Bölüm 23 Öğrenme ve Çalışma: Mesleki Öğrenme Analitiği

Allison Littlejohn

Eğitim Teknolojileri Enstitüsü, Açık Üniversite, Birleşik Krallık

DOI: 10.18608/hla17.023

ÖZ

Mesleki öğrenme, mesleki faaliyetler, yaygın eğitim ve örgün eğitim gibi farklı türlerde olabilir. Çalışanlar ağa bağlı farklı çalışma ortamlarında iş birliği yaparken değişik şekillerde dijital ayak izleri ve “özel ilişkileri”ne ilişkin veriler bırakırlar. Bu veriler çalışanların öğrenmelerini desteklemek amacıyla hem örgün hem de yaygın öğrenme süreçlerini izlenebilir ve görünür kılmak için öğrenme analitiğinde (ÖA) kullanılabilir. Bu bölüm, mesleki öğrenme analitiği (MÖA) için bir vizyon ortaya koyarak ve çalışma ortamlarında fiilen uygulanan analitik örneklerini çözümleyerek çalışanların nasıl öğrendiklerinin göz önünde bulundurulduğu, mesleki öğrenme analitiklerinde gelinen son noktayı incelemektedir. ÖA, duygusal ve motivasyonel öğrenme konularının yanı sıra teknik ve pratik uzmanlığı da ele alabilir; bireysel öğrenme faaliyetlerini kurumsal öğrenme hedeflerine göre akıllıca düzenleyebilir. MÖA gelecekteki öğrenme ve çalışma için bir temel oluşturmak üzere ayarlanmıştır.

Anahtar Kelimeler: Mesleki öğrenme, örgün eğitim, yaygın eğitim

Mesleki öğrenme, sürekli iyileştirme, yenilikçilik ve iş için yeni uygulamaların benimsenmesinin kritik bir bileşenidir (Boud ve Garrick, 1999; Fuller vd., 2003; Engestrom, 2008). Belirsiz bir iş ortamında, kuruluşların sürekli değişim ile başa çıkmaları için sürekli öğrenebilmeleri gerekir (IBM, 2008). Mesleki öğrenme, örgün eğitimden meslektaşlarla yapılan görüşmelere, iş etkinlikleri yoluyla gerçekleşen resmî olmayan eğitime kadar değişen farklı biçimlerde (Eraut, 2004; Fuller vd., 2003) şekillenir. Bu eylemler, profesyonel öğrenme ve gelişimi iyileştirmek için kullanılabilecek çeşitli veriler üreten farklı öğrenme bağlamları olarak algılanabilir (Billett, 2004; Littlejohn, Milligan ve Margaryan, 2012). Günümüz işyerlerinde, çalışanlar, dijital kaynakları kullanarak, çeşitli dijital izler ve “tıklama” verileri bırakarak ağa bağlı ortamlarda iş birliği yapma eğilimindedir. Bu farklı veri türlerinin analizi potansiyel olarak, çalışanların çok çeşitli öğrenme ve uyarlama tarzlarını geliştirerek ve destekleyerek işlevsel verimliliği artırmak için güçlü bir yol sağlar.

Son birkaç yıldır, işverenler, çalışan eğitiminin desteklenmesi ve geliştirilmesinde öğrenme analitiği potansiyelinin farkındadırlar (Buckingham Shum ve Ferguson, 2012). Öğrenme analitiği (ÖA), “öğrenmeyi ve gerçekleştiği ortamları anlamak ve onların verimini artırmak amacıyla, öğrenenler ve durumları hakkındaki verilerin ölçümü, toplanması, analizi ve raporlanması”nı amaçlayan, ortaya çıkmakta olan metodolojik ve çok disiplinli bir araştırma alanıdır (Siemens ve Long, 2011, s. 34).

Eğitimde ÖA’nın vizyonu, öğrenmeyi desteklemek için veriyi ve uyarlanabilir pedagoji modellerini güçlendirebilecek çok yönlü sistemlerdir (Baker, 2016; Berendt, Vuorikari, Littlejohn ve Margaryan, 2014). Bu sistemler, öğrenenlerin hedeflerine ulaşmalarını desteklemek için dijital öğrenme etkinliğinin bir yan ürünü olarak üretilen büyük miktardaki verileri işler (Ferguson, 2012). Bununla birlikte, üniversite eğitiminde kullanılmak üzere geliştirilen sistemler, yükseköğrenimin maliyeti ile ilgili kaygılara ve kazanımların etkililiğine odaklanmasıyla çok daha basit hale gelmiştir (Nistor, Derntl ve Klamma, 2015; HEC Report, 2016). Birçok ÖA sistemi, öğrenenin “okulu bırakma riski altında olup olmadığını” tahmin etmek için her bir öğrenenin profilini analiz eden kestirimci modellere dayanmaktadır (Siemens ve Long, 2011, s. 36; Wolff, Zdrahal, Nikolov ve Pantucek, 2013; Berendt vd.,2014; Nistor vd., 2015). Bu veriler daha sonra çeşitli gösterge panelleri aracılığı ile öğrenenlere veya öğretmenlere sunulur. Mevcut araştırmalar, bu geri bildirimleri takip etmek için gerçekleştirilen eylemlere odaklanmaktadır (Rienties vd., 2016).

