Onze blogs

Hier delen we onze kennis op het gebied van Learning Record Stores
14 jul 2017
by François Walgering

Een cMOOC is een kennisnetwerk

Felicia de Ruiter is bijna klaar met haar studie Onderwijswetenschappen in Utrecht. “Ik heb een voorliefde voor digitaal leren. Daar ligt wat mij betreft de toekomst. Door data te analyseren over een leerproces, kun je dat leerproces steeds efficiënter maken. Daar worden bedrijven, organisaties en universiteiten toch blij van? Daarom heb ik de data uit een social Massive Open Online Course (MOOC) onder handen genomen. Ik heb onderzocht hoe mensen binnen die digitale leeromgeving interacteren en leren. De conclusie? Binnen een social MOOC of cMOOC bouwen mensen aan een kennisnetwerk, of community of practice.”

 Leren van de toekomst

“Leren is van alle tijden, maar ik vind het heel boeiend om te zien welke mogelijkheden deze tijd biedt”, vertelt Felicia enthousiast. “Het gaat hard nu. Dankzij technologie en de data die de technologie genereert, kun je steeds beter bijhouden hoe mensen leren. Je wordt gelukkiger als je iets leert wat je nog niet weet, in plaats van herhalen, herhalen, herhalen. Als je leert wat je echt leuk vindt. Of als je de animo voor een training of cursus in je organisatie kunt vergroten. Dat kan dus nu. Digitaal leren en de data die je kunt gebruiken om beter en effectiever leren, bekend onder de noemer learning analytics, interesseren me enorm. Daarom koos ik een onderzoeksonderwerp dat me boeit: leren en interacteren binnen MOOCs.”

Toekomstgericht leren door data

Learning AnalyticsFelicia zocht contact met LRSFactory en mocht de data binnen de MOOC Toekomstgericht leren door Data gebruiken voor haar onderzoek. Door data over leren en leerpaden goed te bestuderen, kun je het leerproces (op een universiteit, binnen een organisatie) effectiever en efficiënter maken. Dit levert bedrijven en organisaties veel op: tijd, geld, nieuwe inzichten. Kortom: winst. Felicia: “Ik wilde ontdekken hoe mensen in een social MOOC interacteren en communiceren. En uitzoeken hoe deelnemers binnen zo’n digitale leeromgeving leren. Met die inzicht(en) kunnen we leerprocessen, of leerpaden weer een beetje efficiënter maken. En je kunt bepalen wanneer je een social MOOC wilt inzetten.”

Social MOOC

Zoals scholen verschillende ideeën hebben over leren, hebben MOOCs ook verschillende formats. De xMOOC is de bekendste: binnen dit format zetten bijvoorbeeld universiteiten hun colleges online. Daarbij is er vaak sprake van het traditionele leermodel: er is nog steeds één bron van kennis (de leraar) en deelnemers maken opdrachten en behalen een certificaat. Een online college, dus eigenlijk.

Daarnaast zijn er social MOOCs. “Mijn analyse heeft betrekking op die social MOOCs of connectivistische MOOCs, afgekort cMOOC”, vertelt Felicia. “De moderator (of facilitator) binnen zo’n MOOC zet verschillende leerobjecten online. Denk aan een essay of een filmpje. Hij stelt daarbij een vraag, of poneert een stelling. Deelnemers gaan daarover met elkaar een discussie aan. Ook verzamelen deelnemers samen bestaande content en wijzen elkaar op waardevolle kennis.”

Alle kleuren van de regenboog

“Die cMOOC Toekomstgericht leren door data werd de plek voor mijn onderzoek. Ik wilde uitvinden hoe mensen met elkaar interacteren en leren. Daar heb ik het Rainbow model voor gebruikt”, vertelt Felicia. “In 2007 paste Michael Baker een model toe om interactie in een online omgeving te analyseren: het regenboogmodel voor computer supported collaborative learning (CSCL).

Een CSCL-omgeving is een exacte kopie van een klaslokaal. Dertig studenten zitten samen in een digitale klas – zo ver waren we dus in 2007 – en discussiëren met elkaar. Ze zijn daar een bepaalde tijd en hebben een gezamenlijk doel: een opdracht maken, een theorie leren, of een essay schrijven. Op het gebied van interactie doorlopen de leerlingen zeven verschillende stappen, corresponderend met de zeven kleuren van de regenboog, om tot leren te komen. Ze begroeten elkaar bijvoorbeeld, of doen sociale uitingen die helemaal niets met leren te maken hebben (terrasje pakken?). Ook doen leerlingen aan taakmanagement (planning afspreken, besluiten dat een probleem is opgelost), ze geven meningen, beargumenteren die en doen aan verdieping en verbreding (oftewel: ze leren) door op elkaars meningen en argumenten te reageren.”

Leren van interacteren?

“Het regenboogmodel heb ik toegepast op de interacties in een MOOC. Dat was nog niet eerder gedaan. En ja, die analyse was best pittig,” lacht Felicia. “Ik heb ruim 2800 interacties uit de MOOC Toekomstgericht leren door Data gescoord op de zeven kleuren om te zien wat er precies gebeurt. Ik wilde twee dingen onderzoeken: (1) kan ik met het regenboogmodel van Baker de kwaliteit van interactie binnen een MOOC analyseren? En (2) hoe leren mensen in een social MOOC?”

Meer kleuren nodig

“Het regenboogmodel van Baker (2007) was bruikbaar, maar er moeten wat aanpassingen worden gedaan om hem helemaal aan te laten sluiten op de interactie binnen een social MOOC”, legt Felicia uit. “Sociale uitingen die in het originele model niets met de leervraag te maken hebben en daar niet-relevant zijn, zijn in een sociale MOOC soms wel relevant voor de groep. Dat is een interessant verschil. Daarnaast moet de categorie ‘meningen’ worden opgedeeld in ‘het geven van een mening’ en ‘het vragen naar een mening’. Ook opvallend: taakmanagement kwam niet voor. Het regenboogmodel moet dus worden uitgebreid en aangepast om alle soorten interacties binnen een cMOOC goed te kunnen indelen.”

Een community of practice

“Volgens het model van Baker doorlopen deelnemers aan een social MOOC in 2017 niet dezelfde stappen om tot leren te komen als de deelnemers die in een computer supported collabarotive learning (CSCL-omgeving) uit 2007 leren. Wat deelnemers binnen een cMOOC heel sterk doen, is een community of practice, of kennisnetwerk, opbouwen . Je zou het een andere manier van leren kunnen noemen. In elk geval is dit een ander proces dan het traditionele leermodel”, concludeert Felicia.

