Learning Analytics (LA)
Geavanceerde LA is meer dan cijfers of een AI-techniek. Het is de motor achter moderne leereco-omgevingen en biedt een proces voor het selecteren, verzamelen en analyseren van meer gedetailleerde gegevens over vaardigheden. Het doel is om leren en trainen te optimaliseren, bijvoorbeeld door het op de meest effectieve manier aanbevelen van volgende leer- of kennisretentieoefeningen, niet alleen tijdens één trainingsfase, maar – uiteindelijk – rekening houdend met de volledige trainings- en operationele levenscyclus.
Hierbij wordt gebruik gemaakt van AI, om voorspellende modellen van leren en kennisretentie te verbeteren.
LA vereist de ontwikkeling of overweging van het volgende:
Voorbereiden van de training en operationele organisatie op een data-intensieve aanpak
- LA kan beginnen met het gebruiken van subjectieve beoordelingen door instructeurs of zelfbeoordelingen die gekoppeld zijn aan de getrainde competenties. Dit vereist vaak meer gedetailleerde observaties of beoordelingen, waarvoor dan weer een eenvoudig te gebruiken score-app nodig is.
- Krachtigere LA vereist automatische gegevensregistratie uit operationele systemen of trainingsmedia.
- Er moeten maatregelen worden genomen om een passend beveiligings- en privacyniveau te waarborgen
- Voor de data-intensieve aanpak is mogelijk data-infrastructuur met lerend ecosysteem nodig.
- De ingrijpende veranderingen in het opleidingsregime vereisen een stappenplan en zorgvuldig verandermanagement.
Definiëren van meetindicatoren voor (tactische) vaardigheden en leer- of kennisretentie
- Het ontwikkelen van meetgegevens voor leren en kennisretentie is een continu proces dat een multidisciplinaire aanpak vereist.
- Het uitgangspunt is het ontwikkelen van prestatie-indicatoren die relevant zijn voor competenties die door instructeurs kunnen worden waargenomen of automatisch kunnen worden gemeten.
- Complexe meetgegevens die automatische gegevensregistratie van actieve systemen of trainingsmedia vereisen, kunnen geleidelijk aan het LA-systeem worden toegevoegd, te beginnen met de meest relevante en eenvoudig te verzamelen gegevens.
Selecteren van geschikte technieken om voorspellende modellen voor leren of kennisretentie te ontwikkelen
- Initiële gegevens en gegevensanalyses kunnen instructeurs helpen bij het verfijnen van beoordelingen en het vinden van de onderliggende oorzaken van problemen.
- Wanneer er voldoende gegevens zijn verzameld, kunnen AI-technieken worden gebruikt om voorspellende modellen voor leren of kennisretentie te ontwikkelen. Met behulp van deze modellen kan voor elk individu een passende vervolgoefening worden geselecteerd en gepland. Zo wordt ervoor gezorgd dat binnen een geschikt tijdsbestek het juiste type en niveau oefening wordt aangeboden.
Implementeren van gegevensregistratieprotocollen
- Ervoor zorgen dat actieve systemen en trainingsmedia (fabrikanten) gegevensregistratie mogelijk maken.
- Ervoor zorgen dat de gegevens goed beschermd zijn met betrekking tot veiligheid en privacy.
- Voor gekwalificeerde professionals kan de eigenaar van de gegevens bijvoorbeeld de professional zijn, terwijl alleen bepaalde algemene meetgegevens aan leidinggevenden worden verstrekt, bijvoorbeeld om hen te informeren over de mate van paraatheid.
Continu toepassen van voorspellende modellen om optimale vervolgoefeningen aan te bevelen en te plannen
Met behulp van deze modellen kan voor elk individu een passende vervolgoefening worden geselecteerd en gepland. Zo wordt ervoor gezorgd dat binnen een geschikt tijdsbestek het juiste type en niveau oefening wordt aangeboden. Met de gegevens uit elke nieuwe oefening past het voorspellende model voortdurend de voorspellingen en aanbevelingen aan. Uiteraard moet de planning geoptimaliseerd worden, rekening houdend met de behoeften van andere studenten of teamleden en met organisatorische beperkingen.
