen
(CMS’en), leerplatformen als Curatr, serious
gaming, virtual reality en apps. Elk instrument
genereert een eigen dataset, waardoor per
instrument zichtbaar is wie welk instrument
wanneer en hoe vaak gebruikt. Met Learning
Analytics kun je dat goed bestuderen
Data, data en nog eens data
Real life data, welteverstaan. Doordat alle
leerinstrumenten gekoppeld zijn aan internet is er
een constante flow aan up-to-date gegevens, die
d.m.v. dashboards toegankelijk en inzichtelijk
gepresenteerd zijn. Zo heb je altijd real life
grafieken, tabellen en gegevens bij de hand die
met Learning and Development te maken hebben.
Dat is handig voor lerende, teamleiders, managers
die op de hoogte willen zijn van de meest recente
data, (eigen) performance en leertrajecten binnen
hun organisatie.
Learning Record Store
En wat nog handiger is: tegenwoordig kun je de data uit verschillende leerinstrumenten aan elkaar koppelen
met een Learning Record Store: is een archief waarin je alle gegevens van leerders kunt verzamelen. Waarin je
alle leerdata kunt ordenen en rangschikken. Zo zie je precies hoeveel mensen een leertraject volgen, welk
traject ze volgen, via welk instrument ze dat doen en hoe lang ze ermee bezig zijn. Nog handiger: de data zijn
eenvoudig te visualiseren. Zo kun je eenvoudig aan geïnteresseerden laten zien hoe de leertrajecten binnen je
organisatie eruitzien. En dat allemaal in een toegankelijk dashboard.
Wat is de impact van leren op business (ROI van leren)?
Nog niet zo lang geleden werd leren en ontwikkelen gezien als kostenpost Medewerkers volgden een cursus
en hun organisatie hoopte daarvan te profiteren. Of dat ook echt zo was, bleek maar zelden. Toch weten we
allemaal dat leerinterventies kunnen leiden tot een hogere omzet, meer klanten of een hogere efficiëntie. Met
Learning Analytics gecombineerd met performance data kun je dat daadwerkelijk (laten) zien en
onderbouwen. En dat allemaal binnen de context van je eigen organisatie.
Stel: een medewerker volgt een training op het gebied van sales. Hoeveel procent gaat de medewerker dan
daadwerkelijk meer verkopen na die training? Kun je ziekteverzuim verlagen door bepaalde opleidingen aan te
bieden? Kun je het engagement binnen een team verhogen door een leerinterventie? Door data te koppelen
van leren en performance toon je aan hoe relevant een leerinterventie is en hoe groot de impact ervan is op
de organisatie.
Analyseren en informeren
Aan de ene kant kunnen organisaties met Learning Analytics uitstekend analyseren wat er allemaal gebeurt op
het gebied van leren. Aan de andere kant is er een enorme behoefte binnen organisaties om stakeholders en
geïnteresseerden te informeren over de (leer)processen. Met simpele dashboards kunnen organisaties in één
oogopslag zien hoeveel mensen welke cursus hebben gevolgd, welke competenties er binnen een afdeling of
organisatie aanwezig zijn en waaraan wordt gewerkt.
Kosten besparen met Learning Analytics
Dankzij Learning Analytics kunnen organisaties identificeren welke opleidingen wel en niet worden
afgenomen. Wordt een e-learning nauwelijks gevolgd? Dan kan de organisatie een andere aanpak hanteren
zodat de leerinterventie populairder wordt, of besluiten de training af te stoten. Je ‘real life’ ziet precies wat
wel en niet werkt. Ook al terwíjl je met een e-learning, MOOC of SPOC bezig bent.
“ Companies pays lip services to the importance of developing skills, but have
no evidence to quantify the value of their investment.
McKinsey & Company (2014)
“
Real time interventies
Neem bijvoorbeeld de Kamer van Koophandel. Zij zijn bezig met een Massive Open Online Course (MOOC) en
analyseren data via Learning Record Store ‘Learning Locker’ Tijdens de MOOC doen ze ‘real life’ interventies.
Zo kunnen ze bijvoorbeeld een mail sturen aan alle deelnemers en vervolgens bekijken of de deelname aan de
MOOC omhoog of omlaag gaat. De Kamer van Koophandel ziet wat het gedrag is van de deelnemers, en kan
‘real life’ zien of hun leerinterventie werkt.
Toekomst: voorspellende data
Als organisaties veel (heel veel!) data hebben verzameld en vaak genoeg hebben getest, kunnen ze dankzij
Learning Analytics en een Learning Record Store gaan voorspellen welke leerinterventie wat oplevert. De
eerste stap naar een proactieve benadering van Learning & Development!
