Forlagene investerer store summer i adaptive og såkaldt intelligente systemer, der efter sigende tilpasser sig den enkelte elevs niveau og målretter læringen til den enkelte. Uddannelsesudbyderne investerer i at afdække elevernes ageren i deres læringsplatforme, så de kan forudsige og tilbyde læringsstier, der er tilpasset den enkelte. Og unge startup-virksomheder udvikler systemer, der kan hjælpe studerende med at finde udvalgte tekster i lærebøgerne, så de studerende kun behøver læse netop det, de mener er nødvendigt for at lære – og samtidig få tilbudt tekster, som andre, der har interesseret for de samme tekster, også læste.
Big data og Learning Analytics er det nye sort i læringssammenhænge.
Når vi agerer i digitale systemer sætter vi digitale spor, som leverandørerne af systemerne i en årrække har registreret. Oprindeligt blev disse spor registreret blot fordi man kunne. I nogle tilfælde med det formål, at kunne fejlfinde i systemerne – men i mange tilfælde, fordi der var en idé om, at disse data nok ville kunne bruges til et eller andet på et tidspunkt.
Alle disse data – som har fået begrebsbetegnelsen big data – ligger leverandørerne af it-systemerne nu inde med. Og disse data er i sig selv ved at blive forretningsgjorte i form af intelligente systemer. Vi kender det fx fra Facebook, hvor der dukker reklamer op om produkter og interesser, som du i andre sammenhænge har vist interesse for eller som dem, der har søgt på det samme, også har søgt på.
I undervisningssammenhænge kaldes forretningsgørelsen Learning Analytics – altså analyse og fortolkning af data om studerendes ageren i læringssystemer og –platforme.
I de adaptive systemer indsamles millioner af data om elevers besvarelser af opgaver, og der opstilles algoritmer, der på baggrund af disse besvarelser kan fastlægge opgavernes sværheder samt finde parallelle eller sammenfaldende mønstre for en konkret elevs besvarelse. Algoritmen kan derefter tilbyde eleven en ny opgave, som andre elever med samme besvarelsesmønster, er blevet udfordret af.
Afdækning af læringsstier og udvælgelse af tekster foregår på samme måde, og der anvendes algoritmer på samme måde som Facebook, Google og de andre, der lever af vores digitale spor, opstiller for at tilfredsstille det umiddelbare behov hos brugeren.
Man kan med rette spørge: Er det denne læringsform vi ønsker? Risikerer vi, at vi kun får tilbudt netop det i læringssammenhænge, som vi umiddelbart tilfredsstilles af? Risikerer vi at ende med overfladelæring, der sætter den dybere forståelse og refleksion i læring over styr? Udvikler vi vores elever og studerende til det, som også kaldes GPS-lærende – lærende, som kun sigter mod kortsigtede mål og er ligeglade med, hvordan de kommer dertil, blot det er den hurtigste og mindst besværlige vej?
Måske er en anden aktuel trend, der netop nu også er i voldsomt fokus modsvaret på ovenstående spørgsmål – nemlig erkendelsen af behovet for udvikling af den evne hos de lærende, som med et andet engelsk ord kaldes Computational Thinking: Evnen til at kunne begribe informationsteknologien samt gennemskue algoritmernes intentioner og forholde sig kritisk til disse.
Enhver udvikling igangsætter en modudvikling – og måske kan denne dialektik være med til at sikre, at vi i Danmark får det bedste ud af Big data og Learning Analytics.
Fluid afholder en konference d. 1 februar 2018 om learning analytics. Konferencen formidler forskellige perspektiver og giver rum til vigtige kvalificerede diskussioner om dette tema. Læs mere herunder om konferencen.
Skrevet af
Michael Lund-Larsen,
Centerchef på eVidenCenter