Digital kompetanse betyr stadig mer for både undervisning, forskning og yrkesliv. Men hva innebærer egentlig dette for høyere utdanning i «algoritmens tidsalder»?

Den nye stortingsmeldingen Kultur for kvalitet i høyere utdanning understreker viktigheten av digital kompetanse – spesielt nå når stordata (Big Data), kunstig intelligens (AI) og adaptive læringsverktøy gjør sitt inntog og man prøver å forstå hva dette betyr for både undervisning, forskning og yrkesliv. Men tar universiteter og høyskoler tilstrekkelig høyde for denne utviklingen?

Et bakteppe for noe av denne utviklingen er forskningen på intelligente veiledningssystem (Intelligent Tutor Systems) som siden 1970-tallet har prøvd å utvikle avanserte digitale lærings- og analyseverktøy for både forskning og undervisning. Interessen for dette er i dag svært stor internasjonalt og for eksempel ble det i 2008 investert 100 mill. (USA) i et adaptivt læringsverktøy basert på kunstig intelligens, stordata og psykometrisk testing som i dag er i bruk i norsk skole.

Slike adaptive læringsverktøy er enkelt sagt digitale lærings- og analyseverktøy hvor det er integrert avanserte «robotveiledere» som bidrar til et langt bredere og mer dyptgående bilde av elevers og studenters læringsprosess i sanntid – både fra underviseres og forskeres perspektiv - enn tradisjonelle digitale læringsverktøy.

Å kunne forstå og anvende slike adaptive læringsverktøy krever en digital kompetanse både for undervisningen og forskningen sin del – men også for å forebygge digitale skiller i høyere utdanning.

Å kunne forstå og anvende slike adaptive læringsverktøy krever en digital kompetanse både for undervisningen og forskningen sin del – men også for å forebygge digitale skiller i høyere utdanning. For internasjonalt stiller en del spørsmål om dette er «den nye oljen» hvor morgensdagens universiteter, undervisere og utdanningsforskere uten tilgang til denne type adaptive læringsverktøy blir det samme som en teoretisk fysiker som ikke har tilgang til CERN eller en genforsker uten tilgang til en Genom-database.

Dette både fordi disse verktøyene er såpass avanserte, samtidig som de genererer enorme mengder persondata i sanntid som utdanningsinstitusjonene (og ikke kommersielle tredjeparter) selv må kunne forvalte til å utdannings -og forskningsformål. I kjølevannet av dette må man også stille spørsmål ved om denne type adaptive læringsverktøy holder det de lover, de etiske sidene ved dem og om slike verktøy setter personvernmessig «turbo» på Jeremy Bentham’s og Michel Foucault’s panoptikon.

Hvordan fungerer så disse adaptive læringsverktøyene? Et forenklet eksempel fra hverdagslivet er at når vi i dag kjøper bøker, film og musikk gjennom Netflix, iTunes, Amazon osv., betaler vi på sett og vis både med penger og våre persondata, og blir eksponert for forslag til andre titler og utgaver fra det «anbefalingsmotorer» (basert på algoritmer) mener kan være aktuelle for oss (basert på andres og våre egne tidligere kjøp). For eksempel ble TV-serien «House of Cards» skapt ut fra våre strømmevaner på Netflix. 

Ser man på adaptive læringsverktøy i skolesammenheng bygger disse på noe av samme tenkningen ved at de prøver å etterligne hva en lærer gjør når han/hun veileder en elev og gir feedback ut fra «hvor skoen trykker». Det spesielle med adaptive læringsverktøy i norsk skole i dag er at de får inn sanntidsdata fra tusenvis av elever som gjør det mulig å registrere mønstre i elevers læringsprosesser som kan gi et viktig supplerende bilde til det lærere klarer å oppdage i klasserommene med det blotte øye.

Disse verktøyenes evne til «å lære å lære» og visualisere store, komplekse sanntidsdatamengder via «dashbord» gjør det derfor langt lettere for skoleledere og lærere i skolen å følge både klasser som helhet og hver elevs læringsprosess over tid, uten at de må være avanserte statistikere for å kunne tolke og anvende sanntidsdataene.Dette kan gi nye muligheter for lærere til å tilpasse undervisningen og få mer tid til individuell veiledning av elevene.

Hvilket bidrag gir adaptive læringsverktøy til utdanningsforskningen? 

Hvilket bidrag gir adaptive læringsverktøy til utdanningsforskningen? Internasjonalt ser man at utdanningssektoren i lengre tid har forvaltet omfattende datamengder som ikke har vært tilstrekkelig fulgt opp på analysefronten rent forskningsmessig.

