Adaptive Learning en Personalized Learning zijn begrippen die steeds vaker worden gebruikt in het L&D-jargon. Hoog tijd om op onderzoek te gaan en zin en onzin van elkaar te scheiden. Voor L&D is het belangrijk om te weten wat ermee bedoeld wordt, wat de mogelijkheden/voordelen zijn en hoe het past in de trend om het leren in de workflow beter te ondersteunen.


 

Personalized Learning of Adaptive Learning, wat is het verschil? Is er wel verschil? Als het leren zich aanpast aan de lerende, is het ook gepersonaliseerd, toch? Dat kan in een klassikale training zijn, waar de trainer verschillende instructietechnieken en -middelen gebruikt om elke deelnemer de doelen te laten halen. Toegesneden op het kennisniveau en de leervoorkeuren van de individuele deelnemer. Adaptief en gepersonaliseerd. Zolang het om beperkte aantallen deelnemers gaat, kan dat zonder geavanceerde adaptieve analysetechnieken en slimme algoritmen. Bij online leeroplossingen en Performance Support, gaat het vaak om veel grotere aantallen waarbij gebruik van Adaptive Technology onontbeerlijk is. In deze blog gaat het om Personalized Learning met gebruik van Adaptive Technology.

Kenmerken voor gepersonaliseerd en adaptief leren zijn:

Adaptive technology maakt dat mogelijk door grote hoeveelheden data en slimme algoritmen “real-time” te analyseren. De individueel lerende is daardoor zoveel mogelijk “in control” over welke content, op welk moment en op welke manier voor hem toegankelijk is.
 

Neem bijvoorbeeld Mirthe, zij wil een vreemde taal gaan leren. Dat is tegenwoordig gemakkelijk te organiseren. Er zijn ontelbare websites en app’s die haar daarbij kunnen helpen. Of Mark, hij wil met een wat gecompliceerd recept aan de slag om zijn gasten met een heerlijk ovengerecht te verrassen. Hij zal op YouTube zeker veel video’s vinden die hem stap-voor-stap door het kookproces leiden. Als Mirthe of Sarah maar genoeg zoekopdrachten plaatsen over de vreemde taal en koken, zal YouTube of Google de volgende keer dat zij naar een verwant onderwerp zoeken, resultaten laten zien die deels gebaseerd zijn op hun eerdere zoekopdrachten. Geen twee mensen op de hele wereld zullen dezelfde resultaten in dezelfde volgorde zien als zij zoeken naar informatie over de vreemde taal of koken. Gepersonaliseerd dus voor Mirthe en Mark. Maar ook adaptief, want aangepast op basis van eerdere zoekopdrachten.

Waar leerprocessen, leermiddelen en content gepersonaliseerd en adaptief worden aangeboden, zullen vooraf én tijdens het leren, persoonlijke interesses, voorkeuren en kennisniveau zorgvuldig geanalyseerd moeten worden. Daarvoor wordt adaptieve technologie ingezet die op basis van Big Data en slimme algoritmen, het leren “real time” kan aanpassen aan de behoefte van de lerende.

Voor Google, Amazon, Facebook, Netflix en YouTube is het gebruik van geavanceerde adaptieve technologie de kern van hun verdienmodel. Zonder kunnen ze de content onmogelijk zo gepersonaliseerd aanbieden en ervoor zorgen dat terugkerende bezoekers steeds sneller en gemakkelijk kunnen vinden wat ze zoeken. Dat geldt ook voor gepersonaliseerd leren. Hoe meer data, hoe geavanceerder de analyse, des te beter valt het leren te personaliseren.
 

We zijn er de laatste decennia aan gewend geraakt dat informatie op maat gesneden en binnen twee klikken beschikbaar is, zowel privé als in het werk. We zijn ongeduldig en willen onmiddellijk verifiëren of onze gedachten over een bepaald onderwerp kloppen en/of er meer over te weten komen. Medewerkers zijn daardoor steeds minder afhankelijk van de content die HRD/L&D beschikbaar stelt, en kunnen zelf steeds beter de controle over hun leerproces op zich nemen.

Zolang het om informatie en kennis gaat kent leren geen grenzen. Leren kan altijd en overal. Je hebt overal toegang tot de informatie die je op dat moment nodig hebt. Door die ervaring verwachten medewerkers dat ook HRD/L&D ervoor zorgt dat relevante content in twee muisklikken, op persoonlijke behoeften toegesneden, op het juiste moment toegankelijk is. 