De praktijk is de beste leerschool

“Een sterk netwerk creëren is in de toekomst misschien wel belangrijker dan het opslaan van kennis”, gaat Felicia verder. “Je moet weten waar je informatie kunt vinden, ziet hoe anderen diezelfde informatie gebruiken in hun situatie en leert daarvan. En je past opgedane kennis en informatie toe binnen jouw eigen organisatie of situatie. Je leert nou eenmaal het meest – en misschien ook wel het best – in de praktijk. Daarom kan ik ook niet wachten om met mijn nieuwe baan te beginnen. Ook daar ga ik aan de slag met leerprocessen en data om die leerprocessen beter te maken!”

Waarom we NÚ met Learning Analytics moeten beginnen?

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

Learning AnalyticsReal 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.

“1 in 5 companies don’t measure the impact of training in any form at all”

Building Capabilities for Performance, McKinsey & Company Survey (2015)

 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!

Learning Analytics; data als basis voor het onderwijs van de toekomst

Wat zijn de mogelijkheden van digitaal leren? Innovatieve ideeën over wat allemaal mogelijk is binnen het onderwijs door het gebruik van data die verzameld wordt bij de lerende (Learning Analytics) kwamen 9 februari aan bod tijdens de bijeenkomst “Meeting More Minds”. Met een groep van twaalf vernieuwende denkers en Ben Betts (HT2Labs)is tijdens deze bijeenkomst gespard over waar we nu staan, maar vooral over waar we naartoe kunnen.

Learning Analytics

Gepersonaliseerd leren?

Gaan we in de toekomst gepersonaliseerd leren? Is het mogelijk om écht af te stemmen op wat iedere persoon nodig heeft om uit te blinken? Deze vraag lijkt nog niet zo eenvoudig te beantwoorden. Want waar hebben we het eigenlijk over als we gepersonaliseerd willen leren en hoe kunnen we het belang ervan duidelijk maken? Ten eerste lijkt het een kwestie van geld; immers waarom zou je leren afstemmen op de lerende als dat duur is, terwijl op dit moment voldoende hoog opgeleide professionals uitstromen op de arbeidsmarkt. Maar wat nou als persoonlijk leren zou zorgen voor een rendabeler leertraject. Door af te stemmen op het individu kunnen we studenten helpen om de juiste keuze voor een studie te maken of ze te helpen om snel te wisselen wanneer blijkt dat de studie niet aansluit. Door soepeler met het traject om te gaan kunnen we besparen op uitloop. Zou de eenheidsworst die nu wordt geprefereerd door de overheid dan nog steeds de standaard blijven? Ten tweede lijkt het mensen te ontbreken aan visie. Zoals het zo mooi onder woorden werd gebracht woensdag: “mensen willen worden geïnspireerd, maar niet geactiveerd”. We kunnen pas veranderen wanneer de noodzaak daartoe wordt gevoeld.

Anominisering

Om gepersonaliseerd te kunnen leren waarbij het draait om het individu hebben we nog een lange weg te gaan. Zonder beren op de weg te zien, zijn er een aantal legitieme bezwaren gemaakt die laten zien dat LA ook problemen met zich mee kunnen brengen. Wat het meest speelde was het probleem van anonimisering. Het verwijderen van namen in de data wordt veel gedaan, maar het blijft de vraag of dit voldoende is om de veiligheid van studenten te waarborgen. En wanneer het wel mogelijk is om op een goede manier te anonimiseren, wie zou er dan toegang tot die informatie moeten hebben? Een van de andere problemen die naar voren kwam was in hoeverre data gebruikt zou mogen worden bij het voorspellen van het succes van studenten. Als we de verwachtingen van studenten af laten hangen van de activiteit in een online leeromgeving zou dat kunnen zorgen voor vals negatieve oordelen over studenten. Het vinden van de balans tussen gelijk hebben en de bruikbaarheid van data is een discussie die de komende jaren zal laten blijken waar de grens ligt.

De techniek

Voordat we écht aan de slag kunnen met LA, moeten we daarvoor ook in de techniek de basis leggen. Rome is niet in één dag gebouwd en voor een goed werkende infrastructuur waarin LA een toevoeging zijn, geldt hetzelfde. We willen te veel, te snel. Zonder dat we een verbonden systeem hebben gaat het onmogelijk worden om te analyseren en dát is nou juist wat veel grote bedrijven willen, liever gisteren dan vandaag. Wanneer dit wél het geval is dan is het mogelijk om data samen te voegen met een Learning Record Store (LRS) , op te ruimen én te organiseren (met Learning Locker) op zo’n manier dat het inzicht geeft in de (leer)processen die gaande zijn.

Waar staan we over 1, 5 of 10 jaar?

Over het algemeen werd de mening gedeeld dat de ontwikkelingen traag zullen verlopen. In het beste geval zijn we ons over één jaar bewust van de noodzaak van LA in instituten en hebben we een code of practice met richtlijnen over hoe dit eruit zou moeten zien. Tussen nu en vijf jaar is LA niet alleen erkent als een belangrijke tool voor leren, maar combineren we deze met HR analytics voor een holistisch beeld van de organisatie. We zijn dan ook in staat om leertrajecten te verkorten en af te stemmen op het individu (Time to Competence). Over tien jaar kennen we een vorm van all-in educatie gebaseerd op leren van machines. We kunnen LA dan inzetten op verschillende plekken in het onderwijs, maar de ontwikkeling zal weerstand oproepen bij docenten die hun leerlingen niet op willen geven aan een computer.

Misschien is onze uitdaging niet alleen het bedenken van innovatieve ideeën, maar ook om deze gedeeld te krijgen met een groep professionals met visie. En om te zorgen dat zij zich niet alleen laten inspireren maar ook laten motiveren om actief te veranderen.

 

Felicia de RuiterDeze blog is geschreven door onze stagiaire Felicia de Ruiter. Felicia studeert op dit moment af als Onderwijskundige aan de Universiteit  van Utrecht.

LinkedIn: Felicia de Ruiter

 

Informeel leren monitoren met een Learning Record Store

Informeel lerenExperience API, XAPI, Learning Record Stores, TinCan API weet jij wat het is? Het klinkt wellicht heel technisch… Toch is het interessant om je hier in te verdiepen als je formeel en informeel leren wilt monitoren en meten. En wie wil dat niet? Jos Maassen, François Walgering (LRSFactory) en Ben Betts (HT2) nodigden een aantal Nederlandse L&D professionals uit om met elkaar in een Meeting More Minds sessie, van gedachten te wisselen over de uitdagingen rond het monitoren en meten van leren.

In deze blog leggen L&D professionals Saskia Tiggelaar, Joitske Hulsebosch en Lisan van der Lee (intern MOOCFactory) uit wat een learning record store is, wat de uitdagingen zijn en waarom je deze ontwikkelingen in de gaten moet houden.

Uitgangssituatie: een divers (online) leerlandschap.

Dat wij allemaal voor dezelfde uitdaging staan bij het monitoren van leren is geen toeval. In de afgelopen vijf jaar is er binnen veel organisaties gewerkt aan het toegankelijk maken van online lesmateriaal voor medewerkers. Allerlei vormen, blended, zelfstudie, games en apps zijn uit geprobeerd en in veel gevallen (succesvol) geïmplementeerd. De meeste organisaties hebben dan ook een goed gevuld leermanagementsysteem (LMS) met hierin (zelf) ontwikkelde materialen passend bij de opleidingswens van de organisatie.

