Despite the promises of learning analytics and the existence of several learning analytics implementation frameworks, the large-scale adoption of learning analytics within higher educational institutions remains low. Extant frameworks either focus on a specific element of learning analytics implementation, for example, policy or privacy, or lack operationalization of the organizational capabilities necessary for successful deployment. Therefore, this literature review addresses the research question “What capabilities for the successful adoption of learning analytics can be identified in existing literature on big data analytics, business analytics, and learning analytics?” Our research is grounded in resource-based view theory and we extend the scope beyond the field of learning analytics and include capability frameworks for the more mature research fields of big data analytics and business analytics. This paper’s contribution is twofold: 1) it provides a literature review on known capabilities for big data analytics, business analytics, and learning analytics and 2) it introduces a capability model to support the implementation and uptake of learning analytics. During our study, we identified and analyzed 15 key studies. By synthesizing the results, we found 34 organizational capabilities important to the adoption of analytical activities within an institution and provide 461 ways to operationalize these capabilities. Five categories of capabilities can be distinguished – Data, Management, People, Technology, and Privacy & Ethics. Capabilities presently absent from existing learning analytics frameworks concern sourcing and integration, market, knowledge, training, automation, and connectivity. Based on the results of the review, we present the Learning Analytics Capability Model: a model that provides senior management and policymakers with concrete operationalizations to build the necessary capabilities for successful learning analytics adoption.
MULTIFILE
From the article: "The educational domain is momentarily witnessing the emergence of learning analytics – a form of data analytics within educational institutes. Implementation of learning analytics tools, however, is not a trivial process. This research-in-progress focuses on the experimental implementation of a learning analytics tool in the virtual learning environment and educational processes of a case organization – a major Dutch university of applied sciences. The experiment is performed in two phases: the first phase led to insights in the dynamics associated with implementing such tool in a practical setting. The second – yet to be conducted – phase will provide insights in the use of pedagogical interventions based on learning analytics. In the first phase, several technical issues emerged, as well as the need to include more data (sources) in order to get a more complete picture of actual learning behavior. Moreover, self-selection bias is identified as a potential threat to future learning analytics endeavors when data collection and analysis requires learners to opt in."
DOCUMENT
Deze whitepaper is een vervolg op deze eerdere reeks over People Analytics en bespreekt de nieuwste trends. Inhoud: • Inleiding 1. Medewerkerswelzijn krijgt meer aandacht 2. HR Analytics wordt People Analytics 3. Het inzicht groeit dat People Analytics geen kant-en-klare oplossingen levert 4. De kloof tussen de vaardigheden en ambities wordt minder groot 5. Analyticsteams herbergen steeds meer expertise 6. Meer data worden gekwantificeerd 7. Steeds meer data worden van buiten de organisatie betrokken 8. Kunstmatige intelligentie kan voor onverwachte inzichten zorgen 9. Het aantal interne databronnen neemt toe 10. Er komt meer aandacht voor privacybescherming • Conclusie
DOCUMENT
Het analyseren van grote gegevensbestanden om de kwaliteit van het onderwijs te verbeteren is een hot item. De toepassing van learning analytics kan het onderwijs verbeteren. Wij doen onderzoek naar learning analytics en de vaardigheden die gebruikers daarbij nodig hebben.Doel Wij onderzoeken wat de gevolgen zijn van databewerking op de uitkomsten van learning analytics. En welke vaardigheden hebben gebruikers nodig om deze systemen zinvol te gebruiken? Learning analytics Learning analytics is het meten, verzamelen, analyseren en rapporteren van data van studenten en hun omgeving om het leren en de leeromgeving te begrijpen en te verbeteren. Het gebruik van learning analyticssystemen Het realiseren van grote delen van de onderwijsvisie van Hogeschool Utrecht is sterk verbonden met de succesvolle uitvoering van analyses op studentniveau. Het gebruik van learning analyticssystemen is niet vanzelfsprekend. De ontwerpers en ontwikkelaars van deze systemen moeten helder zijn over hun ontwerpkeuzes (zoals manieren van databewerking en de werking van algoritmes). Anderzijds moeten studenten en docenten beschikken over datavaardigheden om deze systemen op een zinvolle manier te gebruiken. Resultaten Dit onderzoek loopt. Na afloop vind je hier een samenvatting van de resultaten. In juli 2019 verscheen het volgende artikel van de onderzoekers: Automated Feedback for Workplace Learning in Higher Education. Looptijd 01 september 2017 - 31 december 2020 Aanpak We hebben eerst verkennend onderzoek gedaan door een case study waarin onderzocht is wat de effecten zijn van verschillende keuzes in de data cleaning op de uitkomsten van de data-analyse. Vanaf september 2019 gaan we onderzoeken welke datavaardigheden studenten nodig hebben om learning analytics-systemen effectief te gebruiken.
