Het creëren van een betrokken kennisnetwerk (3/3)

Social Learning | blog
De afgelopen twee blogs zijn we dieper in gegaan op een sociale netwerk analyse en wat voor impact deze kan hebben tijdens, en na een social learning interventie (deel 1, deel 2). In deze blog nemen we jullie graag mee naar de achterkant van een sociale netwerk analyse, want hoe komt zoiets tot stand? In deze blog nemen we je erin mee! Zelf al ideeën over wat een netwerkanalyse voor jou kan betekenen? Laat het ons weten!

 


 

Alles start met het verzamelen van data


De belangrijkste input voor de sociale netwerk analyse is natuurlijk data! Voor de MOOC Social Learning 3.0 is dit data die we verzameld hebben uit ons leerplatform StreamLXP. In dit geval leggen we de focus op de data omtrent alle reacties die zijn gegeven door een persoon bij een bepaald leerobject. Deze data wordt doorgestuurd naar een Learning Record Store (LRS). Dit is feitelijk niets anders dan een plek waar al deze data wordt opgeslagen. Deze plek is een database, welke speciaal is ontwikkeld voor leer-en ontwikkel doeleinden. Het mooie van een LRS is dat de data die hierin wordt opgeslagen, wordt opgeslagen in een bepaalde taal, deze taal bestaat uit de volgende bouwstenen:

Iemand doet iets in een bepaalde context

Alle data uit de MOOC wordt volgens bovenstaand format opgeslagen in de LRS. Hiermee weten we zeker dat de data die we voorhanden hebben een eenduidig en sluitend verhaal vertelt. Wanneer de data is verzameld, kunnen we starten met het analyseren van de data.

Analyse van de reacties


De data wordt geanalyseerd op een aantal punten. Allereerst worden de sociale interacties met een extern algoritme geanalyseerd. Dit algoritme is in staat om de interacties te the classificeren onder higher- en lower-order thinking, welke afgeleid is van de taxonomie van Bloom. Een lower-order thinking reactie kenmerkt zich doordat deze gericht is op het reproduceren van kennis, waar een higher-order thinking reactie zich kenmerkt doordat een lerende echt betekenis geeft aan het geleerde. Een voorbeeld hiervan zijn de volgende:
- Voorbeeld lower: Dit was waardevolle content. Ik heb beter grip op wat modereren inhoudt.
- Voorbeeld higher: Dit was waardevolle content, ik heb nu beter grip op wat modereren inhoudt en ga deze lessen toepassen in praktijk. Ik heb vooral werk te verzetten op het gebied van pedagogische interacties, vaak gaat mijn moderatie-inzet niet verder dan het dialoog in stand houden - ik zie dat er meer te winnen valt.

Dit algoritme was niet ineens in staat om dit te doen. We hebben het algoritme moeten aanleren om deze reacties als dusdanig te classificeren. Om dit te doen hebben we eerst handmatig 5000+ reacties geclassificeerd als hoog of laag. Dit hebben we als input gegeven voor een algoritme, waarmee dit algoritme dit onderscheid automatisch voor ons kan herkennen. Dit algoritme analyseert iedere reactie, en geeft de output terug als xAPI data, welke we weer kunnen opslaan in de LRS, zie ook de volgende blogpost.

Sociale interacties in kaart brengen




De data geeft ons inzicht in de context. Zo hebben we zicht op wie met wie heeft gepraat, waar dit gebeurt (welke plek in de MOOC) en wanneer de interactie heeft plaatsgevonden. Na de analyse hebben we ook inzicht in of de interactie als higher/lower order thinking wordt geclassificeerd. Omdat we deze data op een dusdanige gestructureerde manier (xAPI) opslaan, kunnen we deze makkelijk doorsturen naar een andere toepassing, welke in staat is om vol-automatisch de sociale netwerk analyse te genereren. Deze toepassing kan op basis van reacties, context en classificatie van de reactie, direct een sociaal netwerk visualiseren.

Deze doet dat zelfs real-time! Real-time wil zeggen dat wanneer iemand nu een reactie plaatst, deze nu wordt meegenomen in de sociale netwerk visualisatie! Hierdoor is de informatie in deze visualisatie altijd up-to-date zodat we de juiste handvatten voor handen hebben om betekenisvolle interventies te plegen om onze kennisnetwerken te optimaliseren en te benutten.

We gaan graag met je in gesprek over welke impact een sociale netwerk analyse of een Learning Record Store voor jouw organisatie kan hebben! Neem hiervoor contact op met Max of Kim!

 

Deel met je omgeving

© Next Learning Valley 2020