Data. Ik wil! En nu?
Begin met het bekijken van data per instrument. Heb je dat onder de knie? Overweeg dan een Learning Record
Store om alle data uit meerdere instrumenten te koppelen en verder te kunnen analyseren. Richt je dashboard
zo in dat het handig en overzichtelijk is voor jou. En dan: aan de analyse maar. Als je eenmaal met analyseren
bent begonnen, wil je alleen maar meer en verder. Nieuwsgierig geworden? Heel goed. Bel ons gerust!
Big Data staat op gespannen voet met het recht op privacy Door Bart van der Sloot - 16 mei 2017
Nieuwe technologische mogelijkheden maken het mogelijk om op grote schaal gegevens te verzamelen, te
verwerken en te gebruiken. Dat gebeurt op het internet, bijvoorbeeld via gepersonaliseerde advertenties,
zoekresultaten en nieuwsberichten. Ook in het dagelijks leven zijn steeds meer toepassingen datagedreven.
Camera’s worden uitgerust met hitte- en geluidssensoren en steden veranderen in zogenoemde smart cities,
waardoor gemeentes en bedrijven mogen experimenteren met gedragsbeïnvloeding op burgers. Kan rood
straatlicht mensen in uitgaansgebieden minder agressief maken; worden ze van mandarijnengeur relaxter?
Alles wordt gemeten, opgeslagen en verwerkt door complexe algoritmes en computergestuurde statische
analyse. Steeds meer wordt de wereld bepaald door technologische toepassingen als Big Data; steeds meer
komt de privacy onder druk te staan.
Het huidige privacy paradigma is gebaseerd op vier pijlers.
(1) Individuele rechten: de natuurlijk persoon heeft
een subjectief recht om voor zijn individuele
belangen op te komen. Hij kan dat afdwingen door
naar de dataverwerkende instantie zelf te gaan, of
de juridische route via de rechter te volgen.
Algemeen belang acties worden doorgaans
afgewezen als ze om privacy draaien en ook claims
namens groepen burgers, bijvoorbeeld van
burgerrechten organisaties, worden meestal niet-
ontvankelijk verklaard. De reden is dat privacy van
alle rechten het meest individueel en persoonlijk
zou zijn, waardoor alleen het rechtssubject zelf
voor zijn belangen zou mogen opkomen.
(2) Individuele belangen: waar bij andere rechten,
zoals het recht op vrijheid van meningsuiting, ook
algemene belangen worden meegenomen bij de
beoordeling van een zaak (de maatschappelijke
waarde van het vrij woord, een goed
functionerende pers als waakhond van de
democratie, etc.), is dat bij het recht op privacy
slechts zelden het geval. Het zijn primair de
individuele belangen, in een concrete zaak, die
worden meegenomen, zoals de individuele
autonomie, persoonlijke vrijheid en menselijke
waardigheid van het rechtssubject.
(3) Een belangenafweging door de rechter met aan
de ene kant de individuele belangen van de
rechthebbende en aan de andere kant de
algemene belangen die met de dataverwerking
zouden zijn gemoeid, bijvoorbeeld de nationale
veiligheid of de openbare orde.
(4) Een redelijk grote focus op juridische
regulering, en minder op alternatieve vormen van
regulering, zoals codes of conducts, open normen
en zelf-regulering.
De ontwikkelingen van Big Data zetten dit paradigma steeds meer onder druk, op alle vier de punten.
(1) Alhoewel het toekennen van individuele
rechten aan burgers bedoeld was om hun positie
vis-a-vis de overheid en grote bedrijven te
vergroten, heeft dit in de Big Data wereld juist het
omgekeerde effect. Er zijn simpelweg zoveel
dataverwerkingsprocessen van bedrijven,
overheidsinstanties en medeburgers die mogelijk
de persoonsgegevens van een burger kunnen
bevatten dat het voor het datasubject vrijwel
ondoenlijk wordt om bij elke datastroom na te
gaan of deze hem betreffende persoonsgegevens
bevat, of deze op een rechtmatige manier worden
verwerkt en als dit niet het geval is, om naar de
rechter stappen.
(2) Steeds moeilijker is het bij Big Data processen
om het individuele belang dat op het spel staat te
duiden en te staven. Hoe heeft bijvoorbeeld de
gigantische dataverzameling van de NSA de
gemiddelde Amerikaanse of Europese burger nu
echt geraakt? Welk negatief effect heeft de burger
eigenlijk van het feit dat er op elke straathoek een
camera hangt? Bij dit soort grootschalige
gegevensverwerkingsprocessen gaat het steeds
minder om specifieke individuele belangen van
concrete burgers en steeds meer om algemene,
maatschappelijke belangen.