Doordat organisaties zelf content zijn gaan ontwikkelen, is er ondertussen veel materiaal beschikbaar, maar ontsloten op verschillende soorten LMS-en, binnen de verschillende organisaties. Daarnaast neemt de content op websites als Youtube, Vimeo, blog-sites, dagelijks veelvuldig toe. Wij zijn ons dan ook steeds bewuster dat het maken van ‘nieuwe’ content niet nodig is, omdat het elders al beschikbaar is. Hier komt het cureren van content dan ook om de hoek kijken. Waarom investeren in creëren als je gebruik kunt maken van bestaande content? Met het cureren van content wordt bedoeld dat je bestaande content selecteert en beschikbaar maakt voor de medewerkers, zodat zij op basis daarvan leerervaringen op kunnen doen.

De uitdaging voor het inrichten van een goed leerlandschap ligt in het over grenzen heen kijken en gebruik maken van materialen buiten je eigen LMS, zoals websites en video’s. Dit vraagt om flexibiliteit van systemen. Waar we eerder zouden grijpen naar ‘ hoe communiceert platform X met Y’, is de visie van o.a. LRS-factory en HT2, dat we meer moeten zoeken in de richting van:

Gebruik elk platform waarin het goed is, probeer niet alles aan elkaar te verbinden, maar zorg er wel voor dat je de data uit de verschillende systemen op 1 plek verzameld.

Een plek voor alle resultaten: de Learning Record Store.

En zo komen we uit bij een Learning Record Store, want dat is niet anders dan een centrale opslagplaats voor gegevens over leeractiviteiten. Ben Betts: “it is actually a quite boring piece of software because it is nothing else than a database”.

Hieronder een voorbeeld waarin je ziet dat de data op 1 plek verzameld wordt. Voorwaarde is dat er vanuit de verschillende platforms data doorgegeven worden in Experience API (Xapi). De definitie van Xapi: ‘a standard way of talking about our experiences using data’.

Informeel leren

Een voorbeeld uit de praktijk: Kinderen in een museum.

Ben Betts deelde een aantal praktische voorbeelden. Het eerste voorbeeld is van het Ann Arbor museum, een museum voor kinderen in de VS. De kinderen hebben een naamtag. De tag kan monitoren wat de kinderen doen in het museum en deze gegevens worden in de LRS opgeslagen. De docenten kunnen daarna zien welke antwoorden zijn gegeven en wat populair is en kunnen daar hun lessen op aanpassen.

Waarom zou je een Learning Record Store in jouw organisatie willen hebben?

Het is interessant om te kijken wat een LRS voor een organisatie kan betekenen. Zeker als je de ambitie hebt om zowel formele als informele activiteiten van medewerkers te monitoren. De belangrijkste en vernieuwende eigenschap van zo’n store is dat hij data over verschillende activiteiten en van verschillende platforms kan verzamelen.

Het belangrijkste doel van het monitoren is het verbeteren van het leerlandschap. Dit is echter nog een heel breed doel. En daar begint dan ook meteen de belangrijkste vraag die je als organisatie hebt te beantwoorden: welke data wil je verzamelen en waarom?

Er zijn verschillende redenen te bedenken:
Je kunt data verzamelen om:

  • gebruikersfeedback te genereren over de leerinterventies (bv. elearning modules) die je hebt klaarstaan en op basis daarvan de leerinterventies door te ontwikkelen;
  • erachter te komen welke interventies de gebruikers kiezen om in hun leerbehoefte te voorzien;
  • te voorspellen wat de wensen/onderwerpen zijn per doelgroep om zo te komen tot advies voor volgende interventies.

Om te beantwoorden met welk doel je als organisatie deze data gaat verzamelen en analyseren, zal er wel een kapstok moeten zijn. Wat is je visie op ontwikkeling? Dit kan geformuleerd zijn in competenties, maar het kan ook gaan om sociaal, gepersonaliseerd leren. We formuleren als L&D professionals steeds vaker dat de lerende zijn eigen route moet kunnen afleggen en dat de medewerker het meest leert van werkplekleren.

Dus door de resultaten die je wenst te behalen te vergelijken met hoe mensen daartoe zijn gekomen (gebruik de verzamelde learning analytics data) is het mogelijk om te monitoren of dat wat je aan het doen bent als L&D afdeling voor je medewerkers echt werkt.

Hoe zit het met de privacy van de medewerkers, mogen we zomaar hun leer data verzamelen als organisatie?

Privacy en toestemming is een belangrijk issue in Learning Record Stores. Aan de ene kant is er geen garantie dat de data 100% veilig is. Aan de andere kant is er al heel veel data over medewerkers in een organisatie. Soms wordt deze data nog niet of nauwelijks gebruikt. Het belangrijkst is om transparant te zijn naar medewerkers over hoe er met hun gegevens wordt omgegaan. Een goed gebruik (wat ook in het voorbeeld van het museum werd toegepast) is om de data te anonymiseren. JISC heeft een code of practice ontwikkeld voor learning analytics, wat inspiratie kan geven.

Hebben we over 10 jaar allemaal een eigen leerpaspoort?

Zou de medewerker dan niet veel beter zelf regie kunnen houden over eigen data? Een mooi idee is dat de medewerkers zelf de regie krijgen over zijn data in de Learning Record Store- wat we in deze blog een leerpaspoort noemen. De start ligt bij de organisatie en langzamerhand wordt de medewerker steeds meer zelf verantwoordelijk. Ben Betts gebruikte het metafoor van een koffiekaart om het leerpaspoort te beschrijven. Als een koffiekaart al gedeeltelijk gevuld is, motiveert dat een klant om de koffiekaart verder te gaan vullen. Aan ons de taak om het paspoort van de medewerker al gedeeltelijk te vullen met formele leeractiviteiten en de medewerker vult de rest. Hierdoor kan de medewerker de regie zoveel mogelijk in eigen hand houden en kan de medewerker zelf bepalen welke ervaringen toegevoegd worden aan het paspoort. Echter merkte iemand op dat mensen regelmatig hun diploma van school of universiteit al kwijt zijn.. dus hoe geinteresseerd zijn mensen in hun eigen gedetailleerde leerpaspoort?

Waar moeten we mee beginnen? (just start)

De grote vraag is: waar moet je beginnen? Begin je met een gedegen plan en juridische onderbouwing of begin je met kleinere experimenten? Moet je een datateam formeren of kun je ook zelf aan de slag als L&D professional? Aan de ene kant is het goed om vanuit organisatie perspectief te kijken en samen te werken met andere afdelingen om bijvoorbeeld ook performance gegevens te kunnen koppelen. Aan de andere kant is het goed om alvast aan de slag te gaan met bv. het werken met gegevens die er al zijn. Zo bouw je een duidelijkere case op en weet je beter wat je in de toekomst zou willen. Lees als inspiratie dit artikel “van intuitie naar zeker weten” over hoe je op het niveau van een leertraject kunt beginnen met analyseren.

