Voor velen hoort het voorspellen van
de toekomst in het schemere wereldje van de paragnosten, mediums en charlatans.
Maar zou het niet fijn zijn om als docent een glazen bol of tarotkaarten te
raadplegen, om zo de ontwikkeling van de leerlingen in de toekomst te zien? De
bezigheid van toekomstvoorspellingen hoort alleszins niet thuis in het
onderwijs, althans nog niet. Er is een domein waar dit wel gebeurd, namelijk
het internet. Zoals vaker blijkt de wetenschap de grenzen van onze fantasie te
overschrijden. Zo kunnen onlineadverteerders ons gedrag, als onlineconsumenten,
laten voorspellen. En advertenties sturen die precies aansluiten op onze
behoeften. Om te kunnen voorspellen moeten de adverteerders gegevens en
gedragingen van ons volgen en bijhouden. Hoe meer data (Big Data) zij
beschikken, hoe accurater de voorspellingen zijn. Tracking is sinds de
komst van grote zoekmachines als Google een onderwerp van discussie, en ligt
ten grondslag aan de voorspellingen van ons gedrag. Tracking associëren
wij vaak met cookies. Maar wat zijn cookies nou eigenlijk?
Cookies
Banes,
Herrmann en Federrath (2012) omschrijven het fenomeen van cookies als volgt:“Traditionally,
service providers, who want to track the activities of Internet users, rely on
explicit tracking techniques like HTTP cookies”. HTTP staat voor:
HyperText Transfer Protocol. En beschrijft de protocol voor communicatie tussen
de computer en de browser. Middels deze protocol kan service providers
informatie van onze computers opvragen. Na het registreren van al deze
informatie wordt er gericht gezocht naar statistische verbanden om profielen op
te stellen. De profielen komen tot stand aan de hand van algoritmes. Deze
procedure heet datamining. Netflix op een tablet is een goed voorbeeld
van hoe datamining in de praktijk gehanteerd wordt. Het bekijken,
waarderen van films en de interactie met het platform an sich voorziet Netflix van Big Data. Vervolgens wordt een
profiel van ons allen aangemaakt. Daarna vergelijkt Netflix de profielen met
elkaar om verbanden en patronen te ontdekken. Deze leiden uiteindelijk tot
persoonlijke advertenties. Niet alleen Netflix maakt gebruik van deze
technologie. Google, Facebook, Instagram, Spotify, Twitter, Tumblr en nog veel
meer OSNs (Online Social Networks) passen algoritmes toe. De adverteerders
weten doorgaans eerder dan wijzelf waar ons voorkeur liggen.
Voordelen cookies
Voor de luie consumenten onder ons lijkt datamining een geschenk uit de hemel. Wij worden op onze wenken
bediend, omdat wij allereerst profiled
advertenties krijgen aangeboden. Bovendien worden we netjes gewaarschuwd voor cookies.
Dikwijls zien wij bij het bezoeken van een site een pop-up met de vermelding:
“Cookies helpen ons bij het leveren van onze diensten. Door gebruik te maken
van onze diensten, gaat u akkoord met ons gebruik van cookies” (Google, 2015). Cookies lijken op een transparante wijze
toegepast te worden. Het vergemakkelijkt
tevens het werk van zoekmachines en sites, zodat wij zo efficiënt mogelijk in
onze zoektocht geholpen worden. Daarnaast kan de overheid d.m.v. cookies illegale
handelingen opsporen, bijvoorbeeld kinderpornografie en communicatie tussen
terroristen. M.a.w.: om onze veiligheid te waarborgen is het gebruik van cookies
van staatsbelang. Maar toch zijn cookies vaak onderwerp van discussie, omdat
manipulatie van Big Data een te grote verleiding blijkt. (Voor een interessant
kijkje in de keuken van manipulatie in de ICT, bekijk de documentaire:
http://www.npo.nl/2doc/25-02-2015/VPWON_1235964)
Nadelen cookies
Bij het al reeds besproken HTTP cookies is er sprake
van een éénrichtingsverkeer, dat wil zeggen dat alleen de service providers
onze gegevens kunnen ontvangen. Banes
(et al, 2015) noemt dit explicit tracking. In tegenstelling tot explicit
tracking wordt er bij behavorial-based tracking (Banes et al, 2012)
onze privacy geschonden. ”From a privacy perspective behavior-based tracking is
even more dangerous, because it allows service providers to track users
passively, i. e., without cookies(...) In principle, behavior-based tracking
can be carried out by any attacker that can observe the activities of users on
the Internet” (Banes et al, 2012). Zowel bij explicit tracking en
behavorial-tracking cookies gaat het om PII (Personal Identifiable
Information) vergaren. Deze PII kan zijn: naam, leeftijd, job, geslacht, likes
en dislikes. Maar ook de content van onze e-mails en IP-adressen worden
misbruikt.
