Introductie: Max Mertens

learning-analytics | blog

Mijn naam is Max Mertens, data enthousiasteling, organisatiepsycholoog en op korte termijn onderwijswetenschapper. In november 2018 ben ik in contact gekomen met Next Learning Valley om de mogelijkheid tot een eindscriptie voor mijn Master te bespreken (zie onze eerdere blogpost). Na enkele maanden actief als ZZP’er bijgedragen te hebben bij de werkzaamheden van Next Learning Valley, mag ik sinds kort mijzelf ook officieel voorstellen als onderdeel van het team van Next Learning Valley. Vanuit de functie Consultant en Data Scientist adviseer en faciliteer ik organisaties bij de implementatie en optimalisatie van leerprocessen met moderne leer- en analysetechnologieën. Een perfecte kans én vervolg op mijn loopbaan tot dusver, zoals je zal kunnen lezen in de rest van deze blogpost! 

Mijn carrière is begonnen met de bachelor toegepaste psychologie, waarin ik mij heb kunnen ontwikkelen in het herkennen, voorspellen en beïnvloeden van onze gedragingen. Mede door centrale thema’s als psychodiagnostiek, coaching en talentontwikkeling heeft deze bachelor mij voorbereid om divers en diepgaand advies te leveren aan verschillende lagen in organisaties. Tevens is tijdens deze bachelor mijn voorliefde voor statistiek ontstaan. Zo heeft deze bachelor mij in staat gesteld om voor mijn scriptie een model te ontwikkelen om gedrag te voorspellen. Hierdoor kon ik de verkoopintentie van verkopers van tweedehandsvoertuigen meetbaar maken, waardoor het mogelijk werd om, door de waarschijnlijkheid dat een individu een verkoop finaliseert te herkennen en te classificeren, het verkooprendement te optimaliseren.

Tijdens mijn bachelor heb ik al een start kunnen maken met mijn Masterstudie, doordat ik de pre-master als vrije minor heb kunnen volgen. Hierdoor kon ik dan ook direct na het behalen van mijn bachelor een start maken met de Masteropleiding Educational Science and Technology. In deze studie werd ik uitgedaagd om vraagstukken omtrent onderwijs en human resource development op een empirische wijze te beantwoorden. Zeker zo belangrijk voor mij was dat ik tijdens mijn master kennis heb gemaakt met Next Learning Valley voor de uitvoering van mijn scriptie. Kernpunt van deze scriptie is dat ik machine learning algoritmes heb ingezet om volautomatisch de kwaliteit van interacties in sociale leeromgevingen te beoordelen.

Hier houden de plannen natuurlijk niet op. In de toekomst wordt dit algoritme verrijkt en geoptimaliseerd om enerzijds de kwaliteit van interacties op meerdere niveaus meetbaar te maken en om anderzijds deze informatie te visualiseren om daardoor organisaties in staat te stellen echte waarde uit een dergelijk inzicht te halen. Andere uitbreiding is dat de huidige versie van het algoritme enkel de cognitieve kwaliteit van interacties kan herkennen, waar het in de toekomst ook inzicht zal gaan geven in sociale en educatieve interacties.

Maar daar is het natuurlijk niet mee gedaan bij mijn start als werknemer bij Next Learning Valley! De komende periode mag ik veel advieswerk leveren en grote organisaties en onderwijsinstellingen, zoals KLM, Defensie, ABN AMRO en de Universiteit Maastricht ondersteunen in het verwezenlijken van hun behoeften omtrent data. Zodoende ben ik als deskundige in xAPI, LearningLocker en Learning Analytics onder andere betrokken bij het verwezenlijken van vernieuwingen in het onderwijs, het inrichten van een data-ecosysteem, het meetbaar maken van een transitie naar duurzaamheid en bij de ontwikkeling van een MOOC over Learning Analytics.

Naast dat ik de komende periode veel advieswerk zal leveren en organisaties zal ondersteunen in het verwezenlijken van hun behoeften omtrent data, ben ik ook actief aan de slag met de ontwikkeling van verschillende producten, waarvan ik er alvast twee mag onthullen! Het eerste product wat op korte termijn beschikbaar gesteld zal worden, betreft een flexibele certificeringstool die aan de hand van xAPI data uit LearningLocker volautomatisch certificaten kan generen en versturen. Hiermee kunnen niet alleen certificaten verstrekt (en verstuurd) worden indien iemand een module heeft voltooid, maar kunnen deze ook verrijkt worden met zaken zoals score, context en andere facetten die in xAPI statements zijn opgenomen.

Omdat CuratrLXP een sociaal leerplatform is, ontvangen we vaak vraagstukken omtrent de (kwaliteit) van interactiepatronen binnen de leeromgeving. Wij zijn dan ook actief aan de slag om een dergelijk inzicht te kunnen leveren! Ons antwoord is een krachtige tool waarmee we eenvoudig de interactiepatronen binnen online leeromgevingen kunnen inzien en analyseren. Naast dat een dergelijke netwerkanalyse de lerende kan informeren binnen welk cluster hij zich veelal beweegt, kan een netwerkanalyse ook moderatoren informeren over (de kwaliteit van) hun interactiepatronen! 

Dergelijke producten en vraagstukken komen natuurlijk niet zomaar van de grond en worden veelal geïnitieerd vanuit de behoefte om meer te doen met de overvloed van leerdata die vandaag de dag wordt vergaard. Hierbij zijn de mogelijkheden natuurlijk eindeloos, waardoor de behoeften vanuit organisaties centraal staan. Wat voor leer- of performancedata wordt er binnen jouw organisatie verzameld en welk inzicht zou jij hieruit willen vergaren? Graag ga ik hier met jou een (vrijblijvend) gesprek over aan! 

 

a2hs_explain
a2hs_tap
a2hs_then