 

Van intuïtie naar zeker weten – toepassen van learning analytics

Blog geschreven in samenwerking met Joitske Hulsebosch en Sibrenne Wagenaar van Ennuonline.

Steeds meer trainers en procesbegeleiders gebruiken online middelen en platforms om leerprocessen te faciliteren. Dit heeft veel weg van face-to-face faciliteren maar kent ook een eigen dynamiek. Hoe weet je bijvoorbeeld of een online artikel is gelezen? Of hoeveel tijd een deelnemer besteedt aan het bekijken van een video of het maken van een opdracht? Welke deelnemers zoeken elkaar op? Waar vinden waardevolle leergesprekken plaats en wat zijn elementen die daartoe bijdragen?In een fysieke setting stel je procesvragen aan deelnemers: “hebben jullie meer tijd nodig voor deze discussie?” en “een extra opdracht over… lijkt zinvol.” Je kunt de interactie in de groep observeren, je voert het gesprek erover en zo verzamel je informatie die van belang is om het leerproces gaandeweg bij te sturen.

In een online omgeving mis je zicht op deelnemers. Online kunnen bepaalde data je behulpzaam zijn. Data die door het systeem verzameld worden, zoals mate van online activiteit, tijd besteed aan bekijken bron, bereikte level, lengte van discussies. Waarbij de waarde vervolgens zit in het analyseren en interpreteren: learning analytics. We hebben onlangs de kracht ervaren van learning analytics en delen deze ervaring hier graag met je.

De case: food and nutrition security course

Learning AnalyticsWe hebben een vijf-weekse online cursus (SPOC- Small Private Online Course) “Food and Nutrition Security” ontwikkeld en gefaciliteerd. Er namen zo’n 90 mensen aan mee en we hebben met hen gewerkt in ‘Curatr’, een leerplatform dat sociaal leren ondersteunt en stimuleert. Vier van de vijf weken hadden een specifiek thema, de vijfde week bestond uit het werken aan een praktijkcase, ingebracht door deelnemers en experts. De deelnemers ontvingen een certificaat bij een minimum aantal behaalde punten per week en het schrijven van een case reflectie. 19 mensen hebben het certificaat ontvangen.

Online monitoren- onze intuïtie

Reacties van deelnemers online op het platform en per mail, zowel inhoudelijk als over het proces, vormden in het begin voor ons de belangrijkste bron van informatie. We kregen daarmee een beeld van belangrijke onderwerpen, onderwerpen die tot discussie leidden, effectieve leeractiviteiten. Zo ontvingen we veel complimenten over de wekelijks aangeboden interactieve webinars. Na een upgrade van de software ontstonden er technische problemen wat de deelnemers ontmoedigde. En een aantal deelnemers liet ons weten de inhoud heel interessant te vinden, maar in de knoop te komen met hun werk. Door het volgen van discussies en expliciete interactie met een aantal deelnemers, ontwikkelden we gevoel voor de kwaliteit van het leerproces. En een groep enthousiaste deelnemers begon ons op te vallen als heel betrokken. Intuïtief voelden we aan dat we op de goede weg zaten met dit online leertraject. Maar… wat zouden de data ons kunnen vertellen?

Online monitoren- analytics

Het leerplatform Curatr verzamelt achter de schermen enorm veel gegevens via X-api (experience-api of tincanapi ). Buiten de algemene data zoals voornaam, achternaam, e-mail, organisatie en functie krijg je ook heel goed inzicht in de ‘User’- en ‘Usage’ data. Waar kun je dan aan denken?

Learning AnalyticsOnder User Data verstaan we alle kwalitatieve data die je verzameld binnen het platform:

  • Alle discussies die door deelnemers gestart worden;
  • Alle reacties die in de verscheidende discussies zijn gestart;
  • Alle bronnen (video’s, pdf’s, blogs, websites) die door deelnemers zijn toegevoegd;
  • Alle reacties op aangeboden leeractiviteiten (e.g. reflectievragen, quiz, open vragen)

Usage Data zijn meer kwantitatieve data (zie illustratie)

  • Hoeveel reacties er geplaatst zijn door deelnemers;
  • Hoeveel bronnen zijn toegevoegd door een deelnemer;
  • Hoeveel reacties door wie zijn geliked;
  • Wie welk level wanneer heeft gehaald;
  • Aantal deelnemers dat de SPOC heeft afgerond.

Learning Analytics betekent goed kijken naar de data, deze analyseren en daar actie op ondernemen. We kunnen op verschillende niveaus learning analytics uitvoeren. De diepte van de analyse heeft invloed op de betrouwbaarheid van de acties die we uiteindelijk aan onze bevindingen verbinden. Je zou kunnen zeggen dat Learning Analytics grofweg uit vijf stappen bestaat:

  1. Visualiseren: Je bekijkt de data zoals ze zijn: 100 deelnemers die de SPOC hebben afgerond, 20 deelnemers die in level 1 de test met een voldoende hebben afgerond. Deze kwalitatieve data is over het algemeen zo uit de achterkant van een leerplatform te halen.
  2. Clusteren: de data die je ziet kun je clusteren: alle activiteiten van een deelnemer, alle discussies die gestart zijn, alle bronnen die zijn toegevoegd. Ze vormen samen wellicht een cluster ‘betrokkenheid’ of ‘kwaliteit’.
  3. Verbanden leggen: “na een mail van de facilitator is de activiteit op het leerplatform omhoog gegaan.” Of “de meeste activiteit in het leerplatform bestaat uit het discussieren met elkaar. “
  4. Patronen zien: activiteiten die meerdere keren zichzelf hebben beproefd. We zien bijvoorbeeld, door naar verschillende SPOCs te kijken, dat 80% van de deelnemers na 3 minuten naar een video kijken afhaakt.
  5. Acties naar de toekomst: zo kunnen we , op basis van het patroon ‘maximaal 3 minuten video’ besluiten om alleen nog gebruik te maken van video’s binnen die tijdsduur, of ervoor te zorgen dat de kern van de boodschap in de eerste 3 minuten van de video zit.

