Exhibition-Based Learning as a Promotion Model for Junior High School Art Club Curriculum Development

In de wereld van kunsteducatie begint het echte werk vaak op het moment dat een student een schilderij of beeldhouwwerk heeft voltooid: uitzoeken wat het betekent en hoe goed het is gemaakt. Traditioneel gezien is dit een diep menselijk proces, dat vertrouwt op het oog van een docent en het vermogen van een student om hun keuzes toe te lichten. Maar naarmate scholen proberen meer structuur aan te brengen in creatieve clubs, worden ze geconfronteerd met een lastig probleem. Hoe meet je iets zo subjectiefs als artistieke expressie op een manier die eerlijk, consistent en nuttig is voor het verbeteren van toekomstige lessen? Deze vraag bevindt zich op het snijvlak van kunst en technologie, waar onderzoekers onderzoeken of computers kunnen leren om niet alleen de visuele schoonheid van een werk te begrijpen, maar ook het verhaal erachter, de feedback van leeftjesgenoten en de context van de tentoonstelling zelf. Het doel is niet om de docent te vervangen, maar om een systeem te bouwen dat scholen helpt om succesvolle onderwijsmethoden te delen en ervoor zorgt dat de creatieve reis van elke student effectief wordt erkend en begeleid.

Een team van onderwijzers en onderzoekers in Xi'an, China, besloot deze uitdaging aan te gaan door een nieuwe manier te creëren om kunstclubs te runnen die draait om publieke tentoonstellingen. Ze werkten met 120 studenten van vier verschillende middelbare scholen gedurende een periode van veertien weken. In plaats van alleen kunst te maken en het in een map te stoppen, maakten deze studenten 240 kunstwerken rond het thema "Campusherinneringen en het stadsleven". Het proces was ontworpen als een volledige cirkel: studenten verkenden ideeën, maakten kunst, schreven beschrijvingen, beoordeelden elkaars werk en presenteerden hun stukken uiteindelijk aan een publiek. De onderzoekers verzamelden alles: foto's van de kunst, de geschreven beschrijvingen, de commentaren van andere studenten, de reacties van het publiek en de aantekeningen van de docenten. Ze voedden deze rijke mix van informatie vervolgens aan een computersysteem dat ontworpen is om te leren hoe het werk te evalueren.

Het systeem dat zij bouwden, werkt als een zorgvuldige waarnemer die tegelijkertijd naar veel verschillende aanwijzingen kijkt. Het staart niet alleen naar het plaatje; het leest de beschrijving van de student om te zien of de kunst overeenkomt met het thema, het controleert de beoordelingen van leeftjesgenoten om te zien hoe goed de student zijn ideeën heeft uitgelegd, en het houdt rekening met de reactie van het publiek. De computer gebruikt een gespecialiseerde methode om deze verschillende stukken informatie te wegen, waarbij het leert welke aanwijzingen het belangrijkst zijn voor een specifief project van een student. Als bijvoorbeeld de kunst van een student visueel sterk is maar de beschrijving verwarrend, merkt het systeem dit gat op. Als het publiek verward is, signaleert het systeem dit. Door deze verschillende soorten feedback te combineren, genereert de computer een score die de volledige ervaring van het creëren en delen van de kunst weerspiegelt, in plaats van alleen het uiteindelijke beeld.

Toen de onderzoekers dit nieuwe systeem testten, ontdekten ze dat het beter werkte dan andere bestaande methoden die voornamelijk vertrouwen op het bekijken van het beeld of het lezen van de tekst. De scores van de computer lagen veel dichter bij de scores die door menselijke kunstdocenten werden gegeven, met een nauwkeurigheid die suggereerde dat het betrouwbaar de sterke en zwakke punten in het werk van een student kon opsporen. Belangrijker nog, het systeem hielp docenten tijd te besparen. Door de initiële beoordeling af te handelen en alleen de meest moeilijke gevallen door te geven voor menselijke beoordeling, daalde de tijd die docenten aan elk stuk werk besteedden aanzienlijk. Het systeem bleek ook in staat te zijn om zich aan te passen aan verschillende scholen. Wanneer de onderzoekers het testten op een school die ze nog niet eerder hadden gezien, pasten ze de instellingen aan om rekening te houden met verschillen in materialen en ruimte, en het systeem slaagde er nog steeds in om het werk van de studenten effectief af te stemmen op de cursusdoelen.

De studie toonde aan dat deze aanpak scholen kan helpen om hun beste praktijken te delen. Door een gemeenschappelijke manier te gebruiken om te evalueren en onderwerpen aan te bevelen, kan een school met minder middelen nog steeds een succesvolle kunstclub runnen door een pad te volgen dat elders is getest. De onderzoekers ontdekten dat wanneer zij de moeilijkheidsgraad van taken en het type ondersteuning aanpasten op basis van de specifieke situatie van de school, studenten eerder hun projecten afmaakten en betrokken bleven bij het thema. De onderzoekers waren echter voorzichtig om te vermelden dat dit een specifieke test was met een beperkt aantal studenten en scholen. Hoewel de resultaten veelbelovend waren en het systeem goed werkte in deze stedelijke middelbare schoolomgevingen, beweerden zij niet dat het een perfecte oplossing is voor elke school ter wereld. Het werk suggereert dat met meer testen bij verschillende soorten scholen en regio's, dit model van het gebruik van tentoonstellingen en slimme feedback een krachtig hulpmiddel kan worden om kunsteducatie consistenter en ondersteunender te maken voor iedereen.