Differentiëren vergt het nodige van docenten (maar digitale technologie kan faciliteren)
Pedro De Bruyckere gaat in Wat moet je eigenlijk allemaal kennen en kunnen om goed te differentiëren? in op een studie naar bekwaamheden van docenten om te kunnen differentiëren. Differentiëren vraagt van docenten namelijk veel meer dan het aanbieden van opdrachten op verschillende niveaus: het is een doorlopende cyclus van inschatten, beslissen, uitvoeren en bijsturen. Ik vat deze blogpost samen, maar ga vooral in op de rol die digitale technologie kan spelen om het differentiëren mogelijk te maken.
Volgens Pedro gaat aan elke beslissing over differentiatie veel vooraf. Een docent moet weten waar een lerende staat, waar die naartoe moet en waarom die ergens vastloopt. Daarna moet de docent bepalen welke aanpassing kan helpen. Tijdens de les moet de docent vervolgens nagaan of die aanpassing werkt.
De studie van Kyra Meutstege en collega’s maakt dat volgens Pedro inzichtelijk. De onderzoekers gebruikten een cognitive task analysis. Dat is een methode om de kennis en denkstappen achter complexe taken bloot te leggen. Ze observeerden elf Nederlandse wiskundedocenten in het voortgezet onderwijs die als bovengemiddeld goed in differentiëren werden beschouwd. Daarna interviewden ze deze docenten over wat ze deden en waarom. Vakinhoudelijke experts vulden de resultaten aan.
De onderzoekers onderscheiden drie soorten kennis. De eerste is kennis van lerenden, vooral van waar zij staan in hun leerproces. Het gaat om voorkennis, wat ze al beheersen en waar ze vastlopen, aangevuld met zicht op zelfstandigheid en motivatie. Die kennis verzamel je niet eenmalig, maar tijdens elke les opnieuw. De tweede is pedagogische-didactische kennis: weten wat je kunt doen als een lerende iets niet begrijpt. De derde is vakkennis, inclusief pedagogical content knowledge: weten hoe je leerstof uitlegt en hoe de leerlijn is opgebouwd. Volgens Pedro wordt vaak vergeten dat differentiëren juist sterke vakkennis vraagt. Je kunt pas zinvol van de route afwijken als je die route en de zijpaden goed kent.
Verder beschrijven de onderzoekers vier fasen die samen een cyclus vormen:
- het voorbereiden van een lessenreeks;
- het voorbereiden van een les;
- het lesgeven;
- het evalueren.
Bij de voorbereiding combineren docenten toetsresultaten, observaties en informatie van collega’s. Pedro beschouwt het monitoren tijdens de les als de belangrijkste vaardigheid. Docenten volgen voortdurend of lerenden vooruitgang boeken en passen hun instructie aan, bijvoorbeeld met extra uitleg voor een kleine groep. Een vaste indeling in niveaugroepen noemt hij daarom problematisch, omdat de behoefte aan ondersteuning per leerdoel kan verschillen. Na de les en na een lessenreeks evalueren docenten wat werkte en wat een volgende keer anders moet.
Tot slot wijst Pedro op de omstandigheden. Differentiëren wordt lastiger door:
- grote klassen en grote niveauverschillen;
- lerenden die weinig zelfstandig werken;
- beperkte voorbereidingstijd en korte lessen;
- een volle, fysieke, ruimte.
Scholen kunnen docenten ondersteunen met goede informatie over de voortgang van lerenden en met leermateriaal op verschillende niveaus.
Mijn opmerkingen
Dit is een interessante studie die de complexiteit van differentiëren duidelijk maakt. Wat ik echter mis is de mogelijkheden van digitale leertechnologie om differentiëren mogelijk te maken. Voor zover ik kan zien, is daar niet naar gekeken.