Om daaraan te kunnen voldoen heeft HRD/L&D twee relatief nieuwe uitdagingen: 

Denk aan een standaard, online cursus die je in eigen tijd, plaats en tempo kunt volgen. Je logt in op het LMS, bekijkt een video, leest een stukje tekst, volgt een e-learning en beantwoordt vragen over wat je tot dat moment hebt geleerd. Als je de vragen goed beantwoordt, mag je verder. Bij een te lage score raadt het systeem je aan bepaalde content nog eens te bestuderen en door te gaan naar een herkansing. Elke deelnemer aan de cursus heeft dezelfde leerervaring. Iedereen krijgt dezelfde content aangeboden en beantwoorden dezelfde vragen in dezelfde volgorde.



In een Adaptive Learning Platform starten alle deelnemers mogelijk met dezelfde video, tekst of e-learning, maar krijgen naar aanleiding van o.a. hun antwoorden, andere content en andere vragen aangeboden. Als een deelnemer bijvoorbeeld de eerste vragen fout beantwoordt, leidt het platform hem/haar naar een eenvoudigere, basis uitleg van de leerstof voor meer achtergrondkennis over het onderwerp. Voor een deelnemer die de vragen juist allemaal snel en correct beantwoordt, is de leerstof wellicht niet uitdagend genoeg. In dat geval zal het platform – met gebruik van “real time’-analyse van de antwoorden en de doorlooptijd- meer diepgaande content aanbieden en wellicht moeilijkere vragen.
 

Een Adaptive Learning Platform is een leermiddel op zichzelf. De resultaten van de leeractiviteiten worden voortdurend gemeten en daaraan worden continue de content, het leermateriaal, relevante feedback en begeleiding gekoppeld en aangepast.
 

Drillster is een applicatie die door het stellen van vragen meet in hoeverre de lesstof beheerst wordt. De ingevoerde antwoorden worden direct van feedback voorzien. Door middel van data-analyse en een slim algoritme wordt de volgorde en de frequentie van de aangeboden leerstof bepaalt. Drillster zet vooral in op het voorkomen van een snelle retentieval. Een mooie toepassing is de combinatie met de Performance Support tool van AskAlrijne en Drillster om de kennis van verpleegkundig rekenen in het Alrijne Ziekenhuis up-to-date te houden.

ALEKS – onderdeel van uitgever van studieboeken McGraw-Hill- gebruikt adaptieve technologie om vragen te stellen over het kennisniveau van de student. Op basis daarvan beveelt ALEKS topics aan die op dat moment voor de student het meest relevant zijn en aansluiten op zijn/haar kennisniveau. Periodiek wordt het kennisniveau getest en worden nieuwe topics aanbevolen.

Knewton/Alta geeft real-time feedback aan studenten tijdens het doornemen van leerstof waardoor ook docenten hun methoden en content kunnen aanpassen aan de leerresultaten van hun studenten. Door aanvullend data te trekken uit het studiemateriaal, wordt ook informatie verzameld over de effectiviteit van de content en met welke content de student het meest bezig is, om de aanpassingen voortdurend te verbeteren.

Smart Sparrow is enerzijds een platform waar bijvoorbeeld trainers courseware kunnen ontwikkelen en anderzijds een serviceprovider die het mogelijk maakt om deelnemers te begeleiden op basis van feedback.
 

Adaptief leren past zeker ook in de praktische realiteit van werkplekleren. In bedrijven en non-profit organisaties zijn de voorwaarden om een slag te maken in de richting van adaptief leren vaak nog gunstiger dan in het reguliere onderwijs. Juist in programma’s die uitgaan van leren in het werk, gericht op Performance Improvement, zoals 70:20:10 of 5 Moments of Need.

De technologie van Adaptive Learning is vooral gericht op het gepersonaliseerd aanbieden van kennis. Realiseer je wel dat daarmee slechts de “10”, het formele leren wordt afgedekt. Zorg er daarom voor dat de technologische oplossing past in het totale werk- en leer traject dat je ontwerpt. De methodologie van 5 Moments of Need biedt daarbij een uitstekend houvast!

Heb je zelf voorbeelden uit de eigen praktijk? Ik ben erg benieuwd, dus laat het me weten!