Presentatie behorende bij het Kennisnet webinar 'Kansen en Uitdagingen bij Datagedreven Onderwijs'.
Zie: http://www.youtube.com/watch?v=hRWrRIu7uco&list=PLQI9hXCcoK1QZARMTuQ5YJTgWIYJGcQDg&feature=share
3. TOELICHTING & UITLEG
1. Wat is datagedreven onderwijs?
2. Welke kansen zien we?
3. Welke uitdagingen zijn er?
4. TOELICHTING & UITLEG
1. Wat is datagedreven onderwijs?
2. Welke kansen zien we?
3. Welke uitdagingen zijn er?
VOORBEELDEN
Voor alle onderwerpen een aantal concrete
voorbeelden.
5. TOELICHTING & UITLEG
1. Wat is datagedreven onderwijs?
2. Welke kansen zien we?
3. Welke uitdagingen zijn er?
VOORBEELDEN
Voor alle onderwerpen een aantal concrete
voorbeelden.
STELLINGEN EN VRAGEN
Bij kansen en uitdagingen horen stellingen en
vragen: tijd voor (online) discussie!
16. Learning Analytics is de verzamelnaam voor het proberen te
ontdekken van trends en patronen door educatieve data, of
big data (grote hoeveelheden aan data over studenten), te
analyseren met als doel om een doelmatiger leersysteem te
kunnen ontwikkelen.
Definitie van Learning Analytics
17. Learning Analytics is de verzamelnaam voor het proberen te
ontdekken van trends en patronen door educatieve data, of
big data (grote hoeveelheden aan data over studenten), te
analyseren met als doel om een doelmatiger leersysteem te
kunnen ontwikkelen.
Definitie van Learning Analytics
18. Learning Analytics is de verzamelnaam voor het proberen te
ontdekken van trends en patronen door educatieve data, of
big data (grote hoeveelheden aan data over studenten), te
analyseren met als doel om een doelmatiger leersysteem te
kunnen ontwikkelen.
Definitie van Learning Analytics
Learning Analytics komt in de praktijk neer op het meten,
verzamelen, analyseren en rapporteren van data over
leerlingen en hun context.
19.
20.
21.
22.
23. Data gegenereerd door leerling
(binnen ELO)
Data gegenereerd door leraar
Aantal keer dat een bron /
leermiddel is gebruikt
Cijfers voor opdracht
Datum en tijdstip van gebruik Cijfers voor toets
Aantal bijdragen aan online
discussie
Eindcijfer
Aantal goede of foute antwoorden
Aantal opgevraagde hints
Typen geraadpleegde bronnen
Aanwezigheid, et cetera
Bron: Dietz-Uhler & Hurn, Journal of Interactive Online Learning (2013)
VOORBEELDEN VAN TE GEBRUIKEN DATA
41. MEER MAATWERK MOGELIJK
op grote schaal: volgorde onderwerpen,
tempo, risico op uitval, voorspellen van
studiesucces
42.
43.
44.
45. VOORDELEN KHAN ACADEMY
+ Gebruik leidt tot betere toetsresultaten
+ Zekerheid en vertrouwen leerlingen
+ Zelfstandigheid leerproces
46. VOORDELEN KHAN ACADEMY
+ Gebruik leidt tot betere toetsresultaten
+ Zekerheid en vertrouwen leerlingen
+ Zelfstandigheid leerproces
NADELEN / ZORGEN KHAN ACADEMY
- Met name voorlopers hebben baat
- Leerlingen vinden uitleg van leraar prettiger
- Leraren controleren het werk niet van leerlingen
51. STELLING 1
Ik zie in mijn onderwijs mogelijkheden om met
Big Data problemen (in primaire of secundaire
proces) op te lossen.
52. STELLING 1
Ik zie in mijn onderwijs mogelijkheden om met
Big Data problemen (in primaire of secundaire
proces) op te lossen.
STELLING 2
We zouden meer gebruik moeten maken van
de beschikbare onderwijsdata om het onderwijs
te personaliseren.
53. STELLING 1
Ik zie in mijn onderwijs mogelijkheden om met
Big Data problemen (in primaire of secundaire
proces) op te lossen.
STELLING 2
We zouden meer gebruik moeten maken van
de beschikbare onderwijsdata om het onderwijs
te personaliseren.
STELLING 3
In de toekomst wordt toetsen hierdoor steeds
minder belangrijk.
68. TOEZICHT
Mensen, dus ook leerlingen, gaan hun gedrag aanpassen op
het moment dat ze weten dat ze onder continu toezicht
staan.
GROOTSTE BEDREIGINGEN
69. TOEZICHT
Mensen, dus ook leerlingen, gaan hun gedrag aanpassen op
het moment dat ze weten dat ze onder continu toezicht
staan.
ONTHULLINGEN
Als er een lek ontstaan in systemen waar deze data is
opgeslagen, dan kan privacygevoelige informatie op straat
komen te liggen. Maar dit kan ook bewust gebeuren.
GROOTSTE BEDREIGINGEN
70. TOEZICHT
Mensen, dus ook leerlingen, gaan hun gedrag aanpassen op
het moment dat ze weten dat ze onder continu toezicht
staan.
ONTHULLINGEN
Als er een lek ontstaan in systemen waar deze data is
opgeslagen, dan kan privacygevoelige informatie op straat
komen te liggen. Maar dit kan ook bewust gebeuren.
PROFILERING & DISCRIMINATIE
Mensen kunnen anders behandelt worden op basis van
specifieke informatie die een organisatie over ze heeft. Of dit
nu wel of niet vrijwillig gedeeld is.
GROOTSTE BEDREIGINGEN
72. STELLING 1
Heeft een leerling het recht om het verzamelen
van data door de school te weigeren?
73.
74. STELLING 1
Heeft een leerling het recht om het verzamelen
van data door de school te weigeren?
STELLING 2
Wie is er verantwoordelijk voor de keuzes met
wie data gedeeld wordt?
75.
76. STELLING 1
Heeft een leerling het recht om het verzamelen
van data door de school te weigeren?
STELLING 2
Wie is er verantwoordelijk voor de keuzes met
wie data gedeeld wordt?
STELLING 3
Welke data van of over leerlingen zouden we
nooit mogen vastleggen?
77.
78. STELLING 1
Heeft een leerling het recht om het verzamelen
van data door de school te weigeren?
STELLING 2
Wie is er verantwoordelijk voor de keuzes met
wie data gedeeld wordt?
STELLING 3
Welke data van of over leerlingen zouden we
nooit mogen vastleggen?
STELLING 4
Zou je (ooit) op basis van een algoritme een
leerling wel of niet laten slagen?
81. “We solve a common technology issue facing school districts
today: the inability of electronic instructional tools used in
classrooms to work in coordination with (or “talk to”) one another.”
