Learning analytics — wat meet je, wat niet, en waarom
Learning analytics geeft docenten inzicht in waar studenten staan, wat ze begrijpen en waar ze haperen. Maar meer data is niet automatisch beter — vanity metrics, privacy-risico's en reductie tot getallen zijn reële valkuilen. Dit artikel beschrijft welke data bruikbaar is, welke valkuilen er zijn, en hoe Lectame analytics op leerdoel-niveau biedt zonder student-identificatie.
Vier dimensies van bruikbare data
Deelname
Wie doet mee aan een sessie, wanneer haken ze af, hoeveel deelnemers per moment. Voor docent: weet je of je groep nog meedoet, op welke momenten de aandacht inzakt.
Antwoorden
Welke quizvragen worden vaak fout beantwoord, welke open vragen krijgen vergelijkbare antwoorden, welke concepten zijn lastig. Per leerdoel zie je het slagingspercentage.
Tijdsverloop
Hoe lang besteden studenten aan een slide, waar wordt teruggekeken, welke video-secties worden gerepeteerd. Voor zelfstandige leertrajecten waardevolle hint over waar moeite ontstaat.
Sentiment
Hoe denken studenten over het onderwerp — via woordwolken, ranking-vragen of sentiment-peilingen. Maakt zichtbaar wat in een gewoon college onzichtbaar blijft: de stille meerderheid.
De valkuilen
Vanity metrics. Een mooi dashboard met deelnemerstellingen, voltooi-percentages en gemiddelde scores is leuk, maar zegt vaak weinig. Vraag jezelf: wat doe ik met deze data? Als het antwoord onduidelijk is, meet je teveel.
Reductie tot getallen. Leren is meer dan slagingspercentages. Een student die 60% scoort kan een groter inzicht hebben gehad dan een student die 95% scoort op invuloefeningen. Data is een signaal, geen verhaal.
Privacy-erosie. Meer meten klinkt beter maar geeft snel ethische problemen. Voor minderjarige studenten geldt AVG strict — alleen meten wat je nodig hebt voor je didactisch doel, en niet meer.
Veelgestelde vragen
Wat zijn learning analytics?+
Learning analytics is het meten, verzamelen, analyseren en rapporteren van data over leerlingen of deelnemers en hun context, met als doel het begrijpen en optimaliseren van leerprocessen. Voor docenten praktisch: zien wie meedoet, welke vragen lastig zijn, en waar studenten haperen — input om je instructie bij te stellen.
Welke data is bruikbaar voor docenten?+
Vier dimensies. Deelname (wie doet mee, wanneer haakt af), Antwoorden (welke quizvragen vaak fout, welke concepten lastig), Tijdsverloop (hoe lang per slide, waar wordt opnieuw teruggekeken), en Sentiment (hoe denken studenten over het onderwerp). Niet alles meet je tegelijk — kies wat je inzicht oplevert voor je volgende les.
Wat zijn valkuilen van learning analytics?+
Drie grote valkuilen. (1) Vanity metrics — fancy dashboards zonder actionable inzicht. (2) Reductie tot getallen — leren is meer dan slagingspercentages. (3) Privacy-erosie — meer meten klinkt beter maar geeft snel ethische problemen. Stel jezelf altijd de vraag: "wat doe ik met deze data?" Als het antwoord onduidelijk is, meet je teveel.
Hoe gaat Lectame om met student-data?+
Studenten loggen niet in en geven geen persoonsgegevens af. Analytics is geaggregeerd: je ziet "8 van 15 fout antwoorden op vraag 3" — niet "Tom Jansen antwoordde fout". Voor scholen is dat een AVG-voordeel: geen identificeerbare studentdata in de docent-cockpit. Voor formele beoordeling (cijfers) gebruik je andere systemen.
Wat is het verschil tussen formatieve analytics en summatieve analytics?+
Formatieve analytics meten gedurende het leerproces — om bij te sturen. "Welke concepten zijn nu lastig?" Voorbeeld: live quiz-data tijdens een les. Summatieve analytics meten na het leerproces — om vast te stellen. "Heeft de student de leerdoelen behaald?" Voorbeeld: eindtoetsdata. Lectame focust op formatieve analytics; voor summatieve metingen koppelt je aan een LMS of cijfersysteem.
Hoe interpreteer ik analytics-data zonder te veel conclusies te trekken?+
Drie regels. (1) Trends boven incidenten — een vraag die één keer slecht ging zegt minder dan een vraag die structureel slecht gaat. (2) Combineer kwantitatief met kwalitatief — data zegt wat, niet waarom. Vraag studenten naar context. (3) Hypothese-driven — formuleer voorafgaand een vraag ("denken studenten dat X belangrijker is dan Y?") en interpreteer data daartegen, niet "fishing for insights".