E-learning trends ontdekken dankzij machine learning
In de loop der jaren zijn heel wat artikelen gepubliceerd over e-learning. Een aantal Turkse onderzoekers hebben machine learning gebruikt om te analyseren welke trends je op basis van deze publicaties kunt destilleren.
Fatih Gurcan, Ozcan Ozyurt en Nergiz Ercil Cagiltay hebben in totaal 41.925 peer-reviewed artikelem geanalyseerd die tussen 2000 en 2019 zijn gepubliceerd in tijdschriften als Computers & Education, International Review of Research in Open and Distance Education journal, het Turkish Online Journal of Distance Education journal en het British Journal of Educational Technology.
Ze hebben Latent Dirichlet Allocation (LDA) gebruikt om de artikelen te analyseren. Dit is een vorm van machine learning die wordt gebruikt om verborgen semantische patronen te ontdekken in een omvangrijke en betrekkelijk relatief ongestructureerde hoeveelheid documenten.
Zij hebben onder andere trefwoorden hiermee in kaart gebracht, en onderwerpen met bijbehorende trefwoorden. Tabel 3 bevat een overzicht van de woorden en trefwoorden. Ik kan niet achterhalen of de artikelen al deze trefwoorden moesten bevatten, of enkele. Is dat laatste het geval, dan is dit een discutabele tabel (waarom valt een trefwoord als “instruct*” bijvoorbeeld alleen onder “learning assessment”).
De onderwerpen zijn ingedeeld in veel voorkomende onderwerpen, gemiddeld voorkomende onderwerpen en weinig voorkomende onderwerpen. Veelvoorkomende onderwerpen waren “MOOC”, ” beoordeling van leren”, “afstandsonderwijs”, “e-learningsystemen” en ” algoritmes voor leren”. Onderwerpen zoals “lerarenopleiding”, “talenonderwijs”, “mobiel leren”, “opleiding” en “informatiebronnen” kwamen weinig in de artikelen voor.
Vervolgens hebben de onderzoekers gekeken naar volume en ‘acceleratie’ -de snelheid waarmee over onderwerpen wordt geschreven- gedurende periodes van vier jaar. Daarbij valt op dat al in de periode 2000-2003 over MOOCs is geschreven, terwijl de eerste MOOC pas in 2008 is gelanceerd. Ik kan dit niet verklaren, tenzij niet alle trefwoorden van tabel 3 in de artikelen hoeven voor te komen (wat dit onderzoek m.i. discutabel zou maken).
Uit een volgende analyse bleek dat de veel voorkomende onderwerpen “e-learningsystemen”, “MOOC” en “beoordeling van leren” in de hele onderzochte periode (2000 t/m 2019) stonden. “Education management” stond tussen 2000 en 2008 in de top vijf, terwijl dit voor “distance education” het geval was van 2000 tot 2016. De onderwerpen “algoritmes van leren” en “leerfactoren” (met trefwoorden als factor*, learn*, student*, model*, perceiv*, motiv*, influenc*, result*, satisfact*, effect*, accept*, attitud*, en percept*) stonden respectievelijk vanaf 2008 en 2016 in de top 5. Vervolgens hebben de onderzoekers ook gekeken naar de acceleratie van de onderwerpen over de hele periode. “Algoritmes van leren” scoort dan het hoogste, “distance education” het laagste.
De vertaling van een deel van de conclusie luidt:
Op basis van de resultaten van deze studie kan worden geconcludeerd dat “algoritmes voor leren”, “leerfactoren”, “training”, “taalonderwijs” en “onderwijsmanagement de voorbije vier jaar het meest aan belang hebben gewonnen en dat in de nabije toekomst wordt verwacht dat zij een nog grotere impact zullen hebben op het vakgebied en een basis zullen leggen voor meer geïndividualiseerde en adaptieve mobiele platforms. Daarom kan worden geconcludeerd dat, hoewel het veld meer adaptieve e-learningsystemen behelst, de ontwikkelingen ter ondersteuning van adaptieve e-learningplatforms nog niet voldoende zijn uitgerijpt, en dat de komende jaren deze vijf onderwerpen de boventoon zullen voeren. Nadat deze vijf thema’s echter tot volle wasdom zijn gekomen, kan worden verwacht dat “adaptief leren” en “mobiel” een hogere vlucht zullen nemen.
Mijn opmerkingen
- Ik mis een definitie van het begrip “trend”. Ik onderscheid trends bijvoorbeeld van hypes. mede hierdoor bestaat het overzicht van trends uit een scala van onderwerpen. Een trend is een ontwikkeling in een bepaalde richting op langere termijn. Een trend heeft dus een duurzaam karakter. Bij e-learning zijn opvattingen over leren, opleiden en onderwijs en technologische ontwikkelingen van invloed op trends.
- Een aantal trends herken ik zeker. Wel worden vaak andere termen gebruikt. Bijvoorbeeld artificiële intelligentie, in plaats van “learning algorithms”. Ook wordt bijvoorbeeld de term “adaptive learning” gebruikt, in plaats van “personalisering” of “flexibilisering”. “Adaptief leren” is m.i. een specifieke invulling van “flexibilisering”. Ik mis echter bijvoorbeeld “learning analytics” (de betreffende trefwoorden zijn bij andere onderwerpen ondergebracht) of “gamification” (“game*” valt onder mobile learning).
- Een aantal onderwerpen is zo breed dat je ze moeilijk als trend kunt duiden. Binnen het onderwerp “e-learning systemen” zelf is al sprake van ontwikkelingen. De term “learning factors” omvat zo veel aspecten dat je dit nauwelijks een samenhangend onderwerp kunt noemen.
- Als de trefwoorden uit tabel 3 niet allemaal in een artikel hoeven voor te komen, dan is de analyse m.i. niet veel waard. Een artikel met de trefwoorden learn*, educ*, onlin*, design*, cours*, learner*, support*, activ*, framework*, context* hoeft immers niet persé over een MOOC te gaan.
- Het onderbrengen van bepaalde trefwoorden bij onderwerpen is discutabel. Dat maakt dat bepaalde trends ontbreken.
Bekijk ook deze presentatie over trends:
The post
E-learning trends ontdekken dankzij machine learning first appeared on
WilfredRubens.com over leren en ICT.
Lees het hele
artikel