Gepersonaliseerd leren is een manier van leren waarbij de student invloed heeft op wat hij of zij wil leren, op welke manier en in welke volgorde. In dit boekhoofdstuk wordt ingegaan op wat gepersonaliseerd leren binnen het Hoger Beroepsonderwijs betekent. Met behulp van een werkmodel wordt dit onderzoek verkend en de resultaten van een kwalitatief onderzoek worden beschreven. Docenten en studenten participeerden in groepsinterviews, waarin zij zijn gevraagd naar hun beelden over gepersonaliseerd leren en naar welke voorwaarden zij zien voor deze manier van leren. Met dit hoofdstuk wordt een bijdrage geleverd aan het in kaart brengen van voorwaarden voor het invoeren van gepersonaliseerd leren.
Gepersonaliseerd leren is een vorm van leren waarin de student centraal staat. Het biedt kansen het onderwijs te flexibiliseren, meer gedifferentieerd te werken en meer maatwerk te leveren. Deze manier van leren is zowel voor de student als de docent, maar ook voor de organisatie van het onderwijs, een uitdaging. Dit artikel verkent het onderwerp ‘gepersonaliseerd leren’ met behulp van een werkmodel. Vervolgens wordt een praktijksituatie beschreven waarin sprake was van gepersonaliseerd leren. Studenten en docenten van de opleiding Sportmanagement hebben binnen een derdejaars module over ondernemen, ervaring opgedaan met gepersonaliseerd leren. Er wordt ingegaan op hoe dit soort leren er uitziet, wat het vraagt van student, docent en organisatie, en op de ervaringen van studenten en docenten.
In dit artikel wordt beschreven hoe vanuit een duidelijke onderwijsvisie de opleidingen van Hogeschool Utrecht (HU) de afgelopen jaren aan de slag gegaan zijn met het ontwikkelen van nieuw onderwijs. Eén van de dimensies van de HU-visie is ‘gepersonaliseerd leren’. De auteurs hebben een analyse uitgevoerd van hoe opleidingen binnen de HU omgaan met deze dimensie in het ontwerp van hun onderwijs. Hierbij hebben ze gebruik gemaakt van de vijf dimensies voor Onderwijs op Maat (SURF, 2016) en die dimensies afgezet tegen de niveau-indeling van Leadbeater (2014) voor het personaliseren van diensten. Uit de analyse van de innovaties binnen de HU kwamen vier vormen van gepersonaliseerd onderwijs naar voren. Bij deze vormen hebben de auteurs succesfactoren onderscheiden op het gebied van beleidsafspraken en ontwerpkeuzes. Tot slot wordt een gespreksmodel ter ondersteuning van het ontwerpen van gepersonaliseerd onderwijs behandeld.
LINK
Patiëntdata uit vragenlijsten, fysieke testen en ‘wearables’ hebben veel potentie om fysiotherapie-behandelingen te personaliseren (zogeheten ‘datagedragen’ zorg) en gedeelde besluitvorming tussen fysiotherapeut en patiënt te faciliteren. Hiermee kan fysiotherapie mogelijk doelmatiger en effectiever worden. Veel fysiotherapeuten en hun patiënten zien echter nauwelijks meerwaarde in het verzamelen van patiëntdata, maar vooral toegenomen administratieve last. In de bestaande landelijke databases krijgen fysiotherapeuten en hun patiënten de door hen zelf verzamelde patiëntdata via een online dashboard weliswaar teruggekoppeld, maar op een weinig betekenisvolle manier doordat het dashboard primair gericht is op wensen van externe partijen (zoals zorgverzekeraars). Door gebruik te maken van technologische innovaties zoals gepersonaliseerde datavisualisaties op basis van geavanceerde data science analyses kunnen patiëntdata betekenisvoller teruggekoppeld en ingezet worden. Wij zetten technologie dus in om ‘datagedragen’, gepersonaliseerde zorg, in dit geval binnen de fysiotherapie, een stap dichterbij te brengen. De kennis