Adaptieve leertechnologie helpt om leren effectiever en aantrekkelijker te maken. Het is dus een belangrijke sleutel in het personaliseren van leren. Adaptieve leertechnologie is één van de opkomende technologieën in EdTech.
Zeker nu e-learning meer gemeengoed is geworden, komt adaptieve leertechnologie binnen bereik. Leersystemen kunnen een enorme hoeveelheid aan data van cursisten verzamelen waarmee adaptieve systemen kunnen worden ontwikkeld.
Designed adaptiviteit versus algoritmische adaptiviteit
In het spectrum van adaptieve leersystemen zijn er twee uitersten te positioneren:
Designed adaptivity: adaptiviteit op basis van ‘if this, then that’-structuren. Hierbij wordt bijvoorbeeld leercontent opgedeeld in kleine sub-eenheden en worden meerdere leerpaden geprogrammeerd op basis van de kennis van docenten.
Algoritmic adaptivity: adaptiviteit waarbij Artificial Intelligence het mogelijk maakt om grote hoeveelheden leerdata te verwerken in categorieën en structuren, om op basis van algoritmen het individuele leeraanbod aan te passen.
Data verzamelen
Zoals gezegd kunnen systemen veel data verzamelen van de cursist. We onderscheiden dit in performance, behavior en information data.
Performance data is informatie over hoe een cursist presteert. Deze data zegt daarmee iets over de cursist maar ook iets over de kwaliteit van de e-learning of de onderdelen daarvan. Denk aan:
- Welke soort opdrachten gaan goed en welke niet?
- Hoe verloopt de leercurve?
- Hoe verloopt de vervalcurve (dus de kennis die de cursist kwijtraakt)?
Behavior data is data over het gedrag van de cursist. Daarbij kun je denken aan:
- Hoe lang doet een cursist over een leertaak?
- Welke bronnen/content zet de cursist in. Zijn dat filmpjes of is dat tekst?
Information data is data die de cursist zelf verschaft aan het systeem door vragen te beantwoorden als:
- Hoe zeker ben je van je antwoord?
- Welke onderdelen vond je prettig om te doen?
Niveau
Een interessant aspect van een adaptief leersysteem is dat je cursisten niet per sé hoeft in te delen op niveau, zoals dat nu wel gebeurt in het reguliere onderwijs. In een adaptief systeem kan per leertaak namelijk een schatting worden gemaakt van de succeskans. Deze succeskans kan worden bepaald op basis van de voorkennis en de leercurve bij vergelijkbare onderwerpen. Op deze manier kunnen individuele leerpaden worden samengesteld.
Contentdata
Behalve data van de cursist, is ook data over de content relevant. Daarbij is van belang hoe de kennisonderdelen samenhangen in een zogenoemd kennisnetwerk. Zo’n kennisnetwerk kan een algemeen geldende opvatting zijn over de kennisopbouw in een vak. Denk daarbij aan een vak als wiskunde.
Een kennisnetwerk kan ook via Artificial Intelligence worden verkregen door grote hoeveelheden data van cursisten te analyseren. Het systeem kan bijvoorbeeld rubriceren en categoriseren: als deze kennis aanwezig is, dan is ook die kennis vaak aanwezig.
In onderstaand plaatje is een kennisnetwerk (knowledge space) schematisch weergegeven. Gecombineerd met kennis over de cursist kun je zo effectieve leerpaden uitzetten.
Sociaal
De mens leert het best in een sociale context. Systemen kunnen dat nooit vervangen. Maar ze kunnen wel helpen om complexe vraagstukken het hoofd te bieden om zo gepersonaliseerd leren mogelijk te maken.
Stand van de techniek
Adaptieve systemen zijn in opkomst maar nog geen gemeengoed. De eerste stap in adaptief leren is een goed dashboard voor cursisten en hun docenten waarbij leerdata en contentdata betekenisvol worden gepresenteerd.
