Dit is het tweede blog in een serie over de relatie tussen het flipped classroom concept en learning analytics. Voor deze blog interviewde ik Jelmer Evers, geschiedenisdocent op het UniC in Utrecht, over de relatie tussen deze twee onderwerpen.

Hoe zet je flipped classroom op dit moment in?

Ik ben begonnen met het maken van video’s voor de eindexamen klassen. Met deze leerlingen had ik maar één klassikaal lesuur. Om dat uur te gebruiken om alleen maar te vertellen vond ik zonde van de tijd. Ik wilde met de groep aan de slag gaan. Eerst was het kijken van de video’s verplicht, maar daar ben ik al heen snel van af gestapt. Bij Unic is de leerling eigenaar van het leerproces, in samenspraak met de docent. Leerling kunnen zelf kiezen hoe ze kennis tot zich nemen en met welke middelen. De video’s zijn daardoor minder belangrijk geworden.

De aanpak verschilt ook per groep. Eén groep leerlingen prefereerde bijvoorbeeld toch om instructie op de gebruikelijke manier te krijgen. Je moet de aanpak aanpassen naar gelang wat de leerlingen nodig hebben en daarin met elkaar over in gesprek gaan. Sommige kunnen een bepaalde mate van vrijheid juist goed aan, anderen geven daar juist niet de voorkeur aan.

Op de website van Jelmer kan je meer vinden over het materiaal dat hij heeft gemaakt en zijn aanpak.

In hoeverre pas je nu al principes van learning analytics toe bij de inzet van flipped classroom?

Naar mijn idee bevinden we ons met learning analytics nog in het stenen tijdperk. In de ELO kan ik nu bijvoorbeeld zien wat leerlingen hebben gedaan, wat ze hebben aangeklikt, hoe lang ze met iets bezig zijn geweest. Met kleine quizjes over de leerstof heb je al snel een beeld of een leerling iets begrijpt, maar het is bij lange na nog niet wat je zou willen om een completer beeld te krijgen.

Zie je negatieve kanten aan het gebruik van learning analytics binnen een flipped classroom concept (of breder)?

Sommige beleidsmensen wrijven zich misschien in hun handen dat ze denken dan alles weten over wat er gebeurt binnen een onderwijsinstelling. Ik ben bang dat de data teveel leidend gaat worden, dat de gedachte is dat je door middel van cijfers alles weet wat er gebeurt en waar je op moet sturen. Dat is een utopie. Data zegt niet alles. Je weet door data misschien heel veel maar ook nog zo weinig. Data moet je goed kunnen duiden, je moet alle mitsen en maren daarbij goed in ogenschouw nemen.

Docenten moeten ook leren de gegevens te duiden. Docenten zouden eigenlijk ook een soort data-analisten moeten worden, die begrip hebben over de werking van het systeem en hoe ze de data moeten interpreteren. Docenten moeten weten hoe ze ethisch en zinvol met de gegevens om moeten gaan. De gegevens zeggen niet alles, je moet in gesprek blijven met leerlingen om ze te kunnen duiden.

Leerlingen vereenzelvigen zich vaak met een cijfer. Learning analytics gaat daarbij nog een stap verder dan een cijfer voor een toets, en laat nog veel meer gegevens zien op basis van het handelen van een leerling. Cijfers en andere gegevens kunnen heel erg conditionerend werken. Dat kan gevaarlijk zijn. Leerling moeten zelf ook een soort data-analisten worden, ze moeten leren te duiden wat de cijfers nu eigenlijk betekenen en hoe je ze moet interpreteren en gebruiken.

Wat is er naar jouw idee nodig om learning analytics goed te kunnen laten werken?

Learning analytics zou nog meer meerwaarde kunnen bieden als data beter gekoppeld zou zijn, meer gemetadateerd zou zijn, gekoppeld aan vaardigheden. Ontwikkelaars hebben naar mijn idee weinig zicht op wat er in een school gebeurt, en de pedagogische en didactische visie die daar achter zit. Als docent ervaar je dat constant, je weet dondersgoed waar je op moet sturen. Ontwikkelaars zouden veel meer die link op moeten zoeken om systemen echt bruikbaar te maken.

Naar mijn idee wordt er nu nog voornamelijk vanuit een technische insteek gewerkt aan learning analytics. Men is nog te weinig bezig met de randvoorwaarden om het in te zetten, de privacy aspecten die er een rol bij spelen. Die discussie moet ook gevoerd worden om learning analytics te kunnen laten werken.

Daarnaast zal het naar een model toe moeten gaan waarin de data gedeeld kan worden. Als je data deelt dan kan je meer waarde creëren dan door de data in je eigen systeem vast te houden, om je bestaande business model in stand houden. Kijk bijvoorbeeld naar Magister, een vrij complete keten maar heel erg afgesloten. We gaan naar een maatschappij toe waar de waarde steeds meer in de verbondenheid in een netwerk zit. De eerste uitgever die learning analytics op deze manier gaat toepassen en data beschikbaar stelt om te delen, zal daar de meerwaarde van gaan ervaren.

ELO’s zouden meer een soort datahubs moeten worden, waar je allerlei databronnen op kan aansluiten uit allerlei verschillende tools en omgevingen. Door data te combineren kan je er nog veel meer uit halen. Belangrijk daarbij is dat het gebruiksvriendelijk is, en er niet uitziet als een stortvloed aan cijfers. Het zou er uit moeten zien als een infographic waarop je steeds dieper door kunt klikken om iets uit te kunnen diepen.

Er is nog veel te doen alvorens learning analytics optimaal kan werken. Het is belangrijk om naast het schetsen van de droom van learning analytics, de nuance tussen praktijk en theorie op te blijven zoeken.

Lees hier het eerste blog over dit onderwerp met Frans Droog.