• 25 oktober 2017

Gepersonaliseerd leren en de verbeteringen door de moderne technologie

Laten we eerst een definitie geven van 'gepersonaliseerd leren'. Deze term verwijst naar een reeks methoden en technieken die het mogelijk maken om een leerproces af te stemmen op de individuele leerstijl, persoonlijkheid, unieke behoeften en eerdere ervaringen van een leerder.

Eerder opgedane ervaringen zijn voor ieder mens het uitgangspunt voor verder leren. Onderzoek wijst uit dat een leerder aanzienlijke vooruitgang boekt als het leren wordt ondersteund door voorkennis. In hun boek Mindful Learning: 101 Proven Strategies for Student and Teacher Success laten Linda en Bruce Campbell zien welke belangrijke rol de voorkennis van leerders speelt. Leren wordt efficiënter als de eerdere ervaringen van de leerder bekend zijn, en als het leren kan worden gelinkt aan iets dat hij al weet.

Neem het volgende voorbeeld. Laatst vroeg mijn zoon over de versnellingspook in mijn auto met handgeschakelde versnellingsbak: 'wat is dit en waar heb je het voor nodig?'. Ik dacht even na en verwees vervolgens naar de versnellingen op zijn fiets, waarmee hij de verhouding tussen snelheid en inspanning kan aanpassen. Doordat ik wist welke voorkennis mijn zoon had en ik de nieuwe informatie daarop kon laten aansluiten, werd het voor hem gemakkelijker om het nieuwe concept te begrijpen.

Wat zou er gebeuren als ik hem uitleg gaf vanuit het oogpunt van de monteur, of als ik tekeningen maakte met een motor, een versnellingsbak, enzovoort? Hij zou waarschijnlijk niet meer geïnteresseerd zijn en na een halve minuut opgeven, omdat er geen basis was waarop hij verder kon bouwen. Als gevolg daarvan zou hij niets leren.

Kortom: als de eerdere ervaringen van een leerder bekend zijn en een nieuw concept wordt gelinkt aan die voorkennis, dan leidt dat tot beter en sneller begrijpen en dan wordt er meer geleerd.

Gepersonaliseerd leren in een organisatie

Stelt u zich een vergelijkbare situatie voor in een bedrijf: er is een medewerker die moet leren over een nieuwe tool of technologie, of over een nieuw proces. Als de nieuwe informatie wordt gekoppeld aan de eerdere ervaringen van deze persoon, dan zal de medewerker sneller leren en zullen - als gevolg daarvan – ook zijn prestaties verbeteren. Die medewerker is vergelijkbaar met mijn zoon in het voorbeeld hierboven. Maar in mijn voorbeeld was ik degene die de situatie en de voorkennis van mijn zoon kende, waardoor ik een link kon leggen tussen het bekende en het onbekende. En daardoor werd het gemakkelijker om het onbekende te leren. Is er in het bedrijf iemand die de vaderrol op zich kan nemen, die de situatie van de medewerker goed kent, hem in zijn eigen taal kan toespreken en die weet welke eerdere ervaringen de medewerker heeft opgedaan? Ik wed dat er in de meeste gevallen niet zo iemand is. De vraag is dus hoe we het leren in het bedrijf kunnen verbeteren, zodat de medewerker geïnteresseerd blijft en niet opgeeft omdat het nieuwe concept te ingewikkeld is om meteen te begrijpen en omdat het niet wordt gekoppeld aan iets dat hij al weet.

Problemen van de traditionele aanpak

Mentoring

Mentoring as a first traditional method of personalized learning

Een mogelijke manier om de rol van de vader op te pakken in een bedrijfssituatie is mentoring. Er wordt dan een meer ervaren medewerker aangewezen als adviseur van degene die minder ervaring heeft. Aan de hand van de kennis en ervaring die hij in het verleden heeft opgedaan, begrijpt de mentor welke problemen en moeilijkheden zijn protegé tegenkomt en kan hij de leerder begeleiden bij het leren. Dit model werkt uitstekend, maar de beperking ervan is gelegen in de schaalbaarheid.