Het hoeft geen betoog dat de OSNs (Online Social Networks)
een onuitputtelijke bron van PII in hun bezit hebben. Om ons gerust te stellen wekken zij een
illusie waarin onze persoonlijke data beschermd worden door o.a.:
•
Een
Walled Garden: “(…) is a software system where the carrier or service provider
has control over applications, content and media, and restricts convenient
access to non-aproved applications or content” (Wikipedia, 2015).
•
HTTPS (HyperText Transfer Protocol Secure:
“(...) is een uitbreiding op het HTTP-protocol met als doel een veilige uitwisseling
van gegevens. Bij gebruik van HTTPS worden gegevens versleuteld, waardoor het
voor een buitenstaander, bijvoorbeeld iemand die afluistert, onmogelijk zou
moeten zijn om te weten welke gegevens verstuurd worden” (Wikipedia, 2015).
•
Wachtwoord bij het inloggen
Krishnamurty en Wills (2009), die onderzoek hebben gedaan
naar het lekken van PII door OSNs, stellen dat: ”(...) the indirect leakage of
PII via OSN identifiers to third-party aggregation servers is happening. OSNs in our study consistently demonstrate
leakage of user identifier
information to one or more third-parties via Request-URIs, Referer headers and
cookies.” In eerste instantie zou men denken dat de OSNs de auteursrecht
schenden door de reproductierecht en mededelingsrecht niet in acht te nemen.
Zij stellen immers onze persoonlijke foto’s (nb:er is alleen sprake van
schending indien artistiek van aard), persoonlijke audiovisuele content en
communicatie in geschrift beschikbaar aan derden. Maar door de OSNs privacy
reglementen en voorwaarden te accepteren geven wij hen het recht om onze
content te verkopen.
Naast de juridisch dekking middels de privacy reglementen en
voorwaarden, moeten de OSNs de productie en consumptie van de persoonlijke data
stimuleren. Dit doen zij om hun core business veilig te stellen. Daar
hebben zij verschillende mind tricks
voor. FOMO (Fear Of Missing Out) is een term die beschrijft hoe wij verslaafd
kunnen raken aan de OSNs. Om bang te zijn leuke informatie te missen blijven
wij steeds terugkomen. We raken nooit helemaal verzadigd. Een andere incentive om een vaste bezoeker te
worden van de OSNs, is de kosteloze inschrijving. Food for thought hierbij is: “If it's free, than you
are the product.” Door de productie van persoonlijke data te garanderen,
faciliteren zij de Affective Economics (Jenkins, 2006). Deze economie
draait op emotie, deze wordt vervolgens door de OSNs in data verwerkt. Zoals
eerder behandeld, worden deze data gebruikt door adverteerders. Een belangrijk
element in de productie van Big Data
is, self-branding: de behoefte om jezelf zo positief mogelijk te
presenteren. Na de voor- en nadelen af te wegen, zijn er mijns inziens veel
interessante ICT-toepassingen die het werk van een docent makkelijker zou
kunnen maken.
Voorwaarden voor ICT in het onderwijs
Een diepgaande integratie van ICT is van toegevoegde waarde
als er sprake is van blended learning. In het rapport ‘Van e-learning naar geïntegreerd blended
learning’ (associatie K.U. Leuven) wordt een aantal definities
gegeven voor de term, één daarvan is die van Dziuban, Hartman, & Moskal
(2004) : “‘blended learning’ verwijst naar cursussen die face-to-face
klassikale instructie combineren met online leren en waarbij het aantal
klassikale contacturen gereduceerd wordt.” Maar is er wel genoeg draagvlakte
onder de docenten? Voor docenten die nog niet thuis zijn in diepgaande
ICT-toepassingen kan er een afkeer ontstaan. Om die reden is het raadzaam om
rekening te houden met alle factoren die ertoe kunnen leiden om geen ICT te
gebruiken. Het UTAUT model
(Unified Theory of Acceptance and Use of Technology) brengt dit in kaart. De
intentie om de technologie te gebruiken is onderhevig aan een aantal bepalende
factoren:
•
performance expectancy (wat levert het
mij op?)
•
effort expectancy (hoeveel moeite kost
het mij om het te leren?)
•
social influence (hoe beïnvloedbaar, ben
ik?)