De analyse van data over het leren van studenten kan waardevol zijn. 'Learning analytics' gebruikt studentdata om het leerproces te verbeteren. Welke organisatorische vaardigheden hebben Nederlandse instellingen voor hoger onderwijs nodig om learning analytics succesvol in te zetten?Doel We onderzoeken welke organisatievaardigheden er nodig zijn om in het hoger onderwijs met 'learning analytics' te werken. Met learning analytics krijgen studenten, docenten en studiebegeleiders inzicht in het leerproces. Dit doen ze door data van studenten te analyseren. In de praktijk blijkt het lastig voor onderwijsinstellingen om hier over de hele breedte van de organisatie mee te gaan werken. We kijken in dit onderzoek welke vaardigheden er nodig zijn binnen een organisatie om 'learning analytics' slim in te zetten. Resultaten Dit onderzoek loopt. Tot nu toe hebben we drie wetenschappelijke artikelen gepubliceerd: A First Step Towards Learning Analytics: Implementing an Experimental Learning Analytics Tool Where is the learning in learning analytics? A systematic literature review to identify measures of affected learning From Dirty Data to Multiple Versions of Truth: How Different Choices in Data Cleaning Lead to Different Learning Analytics Outcomes Looptijd 01 december 2016 - 01 december 2020 Aanpak Het onderzoek bestaat uit literatuuronderzoek, een case study bij Nederlandse onderwijsinstellingen en een validatieproject. Dit leidt tot de ontwikkeling van een Learning Analytics Capability Model (LACM): een model dat beschrijft welke organisatorische vaardigheden nodig zijn om learning analytics in de praktijk toe te passen.
In een A.I.-gedreven toekomst, waarin mens-machine interactie een centrale positie inneemt, hebben creatieve professionals (bijv. communicatie-professionals, ontwerpers, contentspecialisten) een belangrijke rol te vervullen. Hun kennis en vaardigheden op het gebied van interpersoonlijke communicatie en (interaction)design zijn van grote waarde om A.I.-oplossingen te ontwikkelen die behulpzaam, natuurlijk en overtuigend zijn in de interactie met mensen. Om deze rol te claimen moeten creatieve professionals wél nieuwe kennis en vaardigheden ontwikkelen op het gebied van A.I., wat voor velen een grote uitdaging is. In het project “Say hi to A.I.” wordt een consortium op de been gebracht van mkb-bedrijven die pioniers zijn in het ontwikkelen van A.I.-toepassingen voor communicatiedoeleinden. Een gezamenlijke ambitie is om de positie van creatieve professionals te versterken in een A.I.-gedreven toekomst. Met een multi-method opzet onderzoeken we waar creatieve professionals staan in de (strategische) adoptie van A.I., hoe zij toepassingen van A.I. effectief (kunnen) inzetten en integreren met de menselijke maat, en wat dat aan nieuwe kennis en vaardigheden vraagt. Dat doen we in relatie tot drie toepassingsgebieden van A.I. binnen communicatieprocessen: (1) contentcreatie, (2) interactie, en (3) analytics. Op basis van ontwikkelde inzichten wordt een kennisagenda opgesteld voor een vervolgaanvraag. Ook wordt met deze inzichten toekomstbestendige beroepsprofielen ontwikkeld, om zo een impuls te geven aan (1) de verdere professionalisering van bestaande beroepen binnen de creatieve industrie die zich bezighouden met het vormgeven van interacties tussen mensen, producten en organisaties en (2) de ontwikkeling van hybrid jobs die ontstaan op het grensvlak van A.I., communicatie en design, die om interdisciplinaire kennis en vaardigheden vragen. Resultaten worden gedeeld via publicaties en workshops die professionals, studenten docenten en onderzoekers bijeenbrengt op dit thema om innovatie te stimuleren in de beroepspraktijk en het onderwijs.