Corporate intranet

Corporate intranet - as a second traditional method of personalized learning

Dat is de reden waarom de nieuwe medewerker in de meeste gevallen zelf verantwoordelijk wordt gemaakt voor het vinden van de juiste antwoorden, en hij geen persoonlijke begeleiding krijgt bij het begrijpen en leren. Moet hij leren over een nieuwe tool of technologie, of over een proces in het bedrijf, dan kan hij het corporate intranet raadplegen, of een wiki of een andere informatiebron van het bedrijf. Dat is helemaal zo slecht nog niet, want terwijl de leerder zoekt en probeert om de nieuwe informatie toe te passen, zou hij ook iets kunnen leren over vergelijkbare zaken. Tegelijkertijd is het niet ideaal, omdat de vele informatie die de medewerker moet doorzoeken niet altijd relevant is. En als hij uiteindelijk het antwoord op zijn vraag heeft gevonden, dan is dat vaak niet het meest geschikte antwoord omdat het niet is gelinkt aan zijn voorkennis en eerdere ervaringen.

Oplossing

U vraagt zich nu misschien af wat we moeten doen. Is er een betere manier om een medewerker de informatie te helpen vinden en er bovendien voor te zorgen dat het antwoord is gelinkt aan zijn eerdere ervaringen?

Volgens mij hebben we hier een combinatie nodig van geavanceerd zoeken en een personalisatie-engine.

Om te beginnen moet een zoekmachine de mogelijke informatiebronnen – documenten, webpagina's enzovoort – beperken. Vervolgens worden de resultaten die het meest relevant zijn voor de voorkennis van de medewerker bovenaan gezet door een personalisatie-engine.

We zijn gewend om dagelijks gebruik te maken van zoekmachines, zoals Google. In een bedrijf zouden we voor elk informatiesysteem een afzonderlijke zoekmachine kunnen gebruiken of een meer geavanceerde zoekmachine kunnen inzetten om de verschillende backend-systemen te doorzoeken en de resultaten te combineren. Maar hoe personaliseren we die resultaten en leggen we een verband met de eerdere ervaringen van de medewerker? Of eigenlijk: hoe weten we wat de voorkennis van de leerder is?

Hoe kunnen we de ervaringen van een medewerker digitaliseren en begrijpelijk maken voor een machine?

  • De eerste stap die we moeten nemen, is voor elke medewerker in kaart brengen wat hij eerder heeft geleerd en wat zijn kennisniveau is. Bijvoorbeeld door zijn cv te analyseren of door hem een simpel formulier te laten invullen met vaardigheden (in rijen) en kennisniveaus (in kolommen). Deze informatie geeft al een aardig beeld, maar is nog niet gedetailleerd genoeg. Bovendien is het verkregen inzicht nogal statisch omdat het geen rekening houdt met kennis en ervaringen die later zijn opgedaan.
  • In de tweede stap wordt het al beter als HR deze competentiematrix aanvult met informatie over gevolgde trainingen, behaalde certificaten en alles wat verder verband houdt met formeel leren. Dit zou voor de medewerker kunnen betekenen dat de relevantie van de aangeboden informatie toeneemt, omdat zijn kennisniveau bekend is in het systeem en ook zijn verdere activiteiten op het gebied van formeel leren zijn verwerkt. Daardoor zal bijvoorbeeld informatie die is bestemd voor experts, niet worden getoond aan een beginner, en vice versa.

Toch is dat allemaal nog niet genoeg om resultaten te verkrijgen die werkelijk relevant en persoonlijk zijn. De personalisatie-engine heeft gedetailleerdere informatie nodig over wat de medewerker weet, over hoe hij graag leert, over wat makkelijk en moeilijk is voor hem, over welk type informatie het best bij hem past en meer.

Hoe kunnen we dit digitaliseren en analyseren?

  • De derde, meer geavanceerde mogelijkheid is om de eerder beschreven stappen te combineren met informatie die wordt verzameld over leeractiviteiten in real time. Ik heb het hier over het gebruik van Experience API (xAPI) in combinatie met een learning record store (LRS). Met xAPI wordt het mogelijk om op een groot aantal locaties zeer gedetailleerde informatie te verzamelen over het leren van de medewerker.