Flere peker på at en vesentlig grunn til dette har vært mangelen på avanserte analyseverktøy og visualiseringsverktøy (dashbord) som kan gjøre store og komplekse datamengder tilgjengelig i sanntid for skoleforskere, skoleeiere, skoleledere, lærere og elever. Dette har hemmet noe av utdanningsforskningens potensiale, men også undervisningsmetodeutviklingen.

Derfor ser man at internasjonale komparative surveystudier har rådd grunnen og er viktige, men har sine begrensinger. For eksempel er skoledataene ofte samlet inn flere år før de blir publisert, de er i liten grad knyttet til lokal skolekontekst, de har bare utvalgte elever og fag, samt funnene i for liten grad når hovedaktørene i skolen (lærerne). Adaptive læringsverktøy kan derfor supplere tradisjonelle forskingsdesign ved at de er basert på sanntidsdata, går dypere rent analytisk, samt at kan bidra mer direkte inn mot lærerens undervisning (siden læreren selv er den som anvender de adaptive læringsverktøyene mest).

Hva viser så forskningen så langt omkring adaptive læringsverktøy? Det er mange ulike forskningsretninger knytt til dette området og fremdeles er forskningsfunnene noe sprikende av flere årsaker. Det er likevel verdt å løfte frem en metaanalyse fra 2014 som viste at intelligente veiledningssystem (ITS) ga bedre prestasjoner enn lærerstyrt storklasseundervisning, ikke-ITS undervisning, lærebøker og i forbindelse med lekser. Metaanalysen viste også at læreren er sentral i de fleste kontekster hvor ITS ble anvendt og hadde prestasjonsfremmende effekter.

Digital kompetanse er derfor nødvendig for å forstå hvordan adaptive læringsverktøy, stordata og kunstig intelligens påvirker undervisningen, læringen og forskningen i høyere utdanning.

Selv om adaptive læringsverktøy foreløpig er i sin spede begynnelse i høyere utdanning her til lands i dag, er det viktig at man vurderer denne utviklingen i lys av stortingsmeldingen Kultur for kvalitet i høyere utdanning. Både i denne og fra forskningen ser man at digital kompetanse kan sees på som en overførbar ferdighet (generisk kompetanse) som ikke bare er knyttet til enkeltfag, men på tvers av fag. Digital kompetanse er derfor nødvendig for å forstå hvordan adaptive læringsverktøy, stordata og kunstig intelligens påvirker undervisningen, læringen og forskningen i høyere utdanning.

På samme måte som digital kompetanse har vært en av fem grunnleggende kompetanser i grunnskolen siden 2006 er nå tiden inne for at også høyere utdanning løfter dette frem som en viktig generisk kompetanse. Det betyr en digital kompetanse som både er faglig orientert og som inkluderer en digital dømmekraft hvor kildekritikk, etikk, juridiske forhold og kritisk tenkning står sentralt. Som stortingsmeldingen selv utrykker det: «En må være i stand til å stille nye kritiske spørsmål: Kan noen hacke seg inn på pacemakeren min? Kan bruken av stordata forsterke skjevheter i samfunnet? Er det greit at Facebook filtrerer nyhetene jeg leser? Hvilke digitale kjennetegn skiller reelle og falske nyhetssaker på sosiale medier»?

I «algoritmens tidsalder» står man på mange måter med en fot i Aldous Huxleys Vidunderlige nye verden og en i George Orwells 1984-scenario. Studenter kan klare å håndtere denne kompleksiteten og være forberedt på et digitalisert yrkesliv hvor 90% av morgendagens yrker krever en IKT-kompetanse. Men det forutsetter at høyere utdanning tar høyde for stortingsmeldingen og gir digital kompetanse en langt tydeligere forankring enn den har hatt så langt. 

Litteraturhenvisninger

Krumsvik, R. J., & Røkenes, F. M. (2016). Learning Analytics i skole og høyere utdanning. I R. J. Krumsvik, Digital læring i skole og lærerutdanning (s. 274–319). Oslo: Universitetsforlaget.

Krumsvik, R.J & Jones, L.Ø (2017). Utdanningsledelse og digitale læringsformer i høyere utdanning. Uniped, 1 (40), 18-37. Hentet 20.03.2017 fra: https://www.idunn.no/uniped/2017/01/utdanningsledelse_og_digitale_laeringsformeri_hoeyere_utdanni

Ma, W., Adesope, O.O., Nesbit, J. C. & Liu, Q. (2014). Intelligent Tutoring Systems and Learning Outcomes: A Meta-Analysis. Journal of Educational Psychology, 4 (106), 901–918. Hentet 07.03.2015 fra: https://www.apa.org/pubs/journals/features/edu-a0037123.pdf