Learning analytics er et interessant fænomen, der har gjort sit indtog i undervisningsverdenen. Nogle gange kan man godt få et indtryk af, at begrebet bliver brugt lidt lemfældigt. Eller der er i hvert fald forskellige holdninger til hvad det er og hvad det kan. For at undersøge mulighederne i fænomenet, har jeg udviklet et Low-Fi eksempel på et didaktisk design med indbygget learning analytics. Jeg har valgt at kalde det 50 Begreber . 

Opbygningen og analysemulighederne i “50 begreber”

Overordnet er formålet at lave et didaktisk design, der igennem simple algoritmer i Excel, bliver et slags scoreboard, hvor de studerendes opfattelser af begreber reduceres til point og forekomster.

Der findes 2 lag af analysemuligheder i dette didaktiske design. En overordnet analysemulighed af rå-data samt en reduceret, hvor fokus er den enkeltes forståelse af begreberne.

Hensigten med de overordnede analysemuligheder er at generere et billede af holdets/klassens samlede opfattelse af et felt. Du kan blandt andet vurdere om klassen som helhed har en opfattelse af, at et begreb er forståeligt og anvendeligt. Et lavpraktisk problem ved denne type rå-data er, at det hurtigt kan blive uoverskueligt, når mange studerende udfylder deres navne (data). Derfor kan det være hensigtsmæssigt at reducere kompleksiteten i analysemuligheder ved at opdele i point og forekomster.

50 begreber
skærmbillede fra 50 Begreber (tryk på billedet og prøv det i Excel Online )

Hvorfor reducere til point og forekomster?

Intentionen med at reducere til point ligger i, at der i taksonomiske niveauer er noget, der er bedre end andet. Det er bedre at “kunne anvende” end bare at “kende til” og endnu bedre at “kunne stille sig kritisk overfor”. Dermed afforder pointsystemet, at det giver mening at fordybe sig og reflektere.  I anvendelsen af point  har de studerende frihed til at bestemme, om de vil starte med en overfladisk forståelse for mange begreber, eller om de vil fordybe sig i få begreber.

En reduktion i forhold til forekomster har mere et kvantitativt præg. Her bliver det lettere for underviseren at stille specifikke krav. “Jeg forventer at I har x-antal begreber (forekomster), der giver 4 point inden…”. På den måde opstår der en strammere styring i forhold til hvordan viden skal tilegnes.

scoreboard
Oversigt over point og forekomster i 50 Begreber

Hvorfor er “50 begreber” learning analytics?

Overordnet kan vi dele learning analytics ind i 2 kategorier: progression og adfærd. Konceptet “50 begreber” befinder sig primært i kategorien progression, da den studerende aktivt skal tage stilling til fremskridt og kontinuerligt placere sig de rette steder. Selvgraduering, eller som John Hatie vil kalde det: Self grading, er en effektiv måde til at skabe bevidsthed for ens rolle i forhold til et felt. En vurderingen af egne forståelser og evner kommer på baggrund af en aktiv selvevaluering ud fra nogle specifikke kriterier. Hvorvidt denne selvevaluering bliver grundig afhænger af de didaktiske rammer, der sættes for “50 begreber”.

De omkringlæggende didaktiske rammer

“50 Begreber” kan bruges på mange måder i mange undervisningskontekster og kan dermed kaldes et funktionelt læremiddel, idet begreberne kan tilpasses og de taksonomiske niveauer kan ændres.  Der er dog 3 forskellige udfordringer, der ofte vil være fælles, når et sådan design anvendes.

  1. Selvevaluering i offentlighed – eller i hvert fald inden for klassen – skaber en speciel dynamik, da andre studerende kan vurdere, hvordan du vurderer dig selv. Hvorvidt du som underviser finder dette hensigtsmæssigt og kan anvende dette konstruktivt er essentielt for, at dette design giver mening at anvende.
  2. Et andet fænomen man skal være opmærksom på, er muligheden for, at konceptet kan gamificeres. Når data bliver reduceret til point opstår der ofte et konkurrenceaspekt. Hvorvidt dette bliver et problem eller en motivationsfaktor afhænger af konteksten det bruges i.
  3. Forventningsafstemning og opfølgning er essentielt. For at “50 begreber” som koncept skal give mening, skal underviser med de studerende aftale, hvordan de forskellige niveauer forstås og hvad det indebærer. Ligeledes skal progression iscenesættes med deadlines og de studerendes forskellige selvgradueringer skal anvendes. Eksempelvis kunne underviseren rammesætte gruppearbejde ud fra niveauer eller underviseren kunne forpligte de selvsikre studerende til at hjælpe de mindre selvsikre.

 Learning anlytics er jo meget mere

Ja, det er fuldstændig rigtigt, men nogle gange er det mere hensigtsmæssigt at starte på gulvet, end at udvikle forkromede LMS systemer, hvor intentionen drukner i features og brugerne skal være it-eksperter for at kunne hitte rede i galskaben. Hvis du har lyst til at låne dette didaktiske design skal du være hjertens velkommen. Jeg har lavet 2 versioner: En der er udfyldt som skal anvendes på Metropols adjunktuddannelse samt en, du kan redesigne i forhold til dit område og behov. (NB. du kan også bruge det i google sheets)

Skriv gerne en kommentar om hvordan du kunne forestille dig at bruge konceptet eller hvorfor du ikke vil anvende sådan et design.  

Gode links

Video om Learning analytics fra University of Technology Sydney

TEDx Talks Open Learning Analytics: Erik Duval at TEDxUHowest

Artikel Learning analytics don’t just measure students’ progress – they can shape it

Artikel fra University of Illinois The Validity of Self-Reported Grade Point Averages, Class Ranks, and Test Scores:

Blog fra Folkeskolen.dk http://www.folkeskolen.dk/567630/data—traed-varsomt-