Ontwikkeling van een adaptief leersysteem voor feitelijke kennis dat in meerdere vakken in het voortgezet onderwijs (VO) inzetbaar is, dat aan te passen is aan de wensen van docent en de leerdoelen van de school, én de kennistoetsen van die vakken kan vervangen.
| Projectpartners | ||
 |  |  |
| MemoryLab | Universiteit Utrecht | Montessori Scholengemeenschap Amsterdam |
| Financiering | ||
 | ||
| NOLAI |
Motivatie en doelstellingen
Vanuit scholen komt het bezwaar dat kostbare onderwijstijd verloren gaat aan het toetsen van feitelijke kennis. In dit project zal een oplossing voor dit probleem worden gezocht in het monitoren van het leerproces, waarbij een computationeel cognitief model tijdens het leren wordt geupdated zodat het op ieder moment aangeeft hoe goed ieder feitje wordt beheerst. Als voldoende feitjes voldoende goed worden beheerst, kan dit systeem op basis van nieuw te ontwikkelen AI-algoritmen aangeven dat “mastery” is bereikt en dat een toets daarmee feitelijk overbodig is geworden. Het doel van dit project is dus om een adaptief leersysteem voor feitelijke kennis te bouwen dat in meerdere vakken in het VO inzetbaar is, dat aan te passen is aan de wensen van docent en de leerdoelen van de school, én de kennistoetsen van die vakken kan vervangen.
Hoe we te werk gaan
Door middel van focusgroepgesprekken met docenten en leerlingen zal input geleverd worden voor het ontwerp van dit systeem, waarna pilotstudies worden uitgevoerd om dit systeem te evalueren. Ook hier zal input van docenten en leerlingen worden meegenomen. In de laatste fase zal dit systeem zo mogelijk school-breed worden toegepast. Naast het ontwikkelen van het systeem dat aangeeft of alle kennis voldoende goed wordt beheerst, zal op basis van de analyse van de leerdata ook AI-gebaseerde software worden ontworpen welke bepaalde vormen van fraude kunnen detecteren.
Dit project raakt aan pedagogisch-didactische aspecten omdat het invloed kan hebben op hoe het onderwijs rond toetsing op het VO wordt opgezet. Daarnaast biedt dit project nieuwe ontwikkelingen op het gebied van AI, aangezien nieuwe cognitieve-AI algoritmes ontwikkeld moeten worden die op basis van de leerdata bepalen of een leerling voldoende heeft geleerd om een “mastery-credit” te behalen. Daarnaast zullen algoritmes ontwikkeld moeten worden die kunnen detecteren wanneer bepaalde leerdata niet meer hoort bij de ingelogde student.
Nieuws
Januari 2024
Samen met de Universiteit van Nederland maakte Hedderik van Rijn een filmpje over waarom we moeten stoppen met toetsen. Bekijk het hier.
Maart 2024
Gesa van den Broek presenteerde de eerste resultaten van dit project tijdens de TeaP-conferentie in Regensburg, Duitsland. De eerste experimenten in het project onderzoeken hoe goed de ‘model-based mastery’ – assessment prestaties kan voorspellen op een toets de volgende dag, en of oefenen tot een hogere standaard van beheersing (mastery) leidt tot betere retentie. De eerste resultaten toonden aan dat deze beheersingsbeoordeling inderdaad een goede voorspelling kan maken van retentie op een volgende dag. Oefenen tot een hogere standaard van beheersing leidde ook tot betere retentie.
Blijf op de hoogte
Volg deze pagina en onze social mediakanalen om op de hoogte te blijven van de ontwikkelingen binnen het project.