Je kunt een digitale leeromgeving bijvoorbeeld gebruiken voor leeractiviteiten ten behoeve van differentiatie voorafgaand aan, tijdens en na afloop van een bijeenkomst. Dat sluit aan bij de cyclus die de onderzoekers beschrijven. Met behulp van digitale leertechnologie kun je juist op grote schaal differentiëren.
Voorafgaand aan een bijeenkomst kun je met een korte diagnostische toets nagaan wat lerenden al weten. Je begint de les dan met een beter beeld van de groep. In een digitale leeromgeving kun je opdrachten en leermateriaal bovendien gericht toekennen aan individuele lerenden of groepen lerenden. Dat hoeven niet persé vaste niveaugroepen te zijn. Je kunt leermateriaal ook pas beschikbaar stellen als een eerdere stap is afgerond.
Tijdens de bijeenkomst ondersteunen korte digitale checks het monitoren dat Pedro zo belangrijk vindt. Lerenden die verder zijn, kunnen zelfstandig met verdiepende opdrachten aan de slag. Een docent kan dan specifieke uitleg geven aan degenen die dat nodig hebben.
Met behulp van learning analytics heb je bovendien zicht op wie welke activiteiten heeft afgerond en welke vragen vaak fout gaan. Dat is input voor de evaluatiefase. Het levert ook de informatie over voortgang die volgens de studie helpt.
Verder kun je met behulp van AI-tools snel opdrachten voor verschillende groepen studenten ontwikkelen. Daar komt bij dat een goed ontworpen AI-tutor specifieke ondersteuning kan geven aan individuele lerenden met specifieke leerbehoeften. De combinatie ‘AI-technologie en learning analytics’ maakt bovendien een hoge mate van adaptiviteit mogelijk. Op basis van voortgang en leergedrag kunnen lerenden leermateriaal en leeractiviteiten aangeboden krijgen die aansluiten op waar een lerende staat, waar de lerende naartoe moet of wil, en waarom de lerende ergens vastloopt.
Digitale leertechnologie heeft echter ook beperkingen als het gaat om differentiëren. Learning analytics geven geen volledig beeld van lerenden. Ze registreren alleen wat digitaal zichtbaar is: scores, klikgedrag en bestede tijd. Ze vertellen niet waarom een lerende vastloopt, terwijl dat volgens het onderzoek de kernvraag is. Veel bestede tijd kan wijzen op worsteling, maar ook op afleiding. Wat lerenden in de klas of in de beroepspraktijk laten zien, blijft buiten beeld. Dat geldt zeker in het mbo, waar een groot deel van het leren plaatsvindt tijdens de beroepspraktijkvorming.
Leren is ook een complex proces dat binnen een specifieke context plaatsvindt. Digitale leertechnologie is niet altijd in staat om daar op een goede manier rekening mee te houden. Bovendien is de kwaliteit van digitale leertechnologie niet altijd goed. Met AI gemaakte voortgangstoetsen bevatten vaak vragen waarbij het juiste antwoord makkelijk te herkennen is, en de feedback is vaak niet goed.
Verder doet het zelfstandig werken met digitale leertechnologie een fors beroep op het vermogen van lerenden om zelfstandig te leren.
Bovendien moet je data vertalen naar didactische beslissingen, en daarvoor heb je dezelfde vakkennis en didactische kennis nodig. Als docent heb je niet alleen pedagogical content knowledge nodig, maar technological and pedagogical content knowledge. Het inrichten van gedifferentieerde leerroutes kost ook voorbereidingstijd, en die is volgens de studie al schaars. Automatische leerpaden kunnen daarnaast leiden tot de vaste indeling waar Pedro voor waarschuwt. Het verzamelen en gebruiken van leerdata vraagt verder zorgvuldigheid op het gebied van privacy.
Digitale leertechnologie kan het differentiëren ondersteunen, maar het het succes ervan hangt van diverse factoren af zoals het pedagogisch-didactische ontwerp en de deskundigheid van docenten om deze technologieën op een goede manier in te zetten.
Lees het hele
artikel