Eğitim ortamlarında, ders hedefleri öğrenmenin odağıdır. Ancak örgütsel ortamlarda proje hedefleri ve örgütsel hedeflere göre öğrenme süreçleri uyumlu hale getirilmelidir (Kimmerle, Cress ve Held, 2010). Öğrenme, genellikle bir insan kaynakları bölümü tarafından denetlenen yıllık performans inceleme süreçleri etrafında planlanma eğilimindedir. Bu tür sistemler, büyük grupların standart iş görevlerinin olduğu ve benzer geliştirme etkinlikleri planladıkları örgütlerde iyi çalışır.

Bununla birlikte, birçok kuruluşta, iş rollerinde benzersiz ve kişiselleştirilmiş gelişim planlaması gerektiren bir uzmanlaşmaya gidilmektedir. Bu durumlarda, hedeflerin ve önceliklerin başlangıçtan itibaren planlandığı ve sıralandığı “yukarıdan aşağıya” planlama modelleri etkili olmayabilir. Bazı kuruluşlar, kurumsal sistemleri kullanan yukarıdan aşağıya ve kişiselleştirilmiş gelişim planlamasından, teknolojilerin kullanımını temel alan iş birliğine dayalı etkinlik planlamasına, proje ekiplerinin zaman içinde projenin yönünü değiştirme takdirine sahip olduğu “akıllı” veya “çevik bir şekilde” gelişim planlamasına doğru kaymaktadır (Clow, 2013). Bu gelişim hedeflerinin her gelişim döngüsünün başında planlanamayacağı anlamına gelir; her proje ilerledikçe yeni ve gelişen öncelikler ortaya çıkmaktadır. Çevik planlama sistemleri, insanların yeni iş görevleri için bu görevler ortaya çıkarken ihtiyaç duydukları bilgileri edindikleri yerde, tam zamanında ve uyarlanabilir öğrenmeyi gerektirir. Bununla birlikte, bu, profesyonellerin, işle ilgili görevleri geliştikçe öğrenme önceliklerini değiştirerek kendi öğrenme ve gelişimlerini planlama ve öz düzenleme yapabilmeleri gerektiği anlamına gelir (Littlejohn vd., 2012).

PROFESYONELLER NASIL ÖĞRENİR

Eğitim ortamlarında öğrenme, her bir öğrenenin kazanımları ve açık pedagojik modellerine odaklanma eğilimindedir. Ancak mesleki öğrenme, işe yönelik görev talepleri tarafından yönlendirilir ve iş süreçleriyle iç içedir (Eraut, 2000). “Mesleki öğrenme” ile profesyonellerin düşünme ve mesleki bilgilerini teşvik etmek, iş performansını geliştirmek ve uygulamanın bilgilendirilmiş ve güncel olmasını sağlamak için katıldığı faaliyetler anlamına gelir (Littlejohn ve Margaryan, 2013, s. 2).

Profesyoneller öğrenmeyi uygulamalı eğitim veya örgün öğrenme olarak düşünme eğilimindedir (Eraut, 2000). Ancak mesleki öğrenmenin işe yönelik görevlerle bütünleştiğinde daha etkili olduğuna dair kanıtlar da artmaktadır (bk. örneğin, Collin, 2008; Tynjala, 2008; Fuller ve Unwin, 2004; Eraut, 2004). Bu tür bir öğrenmenin günlük iş görevlerinden ayırt edilmesi zordur, bu nedenle profesyoneller öğrenme örneklerini fark edemeyebilir (Argyris ve Schon, 1974; Engestrom, 1999).