(3) Doordat de individuele belangen steeds
moeilijker te duiden zijn, wordt het ook steeds
lastiger deze af te wegen tegen de eventuele
maatschappelijke belangen die met de
dataverwerking zijn gemoeid. Wat het extra lastig
maakt is dat ook de maatschappelijke belangen
vaak moeilijk te duiden zijn; hoe heeft de
dataverzameling van bijvoorbeeld de NSA nu echt
de strijd tegen terrorisme bevorderd? Vaak worden
data eerst verzameld en pas naderhand bekeken
welke er eventueel relevant zouden kunnen zijn en
hoe ze zouden kunnen worden gebruikt. Daarnaast
lijken er met een aantal van de grotere Big Data
processen niet zozeer relatieve belangen op het
spel te staan, die kunnen afgewogen tegen andere
belangen en waardes, maar om absolute belangen,
die geen beperking of afweging toelaten. Bij de
NSA lijkt het bijvoorbeeld te gaan om stelselmatig
machtsmisbruik en het omzeilen van zowel
parlementaire als rechterlijke controle.
(4) Tot slot komt ook de focus op de juridische
regulering onder druk te staan, onder andere
omdat het bij Big Data processen vaak niet zozeer
gaat om juridische rechten die onder druk komen
te staan, maar om meer algemene,
maatschappelijke waardes. Ook maken de
technische ontwikkelingen dat juridische
bepalingen snel verouderd kunnen raken of
omzeild kunnen worden. En de transnationale
gegevensdoorvoer door cloud-computing maakt
dat het voor bedrijven en overheden steeds
makkelijker wordt om regels uit bepaalde
jurisdicties te omzeilen.
0
Learning analytics gebruiken? Stel de juiste vragen over
ethiek en privacy! door Wietse van Bruggen · 11 januari 2017 – bron: Kennisnet1
'Learning analytics' is het meten, verzamelen, analyseren en rapporteren van en over data van leerlingen en
hun context. Het doel daarvan is het begrijpen en optimaliseren van het leren en de omgeving waarin dit
plaatsvindt. Deze analyses helpen de leraar, leerling en ontwikkelaars van lesmateriaal bij hun taken.
Learning analytics helpt je bij het kiezen van interventies
Het toetsen zoals we dat nu kennen, verandert door learning analytics. Voortaan kan iedere oefening, fout,
overwinning en prestatie van leerlingen meetellen in hun beoordeling. Zo hoeven zij niet alleen te pieken op
toetsmomenten.
Leren wordt in plaats daarvan een continu proces, en door learning analytics ontstaat een completer beeld van
het leerproces. Die actuele informatie helpt de leraar - aanvullend op zijn intuïtie en ervaring - bij het kiezen
van de juiste interventies. Of wellicht kan hij die keuzes zelfs automatisch laten maken door een systeem.
1 https://www.kennisnet.nl/artikel/learning-analytics-gebruiken-stel-de-juiste-vragen-over-ethiek-en-privacy/
“ Door learning analytics kunnen leraren het leerproces beter
volgen, maar het gebruik van leerlinggegevens leidt ook tot
vraagstukken op het gebied van ethiek en privacy
“
Learning analytics leidt tot ethische vraagstukken
Het gebruik van learning analytics leidt echter óók tot ethische vraagstukken. Bijvoorbeeld:
Worden leerlingen door learning analytics niet
nóg meer voorgesorteerd op een bepaald
niveau, om daar vervolgens nooit meer aan te
ontsnappen?
Hoelang moeten gegevens een leerling blijven
achtervolgen?
Kun je beslissingen over het leerproces
overlaten aan algoritmes, zonder dat je de
werking daarvan zelf begrijpt?
Wat als een leerling of student niet wil dat er
grote hoeveelheden gegevens worden
gebruikt?
Hoe gebruik je gegevens over docenten? Kun je
die gegevens gebruiken om hun prestaties te
beoordelen, terwijl allerlei minder meetbare
factoren óók invloed hebben op de prestaties
van leerlingen?
Stel de juiste vragen over ethiek en privacy
Kortom: wil je learning analytics en gegevens gebruiken in het onderwijs, of gebruik je digitale leermiddelen
die componenten voor learning analytics bevatten? Dan is het belangrijk dat je goed nadenkt over vragen op
het gebied van ethiek en privacy. De zogeheten DELICATE-checklist van het LACE-project helpt je daarbij.
Checklist voor managers en schoolbestuurders
LACE (Learning Analytics Community Exchange) is een Europees samenwerkingsverband voor het uitwisselen
van informatie over learning analytics. Ook Kennisnet participeert in dit project.
