Et tema i læringsanalysen handler om å forstå sosiale nettverk. Foto: Thinkstock

Læringsanalyse som nytt fag

Kronikk publisert 05.11.14

Tenk om alle bøker, aviser og tidsskrifter du har lest kunne «lagre» blikket ditt. Om de «visste» hvor lang tid du har brukt på hver artikkel, hver side, hvert avsnitt.

Og tenk deg at denne informasjonen ble lagret for alle lesere og at den var tilgjengelig for forfatterne og forlagene. Da kunne en finne ut hva vi likte og ikke likte å lese, hva vi skjønte fort og hva vi måtte lese flere ganger før vi forsto det. Dette er hva som skjer når vi leser i digitale medier. Og analysen av disse dataene er i ferd med å skape et nytt fag, læringsanalyse.

Digitale læremidler og læreprosesser etterlater digitale spor, smuler som vil forme mønstre når vi studerer tusenvis av personer som har gått gjennom sidene. Hva kan vi bruke dem til, og hva kan vi lære av dette?

Det første er at vi kan finne ut hva det er lett å lese, hva det er lett å lære noe av og hva vi bør forsøke å forbedre. Dette kalles for diskursanalyse, en analyse som har som mål å forbedre læremidler. Ved å koble oppgaver som registrerer studentenes forståelse med tekstene og læringsobjektene som var grunnlag for selve læreprosessen, kan vi gradvis luke ut eller forbedre forklaringer som ikke gir tilstrekkelig klarhet.

Slike analyser brukes både av Amazon og av Netflix, disse siste når de skal forbedre filmer og TV-serier, eller skape helt nye slik som House of Cards. Denne serien er utviklet blant annet gjennom å analysere stordata der seervaner fra 33 millioner Netflix-brukere danner grunnlaget for design av serien.

Slike analyser vil også bli brukt i design av fremtidens læremidler.

Digitale læremidler og læreprosesser etterlater digitale spor, smuler som vil forme mønstre når vi studerer tusenvis av personer som har gått gjennom sidene.  Foto: Thinkstock

Digitale læremidler og læreprosesser etterlater digitale spor, smuler som vil forme mønstre når vi studerer tusenvis av personer som har gått gjennom sidene. Foto: Thinkstock

Adaptiv analyse handler om å tilpasse læremidler individuelt til dem som skal lære. I en adaptiv analyse kartlegges studentenes kunnskap eller kompetanse om et emne, slik at de kan få tilbud om nøyaktig de læringsobjektene som er ment å fylle kompetansegapene. Slike analyser kan også «lære» av tidligere studenter som har vært i samme situasjon tidligere, en kan analysere hvilke læringsløp som har fungert best for disse og foreslå den samme læringsløypen for nye kandidater.

Adaptiv analyse handler om å finne grupper av brukere som er lik hverandre, omtrent slik Amazon og de store handelsaktørene gjør når du handler på nett. Da får du se at «de som har kjøpt dette produktet har også kjøpt …» og så får du gjerne tre valg. I praksis gjør en bruk av statistikkens clusteranalyse og det som er kalt «recommender engines», – algoritmer som kan gi forslag til hvilke valg du bør gjøre basert på erfaringer fra andre brukere. Dette gjør Tripadvisor, Netflix, Spotify og en rekke andre aktører allerede i dag, så hvorfor ikke gjøre det med læremidler også?

Et tredje tema i læringsanalysen handler om å forstå sosiale nettverk. Fra teorier om læring vet vi at sosial samhandling er viktig i mange situasjoner, og at det å delta i slik samhandling har verdi også utover det rent læringsmessige. Gjennom å analysere samhandling i nettverk, som nye digitale læringsressurser bidrar til å utvikle og ta i bruk, kan vi også finne ut hvem som står utenfor det sosiale fellesskapet, hvem som påvirker hvem, hvem de ulike bruker tid sammen med og mye mer. Dette kalles sosial nettverksanalyse og vil kunne være en integrert del av et «intelligent læringsløp».

Til sammen gir disse tre analysemetodene muligheter for å skape helt nye læreprosesser og læresituasjoner. For å greie å få til dette i praksis trenger vi også flere typer kompetanse. Vi trenger kunnskap om hvordan ulike mennesker lærer best i ulike situasjoner og teorier om læring. Vi trenger også noen som kan lage algoritmene som analyserer stordataene som etterlates når tusenvis av mennesker skal lære omtrent det samme. Derfor må pedagoger, psykologer, matematikere, informatikere og kybernetikere samarbeide om å lage de nye løsningene.

I prosjektet «smart læring» ved NTNU har vi intensjon om å få til et slikt samarbeid. En slik satsing er også del av NTNUs nye strategiske satsingsområde, der «muliggjørende teknologier» er ett av flere hovedområder. Også norske bedrifter er invitert til å være med i utviklingen, og Gyldendal er allerede i gang med å utvikle adaptive læresystemer i matematikk for grunnskolen i samarbeid med den ledende amerikanske aktøren på området, Knewton.
For å skape fremtidens gode skole trenger vi mer kunnskap om slike læreprosesser, om hvordan digitale tjenester kan bidra til bedre læring og ikke minst: hvordan vi skal greie å ta dette i bruk i større skala i norsk skole. Kan hende er det teknologi og ikke sideblikk til den finske skolen som er medisinen for å gjøre det bedre i Pisa også?

Et utvalg har foreslått at det etableres et senter for læringsanalyse i Norge, slik at vi kan arbeide systematisk med å utvikle det teoretiske grunnlaget for systemene, samt etablere en praksisnær utviklingslab med nærhet til norsk skole. Et slikt senter kan involvere bedrifter som arbeider med utdanningsteknologi, for det finnes rundt 30 bedrifter i IKT-Norges gruppe for EdTech. NTNU ønsker å bidra til en positiv utvikling på dette feltet i samspill med andre berørte aktører.

Denne kronikken sto først på trykk i Adresseavisen 3. november 2014.