Onderwijs: was dat niet iets met een docent en een stel leerlingen in een klaslokaal? Dit zou zomaar eens een vraag uit de nabije toekomst kunnen zijn. Nieuwe computersystemen die de leerprestaties van leerlingen nauwkeurig meten, voorspellen en sturen, veranderen het karakter van het onderwijs. Dat biedt mogelijkheden, maar draagt ook risico's met zich mee. In de Privacyrede 2016 stelt datajurist prof. dr. Mireille Hildebrandt (Vrije Universiteit Brussel, RUN) dat het van groot belang is om de privacy van kinderen niet uit het oog te verliezen. “We moeten de systemen zo inzetten dat ze de vrijheid van leerlingen vergroten in plaats van beperken.”
Machine Learning
Aan de basis van de ontwikkelingen in het onderwijs staat een manier van leren die men in de computerwetenschappen “machinaal leren” noemt. Aan de hand van voortdurende input van gegevens kunnen computersystemen patronen ontdekken en testen, om vervolgens hun eigen prestaties bij een bepaalde taak te kunnen verbeteren. Een computer leert zichzelf op die manier steeds beter leren, totdat hij, zoals bijvoorbeeld IBM's Watson, een tv-quiz kan winnen.
Die technologie wordt tegenwoordig ook gebruikt om inzicht te krijgen in het leergedrag van mensen, met name in het onderwijs. Computers leren hoe wij leren en helpen ons vervolgens beter te worden. Ze sturen zo ons leerproces. Op basis van data van een leerling wordt een bepaalde voorspelling gedaan over zijn of haar leerprestaties. Ongewenst of minder productief leergedrag kan dan snel worden aangepakt, waardoor de voorspelling steeds beter zal worden. Momenteel voorzien volgsystemen als Magister (voortgezet onderwijs) en Blackboard (middelbaar- en hoger onderwijs) al in die behoefte aan data. Zij bieden de mogelijkheid om de ontwikkeling van een leerling nauwlettend in de gaten te houden en eventuele leerproblemen aan te pakken.
Hadden we vroeger rapporten en wat aantekeningen van de juf of meester, in de toekomst zullen er gigabytes aan data beschikbaar zijn van leerlingen. Niet alleen aanwezigheid kan worden bijgehouden, maar denk bijvoorbeeld ook aan eye-tracking tijdens het lezen. Al die data is bruikbaar voor het voorspellen van de prestaties van leerlingen en om in een vroegtijdig stadium alarmbellen te laten afgaan bij een mogelijke achterstand. De vraag blijft hoe betrouwbaar die systemen zijn en of we ons daardoor moeten laten leiden.
Privacy
Volgens Hildebrandt moeten we ook de gevolgen van dit soort systemen voor de privacy van leerlingen niet onderschatten. Ze hanteert een brede definitie van privacy als de mogelijkheid om vrij van onredelijke beperkingen een eigen identiteit te ontwikkelen. In een systeem waarin leerlingen voortdurend worden gemeten, beoordeeld en getraind om maar zo hoog mogelijke scores te halen is die vrijheid onmogelijk te waarborgen. Leerlingen worden subtiel tot brave, productieve burgers en consumenten gesmeed, zonder dat ze daar zeggenschap over hebben. Zelf al lerende je identiteit ontwikkelen, met vallen en opstaan, is er niet meer bij. “De menselijke maat verdwijnt,” aldus Hildebrandt.
Maar hoe doen we dat, die autonomie bewaken? Een probleem is dat mensen vaak helemaal niet weten hoe Big Data en algoritmes werken. Het zijn veelal onzichtbare processen, waarbij niet duidelijk is welke data door wie en voor welke doeleinden worden gebruikt. Dat moet veranderen, stelt Hildebrandt. De leerdoelen van elektronische onderwijsomgevingen moeten helder zijn en leerling, ouder en docent moeten inzicht krijgen in de manier waarop data worden gebruikt en gecombineerd. Makkelijker gezegd dan gedaan. Op fundamenteel niveau betekent dit dat we mensen moeten gaan trainen in de kunst van het programmeren, zodat we uiteindelijk allemaal kunnen meepraten over de manier waarop we data in het onderwijs willen gebruiken. De systemen leren ons kennen, maar wij moeten hen ook leren kennen. Anders lopen we straks achter de feiten aan.