De DELICATE-checklist is bedoeld voor managers en schoolbestuurders die oplossingen en producten op het
gebied van learning analytics willen implementeren in het onderwijs.
DELICATE is een afkorting die staat voor de 8 punten waar je rekening mee moet houden als je learning
analytics wilt gebruiken. De checklist is gebaseerd op workshops met experts en op onderzoek naar
wetteksten en wetenschappelijke artikelen over privacy en ethiek; zowel op het gebied van learning analytics
als daarbuiten.
1. Waarom wil je learning analytics toepassen?
Wat is de verwachting over de toegevoegde waarde voor de organisatie en de betrokkenen?
Welke rechten hebben de betrokkenen?
Het 'Technologiekompas voor het onderwijs - Kennisnet Trendrapport 2016-2017' bevat adviezen over de inzet van big data en
learning analytics, die je helpen om deze vragen te beantwoorden.
2. Uitleggen: wat zijn de doelen en de grenzen?
Welke data wordt verzameld en met welk doel?
Hoe lang worden data opgeslagen?
Wie heeft er toegang tot de gegevens?
3. Rechtmatigheid: waarom heb je toegang tot de gegevens nodig?
Welke gegevensbronnen heb je al, en bieden die niet voldoende informatie?
Waarom is het toegestaan dat je aanvullende informatie gaat verzamelen?
4. Betrekken: betrek alle belanghebbenden en betrokkenen
Wees open over privacyzorgen.
Geef toegang tot de persoonlijke gegevens van een betrokkene.
5. Toestemming: ga een overeenkomst aan met de betrokkenen
Vraag toestemming aan betrokkenen vóór je data verzamelt.
Gebruik eenduidige en begrijpelijke vragen als je vraagt om toestemming (voorzie in 'ja/nee-opties').
6. Anonimiseren: zorg dat het individu niet meer te achterhalen is
Het is belangrijk dat je gegevens zoveel mogelijk anonimiseert. Kennisnet ontwikkelt hiervoor de zogeheten nummervoorziening.
Elke leerling krijgt daarin een persoonlijk identificatienummer.
Partijen in de onderwijsketen die gegevens van een leerling uitwisselen, zoals bij het bestellen en gebruiken van leermateriaal, bij
het maken van toetsen en bij het terugkoppelen van de resultaten daarvan, gebruiken dat nummer. Er hoeven daardoor geen
persoonsgegevens van leerlingen te worden uitgewisseld.
7. Technisch: zorg voor procedures om privacy te garanderen
Monitor regelmatig wie toegang heeft tot de gegevens.
Vraag opnieuw om toestemming als het gebruik van learning analytics substantieel verandert.
Vergewis jezelf ervan dat de dataopslag voldoet aan internationale beveiligingsstandaarden.
8. Extern: gegevens bij derde partijen
Zorg dat je weet of deze partij zich houdt aan nationale regels en afspraken en organisatie regels en afspraken.
Zorg voor overeenkomsten waarin duidelijke afspraken staan over beveiliging en verantwoordelijkheden
Gegevens mogen alleen gebruikt worden voor het beoogde doel en voor niets anders.
De aandachtspunten uit de checklist
Hieronder zetten we de punten uit de checklist op een rij. En we verwijzen je naar informatie of hulpmiddelen
van Kennisnet, de PO-Raad en de VO-raad, die je verder helpen.
Aanbieders van digitale leermiddelen en andere digitale producten hebben samen met de PO-Raad en VO-raad
afspraken vastgelegd in een privacyconvenant. In dit convenant en de bijbehorende model
bewerkersovereenkomst zijn ook afspraken vastgelegd over beveiliging van gegevens.
Nawoord Als professional, manager of bestuurder, weet u waarschijnlijk als geen ander, welke vraagstukken u dagelijks
bezighouden. Wat u nodig heeft bij uw eigen ontwikkeling en die van uw organisatie. Waar u het verschil kunt
maken op het terrein analytics en data.
AOG School of Management heeft, specifiek met het oog op de uitdagingen die daaraan voor u verbonden zijn,
leergangen en masterclasses ontwikkeld.
MOOCfactory is specialist op het gebied van social learning en biedt verschillende tools om dit vorm te geven,
ook op het gebied van learning analytics.
Geïnteresseerd in verdere inspiratie of gewoon eens een goed gesprek? Neem contact met ons op!
drs. Eric Buffinga
AOG School of Management
06 83 67 15 60
François Walgering
MOOCfactory
06 14 20 19 36
“
Als organisaties veel (heel veel!) data hebben verzameld en
vaak genoeg hebben getest, kunnen ze dankzij Learning
Analytics en een Learning Record Store gaan voorspellen
welke leerinterventie wat oplevert.
“
