Versterk de docent met MATE

Ik schreef er nog niet eerder over, maar ik ben bezig met een afstudeeronderwerp waarbij een massale hoeveelheid ICT wordt ingezet tijdens de les, om de docent te ondersteunen in het lesgeven. De faciliteit heet MATE: Massively Assisted Teacher Environment. Waarbij dan vooral gemikt wordt op talentontwikkeling per student, terwijl die in een groep studenten zit, vol diversiteit omdat elke student anders is.

Iedere student is anders

Elke student loopt een eigen talentontwikkelpad en als docent mik je dan op exact de juiste interventie inzetten op het beste moment om een talentmoment op te wekken. Om dat per student allemaal goed in het hoofd te houden, is nogal een uitdaging. Dat kan goed ondersteund worden met toepasselijke ICT.

Daar is dan wel veel ICT bij nodig, maar laat dat even geen bezwaar zijn.

Ondersteun de docent

De docent krijgt in deze MATE-omgeving adviezen over het verlenen van autonomie (op de vlakken procedureel, organisatorisch en cognitief – volgens Smit e.a., 2012). Ik wil onderzoeken hoe die adviezen zo goed mogelijk per student aangepast kunnen worden. De leeractiviteiten van de student worden zo ingestoken dat elke student een eigen scaffolding-stap aangeboden krijgt, die zo groot is dat deze optimaal past bij de near zone of proximal development van die student. Belangrijk is dan om de beste leerstap te bepalen tijdens de les. Dat kan door data over de student te verzamelen terwijl de les loopt (volgens Inquiry-Based Science: Turning Teachable Moments into Learnable Moments – Berit S. Haug, 2013).

MATE: Massively Assisted Teacher Environment

De lessen worden op video opgenomen, waarbij zowel studenten (liefst alle) en de docent opgenomen worden. Zodat deze video real time geanalyseerd kan worden op gezichtsuitdrukkingen (emoties) en indicaties van leermoeilijkheden (leerdrempels). Want dan is op dat moment een interventie door de docent gewenst om een leermoment of talentmoment op te wekken.

De analyse van de video gebeurt niet achteraf, maar terwijl de les loopt. De onderzoeksvariabelen zijn onder andere: emotie die afgelezen kan worden van het gezicht van de student, leertempo/progressie (wordt er nog wel gewerkt) en leerdrempel detectie (door gedrag/uiting/verzoek van de student).

De docent heeft toegang tot deze gegevens tijdens de les en krijgt extreem korte samenvattingen ervan geprojecteerd aan de binnenkant van de bril. Intel is daar druk mee bezig en het heet Vaunt. Denk aan: naam student, analyseresultaat en interventiesuggestie.

ICT Faciliteiten

Er is een meerkanaalsvideoopnamefaciliteit nodig (bij een klas van 20 studenten zijn dat 21 kanalen, ook eentje voor de docent). Ook is real time analyse van gezichtsuitdrukking van de student gewenst.

De docent heeft een bril nodig waarin gegevens geprojecteerd kunnen worden.

Van de docent is een transcriptie-automaat nodig die gesproken woorden omzet naar tekst voor analyse van het leerrendement (die analyse kan pas achteraf, als de les klaar is).

Zin in?

Lijkt het jou wat om dit toe te passen? Of denk je er heel wat anders van, want er wordt wel veel opgenomen en geanalyseerd tijdens de les…

Vaunt | www.talentontwikkelingendiversiteit.nl

 

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *