Gepersonaliseerd leren

Om iets te kunnen leren, is het van belang dat het aansluit op dat wat je al weet. Wanneer het niveau te laag is, dan ontstaat er verveling en zal je brein onvoldoende uitgedaagd worden. Wanneer het niveau te hoog is, dan ontstaat er frustratie. In beide gevallen is er een negatief effect op het leren. Uitdaging is van groot belang, echter wel op het juiste niveau. Om deze reden past het ‘one size fits all’ principe maar zelden wanneer het om leren gaat. Het gaat er dus om dat de leerstof die je aanbiedt, het juiste niveau heeft ten opzichte van de lerende, en dat verschilt per persoon.

Bij leren gaat het meestal ook om nieuwe informatie die je koppelt aan kennis of een vaardigheid die je al hebt. Stel dat je al kennis van auto’s hebt, dan zal je makkelijker begrijpen hoe een nieuw model auto werkt. Je maakt dan gebruik van bestaande neurale netwerken (fysieke paden die in je brein zijn gevormd) die nog sterker worden en knoopt hier nieuwe informatie aan. De voorkennis bepaalt dus hoe je het leren aanbiedt. Gepersonaliseerd leren is dus van belang.

Gepersonaliseerd leren is slechts één van de zaken die het effect op leren positief beïnvloedt volgens het leerdesign voor het brein:

• Microlearning
• Spaced repetition
• Multi sensorische leervorm
• Aantrekkelijke leervorm

AI en gepersonaliseerd leren

De mogelijkheden die Artificial Intelligence (AI) kan bieden op het gebied van gepersonaliseerd leren zijn eigenlijk eindeloos en breiden zich continu uit met het toenemen van de mogelijkheden die er zijn. Denk hierbij aan:

• het ‘live’ aanpassen van de taal, stijl of het taalniveau van een tekst aan de gebruiker van een online leermodule. Door slimme vertaal- en hertaalmodules.
• een robot die, op basis van de kennis die hij van de lerende heeft, pro-actief aanbiedt een leeraanbod te zoeken of zelfs te maken, zonder dat de gebruiker in een platform zit. Een AI-assistent die weet wat je vandaag moet doen, welke dingen eraan komen en wanneer je tijd hebt.
• het creëren van individuele leerpaden die de zwakke en sterke punten van elke gebruiker aanpakken, waardoor een efficiëntere en effectievere leerervaring ontstaat. Dit door gebruik te maken van data-analyse en machine learning-algoritmen.

Misschien klinkt dat nog wat als toekomstmuziek, maar denk aan de AI in

• een chatbot die antwoorden kan geven op vragen van de lerende en kan ondersteunen bij het uitvoeren van de taken en werkzaamheden die iemand moet doen. Zonder het voor te zeggen, maar door sturing te geven.
• de aanbevelingen in een leerplatform op basis van jouw gedrag en gedrag van anderen en de dingen die je hebt aangegeven te (willen) leren, zoals de aanbevelingen op basis van te ontwikkelen vaardigheden in Learn Amp.

Online leren

Maar ook online leren (zonder AI) biedt al vele mogelijkheden als het om gepersonaliseerd leren gaat.

1. In online modules kan je een leerpad maken dat afhankelijk van de antwoorden die je geeft of je gedrag in de module, lesmateriaal aanbiedt. Hierbij zit het in het ontwerp (instructional design) van de module. De meest gebruikte e-learningontwikkeltools zijn in staat om deze paden te creëren.
2. In een Leerplatform (LMS of LXP) is het meestal mogelijk om aanbod te generen dat past bij jouw functie, rol of niveau. Het aanbod dat hierachter zit moet hier uiteraard op aansluiten. Een ander mechanisme om het juiste aanbod aan te bieden, is te werken met het principe van gelijkwaardigheid of automatische vrijstellingen. Wanneer bijvoorbeeld een (pre)toets wordt behaald, kan een (deel van) een training reeds behaald zijn, waardoor je niet vermoeid wordt met informatie die je reeds bezit.
3. Een adaptieve applicatie maakt gebruik van de vergeetcurve en geeft je op het juiste moment een herinnering door de lesstof opnieuw aan te bieden. Idealiter koppel je deze informatie aan je LMS, zodat je centraal weet wie over welke kennis en vaardigheid beschikt. Een voorbeeld is een koppeling tussen de applicatie van Drillster en het PeopleFluent LMS.