opgedaan in de project is tevens relevant voor andere zorgberoepen. In dit KIEM-project worden eerst wensen van eindgebruikers, bestaande succesvolle datavisualisaties en de hiervoor vereiste data science analyses geïnventariseerd (werkpakket 1: inventarisatie). Op basis hiervan worden meerdere prototypes van inzichtelijke datavisualisaties ontwikkeld (bijvoorbeeld visualisatie van patiëntscores in vergelijking met (beoogde) normscores, of van voorspelling van verwacht herstel op basis van data van vergelijkbare eerdere patiënten). Middels focusgroepinterviews met fysiotherapeuten en patiënten worden hieruit de meest kansrijke (maximaal 5) prototypes geselecteerd. Voor deze geselecteerde prototypes worden vervolgens de vereiste data-analyses ontwikkeld die de datavisualisaties op de dashboards van de landelijke databases mogelijk maken (werkpakket 2: prototypes en data-analyses). In kleine pilots worden deze datavisualisaties door eindgebruikers toegepast in de praktijk om te bepalen of ze daadwerkelijk aan hun wensen voldoen (werkpakket 3: pilots). Uit dit 1-jarige project kan een groot vervolgonderzoek ‘ontkiemen’ naar het effect van betekenisvolle datavisualisaties op de uitkomsten van zorg.
Aandoeningen die te maken hebben met slijtage, zoals degeneratieve kraakbeen defecten, zullen steeds meer voorkomen vanwege de ouder wordende generatie. Momenteel zijn alleen al in Nederland 1,5 miljoen mensen die lijden aan een dergelijke aandoening. Kraakbeen is van zichzelf niet in staat om te genezen. Met dit project werken we naar een mogelijkheid om defecten te verhelpen met 3D-bioprinten.
Mediabedrijven en -organisaties maken steeds meer gebruik van algoritmes om hun gebruikers gepersonaliseerde aanbevelingen aan te bieden voor artikelen, muziek, series, films en video’s. Dergelijke aanbevelingsalgoritmes maken gebruik van technieken uit kunstmatige intelligentie om te voorspellen in welke inhoud een gebruiker geïnteresseerd is, bijvoorbeeld op basis van wat de gebruiker eerder heeft bekeken of beluisterd of op basis van wat andere gebruikers hebben bekeken of beluisterd. Publieke omroepen, die programma’s maken voor kijkers en luisteraars, en de Nederlandse Publieke Omroep (NPO), die in Nederland zorgt voor de distributie en uitzending van die programma’s, zien potentie in deze technologie. De NPO maakt nog slechts beperkt gebruik van automatische aanbevelingen om inhoud aan kijkers en luisteraars aan te bieden, maar zij verkent samen met een aantal partners uit het publieke omroepbestel de mogelijkheden om de technologie breder in te zetten. Anders dan de meeste mediabedrijven wordt de NPO wordt bekostigd door overheidsbudget en heeft het als expliciete missie om het Nederlandse publiek te verbinden en te verrijken met programma’s die informeren, inspireren en amuseren. Dit stelt andere eisen aan een aanbevelingsalgoritme. Waar het doel van commerciële partijen veelal bestaat uit het optimaliseren van winst en/of engagement, beoogt de NPO aanbevelingen te bieden op transparante en inzichtelijke wijze, en staat pluriformiteit (diversiteit in perspectieven) in aanbevelingen centraal. Op dit moment speelt bij de NPO de vraag welke principes (pluriformiteit, personalisatie, etc.) leidend moeten zijn in aanbevelingen en hoe deze principes geoperationaliseerd kunnen worden. Het doel van dit project is daarom om, middels literatuuronderzoek, interviews met experts en gebruikers, en prototyping, een aantal principes te identificeren en operationaliseren die geschikt zijn voor aanbevelingsalgoritmes van publieke omroepen.