•
facilitating conditions (hoe gemakkelijk
maak mijn werkgever het mij?)
Het geslacht, leeftijd, ervaring en het al dan niet
vrijwillig openstaan van ICT kan invloed hebben op die bepalende factoren. De
leidinggevenden spelen een belangrijke rol in de implementatie van ICT. Zij
moeten een setting creëren waarin docenten een balans vinden in de
technologische kennis, pedagogische kennis en inhoudelijke kennis, oftewel
TPACK. Naast het voorkomen dat docenten een afkeer kunnen krijgen, moet het
gebruik ervan gekoppeld gaan met voordelen. Zoals de gave om te voorspellen.
Voorspellen in het Onderwijs
Learning Analytics is een voorbeeld van
datagedreven onderwijs. Deze toepassing is erop gericht om trends en patronen
van leerlingen in de grote hoeveelheden onderwijsdata (Big Data) te
ontdekken. Het in kaart brengen van trends en patronen geeft de docent de
mogelijkheid om uitspraken te doen over de toekomst. Met als doel toegesneden
onderwijs aan te bieden. Online leerplatformen maken gebruik van deze
technologie om adaptief digitaal leermateriaal kunnen aanbieden. De curriculum
wordt naargelang de progressie van de leerling aangepast. Dit wordt Embedded
Analyctics genoemd. Extracted Analytics daarentegen beïnvloedt het
leerproces niet direct, maar helpt de docent om overzicht van de ontwikkelingen
van zijn klas en leerlingen individueel bij te houden.
Mijns inziens kan het voorspellen van het gedrag en de ontwikkeling van leerlingen een gift zijn voor docenten. Het neemt veel werk uit handen, en het voorziet de leraar van accurate objectieve data. Helaas kan het interpreteren van die data wel onderhevig zijn aan een subjectieve analyse. Maar de validiteit, reproduceerbaarheid en betrouwbaarheid is nagenoeg feilloos. Mits het onderwijs leert van de manipulatieve krachten die gepaard gaan met Big Data, wegen de nadelen niet op tegen de voordelen.
Mijns inziens kan het voorspellen van het gedrag en de ontwikkeling van leerlingen een gift zijn voor docenten. Het neemt veel werk uit handen, en het voorziet de leraar van accurate objectieve data. Helaas kan het interpreteren van die data wel onderhevig zijn aan een subjectieve analyse. Maar de validiteit, reproduceerbaarheid en betrouwbaarheid is nagenoeg feilloos. Mits het onderwijs leert van de manipulatieve krachten die gepaard gaan met Big Data, wegen de nadelen niet op tegen de voordelen.
Bronvermelding
B.
Krishnamurthy, Craig E. Wills (2009). On the Leakage of Personally Identifiable Information Via Online Social
Networks.(2nd). New York: ACM (www.acm.org)
Christian
Banse1, Dominik Herrmann, and Hannes Federrath (2012). Tracking Users on the
Internet with Behavioral Patterns: Evaluation of its Practical Feasibility. Munchen:Springer Berlin Heidelberg (www.academia.edu)
De toegevoegde waarde van kinect in het onderwijs,
Technologie & Onderwijs (http://www.technologie-onderwijs.nl)
Errol Verwey. Hoe culturele productie en consumptie
veranderd door digitalisering, DOPhub
Jennifer, Madeleine en Isabel. Hoe protocollen ons sturen
in Google Drive, DOPhup
November, Ema. "De commodificatie van jezelf." Month (2014), DOPhub
Van
e-learning naar geïntegreerd blended learning, associatie K.U. Leuven (https://associatie.kuleuven.be)
www.slideshare.net/Frederik_Questier
Beste Adilson,
BeantwoordenVerwijderenIk vind het interessant dat je "e-learning" plaatst tegenover "blended learning". Zoals je weet, heb ik geschreven over "e-learning". Om het onderwijs volledig te digitaliseren, lijkt me geen goede optie. Een goed alternatief is het "blended learning". U stelt de vraag of er wel voldoende draagvlakte is voor docenten? Het antwoord is redelijk subjectief denk ik. Elk docent zal anders antwoorden. ik vind dat elke docent toch een zekere draagvlakte moet hebben, een minimale kennis hebben. Tevens zegt u dat op basis van objectieve data het mogelijkheid wordt gemaakt om de gedragingen en ontwikkelingen van studenten te voorspellen. Ik deel deze mening niet. Als het over studenten gaat, zal men toch eerder subjectief te werk moeten gaan. Objectieve gegevens kunnen wel een leidraad zijn maar mijn inziens niet richtinggevend.