Learning analytics bij de Food and Nutrition Security SPOC

In het geval van de cursus ‘Food and Nutrition Security’ hebben we gedurende de cursus een aantal data gevolgd. Achteraf zijn we nog dieper in de data gedoken, met uitgebreidere analyse en interpretatie. Wat echt waardevol bleek en ons nieuwe inzichten heeft gegeven omtrent de wijze van participatie van deelnemers en de beweging als het gaat om sociaal leren. Een paar voorbeelden:

  • Het merendeel van de deelnemers die hoog zijn geëindigd in het leadershipboard, hebben punten gehaald door bij te dragen aan de discussie. Deze groep was voor ons ook zeer zichtbaar en hadden we snel in het vizier. Echter, er bleken ook twee deelnemers te zijn die flink wat punten hadden gehaald, puur door bronnen te bestuderen. Zij hadden weinig gereageerd online en waren daardoor voor ons ook onzichtbaar gebleven. Terwijl ze op hun manier zeer actief aan de cursus hebben meegedaan.
  • We waren ook nieuwsgierig naar bronnen die wel dan niet tot goede discussies leidden. Nu is ‘goed’ een kwalitatief begrip en daardoor moeilijk te meten. Maar er sprongen wel een paar discussies uit door het grote aantal reacties van deelnemers. We hebben die discussies vervolgens bekeken en een opvallend aspect daarbij wLearning Analyticsas de bijdrage van een expert/coach: het feit dat deze expert zich ging mengen in de discussie middels het stellen van vragen, geven van een mening, maakte dat de discussie echt tot interactie met een aantal deelnemers heeft geleid.
  • Aan deze cursus deed een divers gezelschap mee en we waren benieuwd of we verschillen zouden zien in participatie tussen bepaalde ‘groepen’ (e.g. werkzaam in Nederland versus werkzaam in Azie). Dit bleek zeker het geval. Sommige ‘groepen’ hadden een veel explicietere bijdrage aan het sociale leerproces dan andere groepen. Belangrijk om te weten bij het vormgeven van nieuwe leertrajecten! In de illustratie zie je de totale scores van de verschillende groepen gevisualiseerd.

Een aantal lessen over het gebruik van learning analytics als online facilitator

  • Gegevens ‘achter de schermen’ kunnen zeer ondersteunend zijn aan je rol als online facilitator. Je kunt er bevestiging in vinden voor mogelijke interventies. Als beginnend online facilitator kun je schrikken of teleurgesteld zijn over het feit dat niet alle deelnemers online actief zijn. Waar komt dat door? Zijn de opdrachten niet helder? Als data dan laten zien dat men wel uitgebreid de aangeboden bronnen bestudeert maar achterwege laat om op het platform te reageren kun je daar je reactie op aanpassen. Je kunt bv. de mensen die niet reageren specifiek uitnodigen om dit wel te doen.
  • Het is waardevol om data uit ‘het systeem’ aan te vullen met eigen gevoel en observaties, zoals reacties van deelnemers per mail. Zo kunnen kwantitatieve en kwalitatieve gegevens elkaar kunnen versterken.
  • Maak, voor je van start gaat met het leertraject, een inventarisatie van indicatoren en aantallen. Wat zou je willen zien? Ben je tevreden met 10 actieve deelnemers? Wat vind je ervan dat bron a en bron b er blijkbaar uitspringen qua belangstelling? Als je dit voor de start doet weet je beter welke gegevens je helpen je om daar inzicht in te krijgen. Ga in deze fase ook na hoe je aan deze gegevens kunt komen: data uit het systeem, interview deelnemers, eigen observaties.
  • Maak een plan hoe je gegevens tijdens de cursus wilt gebruiken. In ‘Food and Nutrition Security’ case zijn we dieper gaan analyseren na afloop van de cursus. Natuurlijk hielden we gedurende het traject de voor de hand liggende data wel in de gaten zoals wie inloggen en wie achterblijven, maar we hadden de data nog beter kunnen gebruiken. Zo hebben we achteraf pas de activiteit in de verschillende gebruikersgroepen vergeleken. Dit hadden we ook eerder kunnen doen.
  • De learning analytics zoals beschreven vond plaats op cursusniveau. Je kunt ook een stap verder gaan en de data uit de betreffende cursus vergelijken met data uit andere cursussen. Met de opbrengsten uit zo’n analyse kun je conclusies trekken die bijdragen aan toekomstige ontwerpen.
  • Neem er de tijd voor. Plan het ook in! Learning analytics is toch een relatief nieuwe activiteit voor veel online facilitators. En zeker als je gedurende de cursus wilt monitoren middels data, vraagt dit een regelmatige blik op het dashboard en analyse en meningsvorming om je komende interventies te bepalen.
  • En..ga in gesprek om de data te interpreteren! Bekijk de data met nieuwsgierigheid en objectiviteit en bespreek dit met de betrokkenen. Onderzoek wat ze kunnen betekenen, kom niet te snel met je oordeel. Gevoel en intuïtie zijn cruciaal. Soms bieden juist data nieuwe perspectieven maar vaak bevestigt het een bepaalde intuitie. Dit kan dan een katalysator zijn om actie te ondernemen.

Last but not least… ga zorgvuldig om met de betreffende data. Wees transparant over het gebruik van gegevens en in je bedoeling daarmee. Vertel deelnemers heel duidelijk wat je met de data gaat doen. Uiteindelijk werk je met gegevens over het functioneren van personen in een leeromgeving.

Volg al je leerervaringen met xAPI (TinCan)

Op dit moment wordt Learning Analytics binnen de wereld van online leren gezien als dé holy grail. Learning Analytics is dan ook onderdeel van de grote wereldwijde internet mainstream Big-Data. En juist xAPI (ook wel Experience API of TinCan genoemd), een vrij nieuw standaard van ADL, heeft deze mainstream toegankelijk gemaakt voor het online leren.

In deze blog wil ik jullie graag meenemen hoe het leren in kleine leerervaringen (learning nudges) en xAPI in de toekomst belangrijke factoren zijn voor het leren in de toekomst.

De grote verschuiving naar het opdoen van kleine leerervaringen brengt de e-learning-wereld een grote vraag: hoe bieden we deze kleine leereenheden online aan bij de deelnemer? Deze verschuiving is vooral te zien in de verandering in behoefte van lange online cursussen gevangen in een Learning Management System (LMS) naar kleine hapklare leerervaringen zoals video’s, flashcards, online quizen, branchespecifieke scenario’s, simulaties, leerroutes, etc. Deze leerervaringen duren vaak niet langer dan 10 minuten, het is ook gebleken dat met het aanbieden van deze kleine leerervaringen deelnemers meer intrinsiek gemotiveerd zijn om deze te voltooien en/of in te oefenen als dat nodig is.

Deze verschuiving van lange online cursussen naar kleine leerervaringen weerspiegelt zich ook in Learning Analytics. De data die wordt verzameld in een LMS geeft inzicht in de voortgang van de deelnemer en of de deelnemer de cursus heeft behaald of niet. Het behalen van de cursus geeft aan dat de deelnemer aan het einde van de cursus de vereiste kennis heeft, wat veelal een ongenuanceerde conclusie is.

Het leren van kleine leerervaringen heeft juist niet de intentie om ‘voltooid’ te registreren maar juist het werkwoord ‘ervaren’. Met andere woorden, als het werkwoord ‘voltooid’ in het middelpunt staat van een LMS, dan staat bij het leren van kleine leerervaringen ‘heb ik ervaren’ in het middelpunt. Hieronder ga ik in op hoe je deze leerervaringen op kan slaan.

