💻 computer science

Toward a Metaphysics of Learning Analytics: Ontological Positioning of Data, Inference, and Normativity

Dit artikel stelt een metafysica van Learning Analytics vast door de ontologische identiteit ervan af te leiden uit interne principes, de aard van de data en agenten te verhelderen, en een onderscheid te maken tussen datagestuurde inferentie en normgeëmbbedde praktijken om de samensmelting van doel en operatie op te lossen.

Oorspronkelijke auteurs: Kensuke Takii

Gepubliceerd 2026-06-08

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kensuke Takii

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Waar gaat dit artikel over?

Stel je het vakgebied Learning Analytics (LA) voor als een bruisende stad die de afgelopen 15 jaar heel snel is gegroeid. Iedereen is bezig met het aanleggen van wegen, verkeerslichten en kaarten om mensen te helpen beter leren. Maar de auteur (Kensuke Takii) betoogt dat, terwijl iedereen druk is met bouwen, niemand heeft stilgestaan bij de vraag: "Waar is deze stad precies van gemaakt? Wat zijn de fundamentele regels van haar bestaan?"

Het artikel probeert de vraag te beantwoorden: "Wat is Learning Analytics eigenlijk?" door naar de "metafysica" ervan te kijken (de studie van wat bestaat en hoe dingen met elkaar samenhangen). De auteur probeert niet van buitenaf nieuwe regels uit te vinden; in plaats daarvan gedraagt hij zich als een archeoloog die door de bestaande definities en praktijken van LA graaft om de verborgen regels te vinden die het vakgebied al die tijd onbewust heeft gevolgen.

Kernconcepten uitgelegd met analogieën

1. Het "Nulde Principe": De Leerling is de Bron

De bewering van het artikel: Voordat er data kan bestaan, moet er een leerling bestaan. Data verschijnt niet zomaar uit het niets; het is een registratie van de acties van een leerling.
De analogie: Denk aan een voetafdruk in het zand.

De voetafdruk (de data) kan niet bestaan zonder de voet (de leerling).
Het artikel stelt dat de leerling de "ontologische voorwaarde" is. Je kunt de registratie niet hebben zonder de persoon die de registratie heeft gemaakt.
Waarom dit belangrijk is: Dit betekent dat de leerling het belangrijkste onderdeel van het systeem is, niet omdat we zo aardig voor hen willen zijn, maar omdat het systeem letterlijk niet kan functioneren zonder hen.

2. Data is Geen "Rauwe Waarheid"; Het is een "Geconstrueerde Kaart"

De bewering van het artikel: Data in LA is geen perfecte, neutrale spiegel van de werkelijkheid. Het is een "Formalized Constituted Record" (een geformaliseerde, geconstitueerde registratie). Dit betekent dat het een registratie is die is:

Geselecteerd: Iemand heeft besloten wat er geregistreerd wordt (bijv. "We houden inlogtijden bij, maar geen hartslag").
Geformaliseerd: Het is omgezet in een formaat dat een computer kan lezen.
De analogie: Denk aan een kok die een soep maakt.

De "leerervaring" is de hele oceaan aan beschikbare ingrediënten.
De "Data" is de specifieke kom soep die de kok serveert.
De kok (de systeemontwerper) heeft gekozen welke ingrediënten erin gaan en hoe ze gesneden worden.
De crux: De soep is heerlijk en nuttig, maar het is niet de hele oceaan. Als je naar de soep kijkt, kun je de hele oceaan niet zien. Het artikel waarschuwt ons om de soep (de data) niet te verwarren met de oceaan (de werkelijke leerervaring).

3. Het "Is/Ought"-probleem: De Kaart versus de Bestemming

De bewering van het artikel: Dit is het meest kritieke punt. Data kan je vertellen wat is (feiten), maar kan je niet vertellen wat moet zijn (waarden of regels).
De analogie: Denk aan een GPS-navigatiesysteem.