Als xAPI is geactiveerd voor het bedrijfsintranet, dan kan er informatie worden verzameld over geopende pagina's en documenten die zijn gedownload. Als de activiteiten van de medewerker in de fabriek worden gevolgd met sensors, dan kunnen ook die gegevens worden verzameld als xAPI statements. Zet een bedrijf simulaties of virtual/augmented reality (VR/AR) in voor trainingsdoeleinden, dan kunnen de handelingen en gebeurtenissen in de simulatie eveneens worden gevolgd en bewaard als xAPI statements. Wanneer een bedrijf gebruikmaakt van een learning experience system als Valamis, dan worden alle acties van de gebruiker automatisch bijgehouden met xAPI.

Hoe kunnen we leren nog verder personaliseren en effectiever maken?

Als al deze informatie over de medewerker beschikbaar is voor de personalisatie-engine, dan kan het systeem gefundeerde aannames doen over de relevantie van bepaalde informatie voor deze medewerker. Door zijn leergeschiedenis te analyseren kan duidelijk worden welk leerformat het best bij de persoon past. Is het bijvoorbeeld effectiever om een artikel te lezen, dan naar audio te luisteren? Heeft de leerder een voorkeur voor lange sessies waarin een brede context wordt gepresenteerd, of moet de informatie juist bondig zijn en direct verband houden met het onderwerp? Zijn de leerbehoeften afhankelijk van het tijdstip of van de dag van de week?

Nog betere resultaten kunnen worden behaald door de kennis en de ervaringen van een medewerker te vergelijken met die van andere medewerkers, overeenkomstig in termen van rollen, kwalificaties of leeractiviteiten. Op basis van die overeenkomst kunnen we dan de relevantie van de aangeboden informatie vergroten. Dit werkt ook goed voor nieuwe medewerkers die nog geen voorgeschiedenis hebben bij een bedrijf. Aanvankelijk kunnen overeenkomsten als rol, afdeling en het ontbreken van een leergeschiedenis ervoor zorgen dat zij de juiste onboardingmaterialen krijgen. Door analyse van de geschiedenis van eerdere nieuwkomers kan een recommendation engine de leerder materiaal aanbevelen dat zijn relevantie heeft bewezen bij mensen die er eerder mee hebben gewerkt.

Dit is natuurlijk nog maar het begin. Om het systeem te optimaliseren, moet het circuit worden gesloten. Door het leren te koppelen aan de personalisatie-engine kunnen we de relevantie van de resultaten in de loop van de tijd verder verbeteren. Door leeractiviteiten te analyseren, te onderzoeken welke keuze medewerkers maken uit voorgestelde resultaten, hun te vragen of ze tevreden zijn met de beschikbare resultaten en gedetailleerde zoekopdrachten te bekijken – door dat alles zal de recommendation engine voortdurend worden aangepast en verbeterd met behulp van machine learning.

Conclusie

De personalisatie van het leren heeft grote impact op de leerresultaten. Als nieuwe concepten worden gelinkt aan eerdere ervaringen van een leerder, dan leidt dat tot beter begrijpen en wordt het leren effectiever.

In een organisatie vraagt gepersonaliseerd leren om technologische oplossingen die het effectief en schaalbaar maken. Technologie, bijvoorbeeld een combinatie van Experience API (xAPI) en een learning record store (LRS) maakt het mogelijk om gedetailleerde informatie in gedigitaliseerde vorm te verzamelen over de ervaringen van de leerder. Deze informatie kan vervolgens worden gebruikt om een gepersonaliseerde learning experience aan te bieden in toekomstige leeractiviteiten. Dit gebeurt met behulp van geavanceerde zoekmachines en personalisatie-engines.

Natuurlijk is geen enkele technologische oplossing perfect, maar door het feedbackcircuit te sluiten – van de activiteiten van de leerder terug naar de oplossing - zal de kwaliteit van de antwoorden die de leerder krijgt steeds verder verbeteren. Leerders kunnen daardoor profiteren van werkelijk gepersonaliseerd leren en hoeven het niet langer allemaal zelf uit te zoeken.