Opslaan van kleine leerervaringen door gebruik van xAPI

Deze nieuwe standaard maakt het mogelijk om leerdata te verzamelen van een groot aantal leerervaringen in een Learning Record Store (LRS), zowel online als offline en van vele verschillende devices. De gedachte bij het creëren van deze standaard is dat het leren overal plaats vindt en meer dan 80% buiten een LMS. Dit sluit juist ook goed aan bij het leren van kleine leerervaringen, dit gebeurt veelal ook overal, het kan zich opeens voordoen en het is vaak geïnitieerd door de lerende zelf. Het leren van kleine leerervaringen kan dan ook wel beschreven worden als het moderne leren, zoals Glahn met onderstaande eigenschappen het moderne leren beschrijft:

  • Leren vindt continu en overal plaats
  • Leren vindt verspreid plaats
  • Leren doe je samen met anderen
  • In netwerken
  • Content is overal bereikbaar (in de cloud)
  • Leren vindt plaats op verschillende devices

De initiators van xAPI zijn zich terdege bewust van deze eigenschappen en hebben daarom een basisregel geïmplementeerd van hoe een leerervaring moet worden opgeslagen. In de basis wordt bij het opslaan van de leerervaringen gebruik gemaakt van statements in de vorm van zelfstandig naamwoord (nouns), werkwoorden (verbs) en objecten (objects). Om specifieker te zijn, staan hieronder enkele voorbeelden van leerervaringen die als statements zijn bijgehouden:

  • Ik heb deze website bekeken
  • Ik heb deze YouTube video bekeken
  • Ik heb deze blog geschreven
  • Ik heb vraag 10 beantwoord
  • Ik heb deze SlideShare presentatie gemaakt

Natuurlijk is xAPI een technische standaard. Als je niet een technische persoon bent, dan is altijd goed om de onderstaande video over LearningLocker te bekijken en het technische verhaal aan de ontwikkelaars over te laten.

Welcome to Learning Locker from HT2 on Vimeo.

Verder staan hieronder nog wat mooie blogs over xAPI:

Maar waarom zouden we al deze data willen volgen?

Als we kijken naar de bovenstaande voorbeelden dan kan je je voorstellen dat er aan het einde van de dag in je LearningLocker enorm veel data wordt opgeslagen. Deze data is absoluut niks waard wanneer deze niet wordt gesorteerd en geanalyseerd. Mark Aberdour heeft dan ook gelijk om zichzelf het volgende af te vragen:

“Why we need to track all this data and what use does it serve? There’s a possiblity we are obsessing over the ability to track everything we learn, when what is more important is determining our learning NEEDS.”

Als de reden van het verzamelen van data ‘het verzamelen van data’ is, missen we totaal het punt van xAPI en Learning Analytics in de breedste zin van het woord. Daarom, zoals Mark Aberdour al suggereert, is Learning Analytics de weg om leerdoelen te meten welke zijn gesteld door de deelnemer zelf en/of door de organisatie/onderwijsinstelling. Dit geeft richting bij het analyseren van alle data in een Learning Record Store. Dus als het doel is gesteld, dan kan alle learning analytics data, helder gevisualiseerd in een rapport, de leerweg van de deelnemer laten zien. Deze leerpaden kunnen vervolgens de organisaties/onderwijsinstellingen helpen bij het herkennen van leerpatronen, juist ook leerpatronen die buiten een LMS plaats hebben gevonden. Deze leerpaden zijn een resultaat van een self directed leerproces gedreven door het ervaren van verschillende kleine leerervaringen.

Onze ervaring met xAPI is dat er verschillende organisaties en onderwijsinstellingen zich aan het oriënteren zijn op het gebied van xAPI, Learning Record Stores als LearningLocker en op dit moment kleine pilots beginnen in een gecontroleerde omgeving. Wereldwijd gebruiken op dit moment 10 organisaties en onderwijsinstellingen LearningLocker en de ervaringen hierbij zijn zeer goed. Ik kan dan ook bevestigen wat David Kelly al eerder heeft aangegeven: “It’s not a question of if it will someday be a factor, it’s a question of when.”

Hoe TinCan (xAPI) e-learning en klassikaal leren voorgoed zal veranderen

Komen deze opmerkingen u ook bekend voor:

“Mark heeft een YouTube filmpje bekeken over hoe hij een probleem kan verhelpen in Photoshop”

“Monique heeft een e-email verzonden naar een collega in het ander gebouw om probleem op te lossen op het werk”

“Dennis heeft level 2 over sales skills succesvol beëindigd in zijn learning game app op zijn mobiele telefoon”

Geen van deze leerervaringen vinden plaats binnen een e-learning en/of een klas, en toch geeft het een breder beeld van hoe we leren op en rond ons werk; 90% (70/20/10) informeel en buiten een traditionele training. Met TinCan, kunnen we al deze leerervaringen volgen en analyseren. Hierdoor zal de vormgeving van het leren rond en om e-learning en het traditionele leren een geheel nieuwe kant op gaan….

TinCan of Experience API is op dit moment echt een buzz woord aan het worden binnen Learning & Development (L&D) en Human Resource Development (HRD) wereld. Het overstijgt e-learning met het bijhouden van (in-)formele leeractiviteiten waarbij we dachten dat we die nooit konden volgen. In de kern levert TinCan een eenvoudig statement, welke bestaat uit een reeks van een zelfstandig naamwoord, werkwoord en een objectformaat. Dit ziet er dan als volgt uit:

  • Mark heeft de training “Essenties van Sales: introductie training” gevolgd met de aanwezigheid van 100%
  • Mark heeft de test “Essenties van Sales: schriftelijke test” behaald met een score van 92%
  • Mark heeft de training “Gekwalificeerd lead gesprek voeren” voltooid met een resultaat van “geslaagd”
  • Mark heeft de training “Gekwalificeerd lead gesprek voeren” voltooid met een resultaat van “gezakt”

Deze statements kunnen aangevuld worden met extra informatie zoals tijd die de medewerker nodig had en de plaats waar de leerervaring werd opgedaan.

In onderstaande video ‘Experience API (aka Tin Can API) Demystified’ wordt op een heldere manier uitgelegd wat TinCan of Experience API is.

 

Hieronder ga ik in op 5 punten waarbij ik denk hoe TinCan e-learning en klassikaal leren voor altijd gaat veranderen.