Eraut’un çalışması (2004), özellikle meslek içi öğrenmeyi “amaçlı” ve planlanmış veya “amaçsız” ve hali hazırdaki duruma uygun olarak tanımladığı iş başı öğrenmenin önemi ön plana çıkarır. Tynjala’ya (2008) göre, amaçlı öğrenme önceden planlanmış ve örgün öğrenme olarak yapılandırılmış olabilir (ör. mezuniyet programları, sınıf eğitimi, pratik atölyeler, koçluk veya mentorluk vb.); diğer formların (ör. bir iş arkadaşından yardım istemek veya bir uzmanın bir görevi yerine getirmesini izlemek vb.) ayırt edilmesi daha zordur. Öğrenme, iş faaliyetinin “amaçlanmamış” bir sonucu olarak ortaya çıkabilir (Eraut, 2000). Finans kuruluşundaki bir yönetici, dünya çapındaki şubelerden yeni meslektaşlar ekibine katılırken kültürlerarası yetkinliklerini zaman içinde artırabilir (Littlejohn ve Hood, 2016). Profesyoneller, uygulamalarının zaman içinde nasıl geliştiğini yansıtana kadar bu tür deneysel öğrenmenin farkında olmayabilirler. Bu farklı mesleki öğrenme biçimleri, Şekil 23.1’deki tipolojide gösterilmektedir.

Şekil 23.1. Eraut (2000, 2004) tarafından belirtilen mesleki öğrenme tipolojisi.

Şekil 23.1’de farklı bilgi türlerinin gelişimini kolaylaştıran öğrenmeye yönelik farklı yaklaşımlar gösterilmiştir (Tynjala ve Gijbels, 2012; Littlejohn ve Hood, 2016). Örneğin eğitim ve uygulamalı öğretim teorik ve pratik bilgi öğrenmeye odaklanırken, koçluk ve mentorluk sosyo-kültürel ve öz yönetimli bilgileri öğrenme fırsatları sağlar. Tüm bu bilgi türleri, iş için yeni uygulamaların benimsenmesi için kritik öneme sahiptir. Uygulamadaki değişim, kavramsal ve pratik bilginin oluşturulmasının yanı sıra sosyo-kültürel ve öz yönetimli bilginin gelişimini gerektirir (Eraut, 2007). Çoklu bilgi türlerinin inşası, informal (yapılandırılmamış, iş başında) öğrenme ile formal (yapılandırılmış, önceden planlanmış) öğrenme etkinliklerinin bir araya getirilmesiyle elde edilir (Harteis ve Billett, 2008). Bu nedenle, işyeri öğrenmesi, belirli bir işyerinin imkânları ile birlikte, bu imkânların bireyin sahip olduğu beceri ve motivasyonla ilişkilendirilmesi (Billett, 2004; Fuller ve Unwin, 2004) ile şekillenen karşılıklı bir süreç (Billett, 2004) olarak çalışır.

Mesleki öğrenme süreçleri, eğitim ortamlarında olduğundan daha dinamiktir; yaygın öğrenme etkinlikleri kendiliğindendir ve çoğunlukla diğerleri için görünür değildir. Bu ÖA alanı için zorluklar ve fırsatlar sunmaktadır.

MESLEKİ ÖĞRENME ANALİTİĞİ İÇİN BİR VİZYON

Profesyonel bağlamlarda ÖA için temel vizyon, her bir uzmana ihtiyaç duydukları bilgiyle bağlantı kurmak için hem formal hem de informal öğrenme süreçlerini izlenebilir ve daha açık hale getirmektir (Littlejohn vd., 2012; de Laat ve Schreurs, 2013). Bu vizyon, her bir profesyonelin, ilgili bilgi ve deneyimleri bulmak için insanlarla ve ağlarla bağlantı kurarak kolektif bilgiye bağlandığı ve katkıda bulunduğu karşılıklı destek sistemine dayanmaktadır; bu bilgiyi kullanmak veya tüketmek, süreç içinde topluluğa katkı sunacak geri dönen yeni bilgiler oluşturmaktır (Milligan, Littlejohn ve Margaryan, 2014). Bu eylemler, başlangıçta kişisel fayda tarafından motive edilmesiyle ortaya çıkan bireysel faaliyetlerin yan ürünlerinden seçici olarak biriktirilen yeniden kullanılabilir bilgiler aracılığıyla ortak bir sermaye yaratır (Convertino, Grasso, DiMicco, De Michelis ve Chi, 2010, s. 15). Bu eylemler “başlangıçta kişisel fayda tarafından motive edilmesiyle ortaya çıkan bireysel faaliyetlerin yan ürünlerinden seçici olarak biriktirilen yeniden kullanılabilir bilgiler aracılığıyla ortak bir sermaye” yaratan bir dizi algoritma, veri madenciliği mekanizması ve analitikler tarafından desteklenecektir (Convertino vd., 2010, s. 15).