De Data (Is): De GPS weet dat je met 60 mph rijdt in een schoolzone. Het kan zeggen: "Je rijdt 60 mph."
De Norm (Ought): De GPS kan niet logischerwijs concluderen: "Daarom moet je langzamer rijden." Die regel komt van een menselijke bestuurder of een verkeerswet, niet van de GPS zelf.
De waarschuwing van het artikel: Veel huidige LA-systemen proberen te doen alsof de GPS ook de politieagent is. Ze kijken naar de data en zeggen: "Je loopt risico, dus je moet X doen." De auteur stelt dat dit een logische fout is. De data kan alleen het risico laten zien; een mens (een leraar of ouder) moet beslissen wat er met die informatie moet gebeuren.

4. De Acht Agenten: De Cast van Personages

Het artikel verdeelt de betrokkenen bij LA in acht verschillende rollen. Het is als een theaterproductie:

De Leerling: De acteur op het podium (de bron van het verhaal).
De Systeemontwerper: De regisseur die bepaalt waar het toneelstuk over gaat.
De Datacollector: De technicus die de actie vastlegt.
De Data-analist: De editor die de beelden bekijkt.
De Data-interpreter: De criticus die uitlegt wat de beelden betekenen.
De Data-communicator: De boodschapper die de resultaten aan anderen doorgeeft.
De Besluitvormer: Het publiek of de producent die beslist wat de volgende stap is op basis van het verhaal.
De Kennisvertaler: De persoon die het verhaal vanuit dit theater neemt en uitlegt aan een ander theater met een andere stijl.

Het punt: Het artikel stelt dat we deze rollen vaak door elkaar halen. Bijvoorbeeld, als de "Editor" (Analist) begint te beslissen wat de "Producent" (Besluitvormer) moet doen, raakt het systeem in de war.

5. Het Gevaar van "Norm-Embedded LA"

De bewering van het artikel: Sommige LA-systemen zijn "Norm-Embedded" (norm-ingebed). Dit betekent dat ze hun eigen regels binnen het proces van dataverzameling inbouwen.
De analogie: Stel je een thermostaat voor die bepaalt wie het koud heeft.

Een normale thermostaat meet alleen de temperatuur (Data).
Een "Norm-Embedded" thermostaat is geprogrammeerd met de regel: "Als de kamer onder de 70 graden is, faalt de persoon in het warm blijven."
Het artikel stelt dat dit gevaarlijk is. De thermostaat zou niet moeten bepalen wat "goede" warmte is; hij zou alleen de temperatuur moeten rapporteren. Als de thermostaat bepaalt wat "goed" is, negeert hij misschien andere belangrijke zaken (zoals luchtvochtigheid of tocht) omdat ze niet in zijn specifieke regel passen.
Het resultaat: Dit creëert een "spanning", omdat het systeem tegelijkertijd een spiegel wil zijn (feiten tonen) en een rechter (regels maken).

Waarom is dit belangrijk? (De Conclusie)

De auteur zegt niet dat Learning Analytics slecht is. Hij zegt dat het zijn plek moet kennen.

LA is de Kaart: Het is uitstekend in het laten zien waar we zijn, hoe snel we bewegen en waar de files staan.
Mensen zijn de Bestuurders: Leraren, leerlingen en beleidsmakers moeten beslissen waar we heen willen en welke regels we moeten volgen.

Het artikel betoogt dat wanneer we proberen de Kaart te laten vertellen waar we heen moeten (door morele regels in de data in te bedden), de Kaart ophoudt een goede Kaart te zijn. Het wordt bevooroordeeld en minder nuttig.

Kortom: Het artikel vra t Learning Analytics om op te houden met proberen een filosoof of een rechter te zijn. In plaats daarvan zou het een zeer duidelijke, eerlijke en nauwkeurige verslaggever van feiten moeten zijn. Laat de mensen die feiten gebruiken om de morele en educatieve beslissingen te nemen. Door deze rollen gescheiden te houden, wordt het vakgebied sterker, helderder en eerlijker.