1. Breng Big Data en e-learning samen zoals we het nog nooit hebben kunnen doen
TinCan xAPIDe meeste LMSn registreren alleen of je een training hebt gevolgd en/of je deze hebt afgerond, echter onderzoek wijst steeds meer uit dat deze activiteiten gedurende een jaar minder dan 0,05% beslaat van de tijd dat medewerkers op hun werkplek zijn. Echter onze behoeften voor leren en begeleiding is vele malen meer gevarieerder, diverser, en constanter dan een formele training ons kan bieden. TinCan zorgt er voor dat we informele leerervaringen, zowel online en offline, kunnen volgen en brengt BigData in de wereld van L&D en HRD. We kunnen hiermee vele malen meer informatie volgen dan we ooit tevoren voor mogelijk konden houden. Met al deze BigData beschikbaar kunnen we juist ook de ‘Kleine dingen die er toe doen’ analyseren.

2. Krijg een helder beeld van je ROI op trainingen zoals we die nog niet hebben kunnen zien
L&D en HRD afdelingen zijn constant in discussie met hun hogere management over het behouden en verdedigen van hun opleidingsbudgetten, helaas worden hierbij veelte veel discussies verloren. En we weten allemaal dat continu leren en kennisbeheer een onontsmakelijk deel is van een gezonde werkcultuur! Dankzij TinCan, en de mogelijkheid om het informele leren te volgen, heeft de L&D en HRD afdeling eindelijk de mogelijkheid om met harde feiten en data hun discussies over wat ze aan opleidingsbudgetten nodig hebben te onderbouwen. Deze budgetten zijn hard nodig om medewerkers goed op te leiden en voor te bereiden op hun huidige en toekomstige taken. In plaats van dat er van uitgegaan wordt dat medewerker een positieve resultaat hebben behaald na een opleiding, is er nu data dat dit bewijst. Wanneer de resultaten van het (in-)formeel leren en mobiel leren van één training naar een Learning Record Store (LRS) gebracht wordt, kan de waarde voor een L&D en HRD afdeling van deze data al snel oplopen tot een voltooiings-percentage van 5 jaar e-learning in een LMS.

3. Medewerkers kunnen beter motiveren wat hun waarde is door e-learning juist te verbinden met hun prestaties op de werkvloer
Oke, je bent klaar met de training. Je bent geslaagd met een e-learning module met een 10, is dit voldoende? Nee, dat is absoluut niet genoeg, we moeten uiteraard de ROI weten! We moeten nu weten hoe de organisatie hiervan profiteert en hoe de medewerker zijn taak beter uitvoert als gevolg van wat hij/zij heeft geleerd.

Misschien het beste van TinCan is dat zelfs na de training, in de real-world, de prestaties van de medewerker gevolgd kan worden. De TinCan kan worden gekoppeld aan een Magazijn Inventaris Systeem, en kan inloggen wanneer de medewerker een palet laadt of lost. Supervisors kunnen vervolgens de training en de real-world aan elkaar koppelen, zo kunnen er vragen beantwoord worden die voorheen niet beantwoord konden worden. Dit wordt nog makkelijker gemaakt, omdat alle TinCan statements op één plaats worden verzameld, in één format, binnen een Learning Record Store (LRS).

4. De kracht van het koppelen van mobiele apparaten
TinCan xAPI

Het beschrijven van nieuwe ‘immateriële’ technologie als een nieuwe API is absoluut een hele opgave en de medewerkers bij Rustici Software doen dit op hun site op een hele goede manier. In een bericht geschreven door Megan Bowe en Jeffrey Horne geeft een duidelijk beeld hoe Tin Can werkt door middel van een reeks eenvoudige verhalen. In het verleden hadden opleidingsinspanningen op mobiele apparaten zijn beperkingen, de grootste beperking was dat je een live verbinding in een browser nodig had met een LMS om een training te kunnen doorlopen.

De TinCan statements van de leerervaringen worden opgeslagen op het mobiele apparaat. Wanneer er een netwerkverbinding s, worden de verzamelde statements naar een LRS of meerdere LRSn gestuurd. En omdat er geen behoefte is aan een browser, kan er nu door de lerende gebruik gemaakt worden van native apps. Sommige organisaties zijn hier al mee bezig en de uitkomsten zijn erg veel belovend!

Het gebruik van Native Apps is absoluut een must, én het is vermeldenswaardig dat Web Apps ook een krachtige oplossing kunnen zijn. Gewoon opslaan van een Web App aan het startscherm maakt het mogelijk om veel van het zelfde te doen, behalve dat je te allen tijde wel een internetverbinding nodig hebt. Het is het overwegen waard, misschien als aanvulling.

5. Learning Games verschuiven naar een ‘Fun trend’… naar een praktische noodzaak
TinCan maakt het mogelijk om leeractiviteiten en de voortgang in het leren te volgen en op te slaan in een LMS. Dat betekent dat de gegevens van games en andere “boeiende leeractiviteiten” in de juiste context ingezet kunnen worden. Direct naast de gegevens van gevolgde traditionele trainingen. De dagen zijn langzamerhand aan het verdwijnen dat een sceptische opleidingsmanager kan zeggen ‘Games zijn leuk, maar we moeten ook bewijzen dat ze deze ook voltooid hebben.’ Met TinCan kun je dat doen, en nog veel meer. Wij zijn gek op de mogelijkheden die dit beidt voor het leren met games, we wachten rustig af wanneer de eerste game ontwikkeld wordt die TinCan compliant is.

Deze beweging is naar mijn mening ook volkomen logisch! De medewerkers hebben ook het recht om waardering te krijgen voor al hun (in-)formeel leren, en niet alleen wat in een LMS gevolgd kan worden. Dankzij TinCan (xAPI), bestaat er nu de mogelijkheid om al het leren op te slaan, te volgen, te ordenen en te analyseren!

Ik ben heel erg benieuwd naar jullie ervaringen op het gebied van TinCan en LRS, deel deze hieronder!

Waarom zouden we xAPI (Tin Can) gebruiken?

Waarom zouden we xAPI (Tin Can) gebruiken in plaats van SCORM?

In het verleden waren leeractiviteiten (content) binnen een e-learningomgeving een speciaal object wat op een speciale manier verpakt moest worden. Deze manier had vele beperkingen, waarbij het Learning Management System (LMS) een beperkte rapportage-mogelijkheid had. In het verleden was het meest gebruikelijk om leeractiviteiten te verpakken in een SCORM pakket, waarbij ze, om volledig compliant te zijn, eerst geformatteerd moesten worden om vervolgens in een LMS geplaatst moesten worden.

In de tijd dat SCORM werd ontwikkeld, voor de Amerikaanse Ministerie van Defensie, was het zijn tijd ver vooruit! ADL ontwikkelde voor het eerst een universele taal om content met verschillende systemen te laten communiceren. Echter dit rigide systeem SCORM heeft zeker ook zijn restricties:

  • Cursussen moeten een verbinding hebben met een webbrowser, ondanks dat er ook buiten een webbrowser geleerd wordt.
  • Cursussen moeten statisch zijn; wat betekende dat veranderingen in de content manueel aangepast moeten worden en weer geupload worden in een LMS.
  • Rapportage-mogelijkheden zijn zeer gelimiteerd; over de meeste cursussen kan alleen gerapporteerd worden of je de cursus hebt afgerond en met welk cijfer.

Leeractiviteiten hoeven niet in een LMS plaats te vinden

Een van de grote verschillen tussen xAPI (Tin Can) en Scorm is de scheiding van content van het LMS. Het plaatsen van content buiten een LMS maakt het mogelijk om cursussen te ontwikkelen met een grotere variëteit aan leertechnologieën (weblogs, Wiki’s, etc) en met verschillende devices (mobiel, tablet, etc).

Niet alleen zullen de serverrestricties vele malen minder zijn, de leeractiviteiten van de lerenden kunnen ook plaatsvinden op externe websites, op je eigen computer en/of mobiele apparaat en zelfs in het echte werkveld. Logischerwijs, alles van het lezen van een boek tot het deelnemen van een seminar is een activiteit waarbij je leert, waarbij xAPI (Tin Can) een mechanisme aanbiedt om deze activiteiten in de echte wereld op te slaan.

In onderstaande film ‘LearningLocker‘ wordt door Ben Betts op een heldere manier uitgelegd wat de voordelen van het volgen van online en vooral offline leren zijn.

Verschil tussen LMS en LRS

Een Learning Management Systems (LMS) is een centrale omgeving waar alle trainingen en opleidingen in worden gemanaged. Een LMS maakt het mogelijk om lerenden uit te nodigen voor het inschrijven in een cursus, het proces (nog bezig of afgerond) te volgen en rapportages uit te draaien.

Het ontwikkelen van xAPI heeft ook het concept Learning Record Store (LRS) mogelijk gemaakt. Hierbij is het belangrijk om duidelijk te maken wat het verschil is tussen een LMS en LRS. LRS’n zijn er niet om LMS’n te vervangen, ze zijn juist om als aanvulling te dienen op de huidige LMS’n. Een LRS kan juist een LMS versterken door het genereren, opslaan, sorteren en analyseren van formele én informele leeractiviteiten van de lerenden.

Een uitgebreid overzicht van al je leer-data

Dit alles betekent dat juist binnen organisaties xAPI (Tin Can) gebruikt kan worden om mobiel leren te volgen, het offline leren te volgen, computer simulaties te volgen, als ook het volgen van sociaal leren en vele andere vormen van traditionele e-learning wat mogelijk bekend is.

Stelt voor dat je een uitgebreid overzicht hebt van van al het leren van uw medewerkers binnen een training, formeel als informeel en als geheel te rapporteren is. Stel voor dat je dit doet voor ál je medewerkers binnen jouw organisatie, zodat je alle data verzamelt en een uitgebreid overzicht hebt van alle kennis, vaardigheden en ervaringen binnen jouw organisatie. Je kunt met xAPI van dit voordeel gebruikmaken en dit kun je nu al doen!

Performance correlatie

xAPI

En xAPI (tin Can) wordt pas echt krachtig wanneer je alle leerdata oppakt en dit vergelijkt met de performance data van teams, afdelingen en de hele organisatie. In het verleden was het alleen mogelijk om de voortgang van e-learningcursussen te volgen. De openheid van xAPI standaard maakt het mogelijk om, naast je gevolgde opleidingen, alle soorten (leer)data op te slaan.

Als laatste is het nu ook mogelijk om te zien welke leerpaden tot een hogere performance leiden, en andersom, welke leerpaden niet de bevredigde voordelen opleveren die je van te voren had gehoopt te behalen.

De LRS LearningLocker kan al deze voordelen aanbieden, ben je nieuwsgierig geworden? Neem dan contact op en dan kunnen wij een presentatie/demo geven op het gebied van LRS’n!

Zie ook:

Wat is een Learning Record Store (LRS)?

Learning Record Store (LRS) is een digitale omgeving waar leerervaringen van lerenden en/of groepen opgeslagen kunnen worden.

Het concept Learning Record Store is nieuw en gaat hand in hand met Tin Can API. Waarbij Tin Can gezien kan worden als de ‘next generation SCORM’.

In onderstaande video ‘The Tin Can API: Connecting the Dots with Data, Megan Bowe LSG Summer Conference 2013′ wordt door Megan Bowe op een heldere manier uitgelegd wat Tin Can en een LRS is en wat dit voor een organisatie kan betekenen:


Waarom zou een organisatie een LRS nemen?

  1. Leren ontstaat overal (70/20/10): niet alleen in een LMS. Online en offline discussies, simulaties, klassikale trainingen, mobiele apps en games, het bekijken van youtube video’s, e-learning, intranet interacties en alle andere momenten waarbij je ervaringen op doet. Tin Can API maakt het mogelijk om heel makkelijk om details van dergelijke interacties en leerervaringen naar een centrale omgeving te communiceren. Een LRS maakt het mogelijk interacties en leerervaringen te verzamelen, te organiseren/te sorteren en te analyseren.
  2. Simpele rapportage is niet meer genoeg (Learning Analytics): voltooiing van een Quiz, scores en tijdindicaties zijn niet meer voldoende om te kunnen aangeven dat leren succesvol is geweest. Tin Can statements kunnen overal vandaan komen en hebben een context; systemen, mensen en interacties kunnen met deze statements allemaal in detail gecommuniceerd worden naar een LRS. Tevens geven deze statements enorm veel data over hoe en waar mensen leren en wat ze belangrijk vinden. Deze gedetailleerde gegevens kunnen vervolgens gebruikt worden om beter aan te kunnen sluiten aan het leergedrag van de medewerkers (Learning Analytics) en helpt de leerervaringen te optimaliseren.


Werking van een LRS

Zodra er verschillende leeractiviteiten door een lerende worden ervaren via een Tin Can API compliance instrument (bijvoorbeeld een app, serious gaming, e-learning cursus, webpage, simulator), worden de activiteiten automatisch opgeslagen in een LRS.

 

LRS

De leeractiviteiten kunnen worden opgeslagen als een individuele learning record en/of als een volledig transcript. Nadat het is opgeslagen kunnen binnen een LRS rechten verleend worden aan wie wat mag zien en/of toevoegen. Tevens kunnen de leeractiviteiten die opgeslagen worden in een LRS toegankelijk gemaakt worden voor een LMS en/of andere rapportage tools.

LRS

Een LRS kan een onderdeel van een LMS zijn en kan ook totaal geïntegreerd zijn in een LMS. Het kan volledig werken binnen de mogelijkheden van een LMS. Een LRS binnen een LMS kan vervolgens gegevens/transcrips transporteren naar andere LRS ‘n, zowel binnen een ander LMS als naar een individuele onafhankelijke LRS.

LRS-diagram-11

Hebben we nog steeds LMS’n nodig? Ja! Een LRS zal een cruciale rol spelen bij het openen van nieuwe mogelijkheden met Tin Can, echter het vervangt niet alle mogelijkheden van LMS.

LRSFactory © 2017