Mesleki öğrenme, öğrenenin kolektif bilgi ve çevresi ile bağlantı kurma ve etkileşime girme konusundaki iç motivasyonundan ve bireysel iradesinden etkilenir (Littlejohn ve Hood, 2016), bu nedenle bu vizyonun iki önemli bileşeni vardır. Birincisi, bireysel irade ortaya koyulabilmesi için profesyonellerin öğrenmelerinde öz yönetim becerisine sahip olmaları çok önemlidir. İkincisi, motivasyonu tetiklemek için, öğrenme (ve öğrenme sistemleri) iş uygulamaları ile ayrıştırılmamalı aksine bütünleştirilmelidir. Bu vizyona ulaşma yolunda, geçtiğimiz birkaç yıl boyunca Mesleki ÖA’ya yönelik bir dizi yaklaşım geliştirilmiştir.

Uygulamada Analitikler

ÖA, öğrenme bilimi, bilgisayar biliminden, bilgi biliminden, eğitsel veri madenciliğinden, bilgi yönetimi vurgusu” ve daha yakın bir zamanda yapay zekâdan fikirler kullanan çok disiplinli bir alandır (Gillani ve Enyon, 2014). Analitikte ortaya çıkan alanlar söylem verileri, öğrenenlerin eğilim verileri ve biyometri gibi çoklu veri türlerini içeren karmaşık veri kümelerinden faydalanmaktadır (Siemens ve Long, 2011). ÖA’da kullanılan teknikler öğrenenlerin tartışma ve eylemlerinin yardımcı müdahaleler için fırsat sağladığı söylem analizini (Gillani ve Enyon, 2014); öğrenenlerle öğrenme arasındaki ilişkiyi izleyen anlamsal analizi, (Wen, Yang ve Rose, 2014), öğrenmeyle ilişkili duygusal özellikleri belirleyen öğrenen eğilim analitiği (Buckingham Shum ve Deakin Crick, 2012) ve öğrenenler tarafından sağlanan etiketleri ve puanlamaları temel alarak içeriği filtreleyen ve sunan öneri sistemleri de dâhil olmak üzere içerik analitiğini kapsar. Bu teknikler, profesyonellerin nasıl öğrendiklerini etkileyen karmaşık faktörleri ayrıştırmak için kullanışlıdır.

ÖA’na yönelik çeşitli yaklaşımlar, alandaki farklı iş ortamlarda test edilmiştir. Bazı yöntemler, dijital sistemlerde öğrenmenin bir yan ürünü olarak üretilen verilere büyük önem verir. Diğerleri bireylerin ve grupların yeni bilgileri nasıl öğrendiğini ve geliştirdiğini inceleyen sosyal öğrenme analitiği (SÖA) gibi yeni yaklaşımlar kullanmaktadır. Bu yöntemler ve sistemler yeni düzenleme şekillerinden, farklı geri bildirim biçimlerinden, öğrenme ve iş için insanların ihtiyaç duydukları kaynakları bir araya getirmenin sayısız yollarından yararlanmaktadır. Bunların birçoğu gelişimlerinin erken aşamalarındadır ve bu bölüm farklı yaklaşımları ve bunların öğrenme ve performans üzerindeki etkilerini incelemektedir.

Anında Öğrenmeyi Hızlandırma

MÖA’na yönelik bazı yaklaşımlar, çevik yaklaşımların iş ortamındaki mesleki öğrenmeye dâhil edilmesini hedeflemektedir. Birçok kuruluş çalışanlar yeni bir yöntem öğrendikleri halde bu yeni bilgilerini kullanmadıkları ve uygulamalarına yerleştirmedikleri takdirde eğitimin etkili olmadığını kabul etmektedir. İnsanların ihtiyaç noktasında yeni uzmanlık öğrenmelerini sağlamanın önemini kabul ederek, kuruluşlar uzmanlığı yakalamak ve yaymak için yollar aramaktadırlar.

Bilgi Yoğunluklu Eğitim İçin Giyilebilir Deneyim (BYEGD)¹, akıllı Giyilebilir Teknoloji ile üretilen verilerin uzmanlığı yakalayıp yakalayamadığını ve ihtiyaç duyduğu yerde deneyimsiz profesyonellere bilgiyi ulaştırıp ulaştıramadığını ve tüm bu süreçlerin nasıl gerçekleştiğini araştırmaktadır. BYEGD, üç aşamalı bir sürece dayanır: beceri geliştirme yollarının haritalanması, uzmanlığın yakalanması ve sistemleştirilmesi ve ihtiyaç duyulduğu noktada deneyimsiz kişilere uzmanlık sunulması. İlk aşamada, uzmanlar ve paydaş topluluğu² endüstri için tanınmış bir beceri geliştirme yollarının haritasını çıkarır. İkinci aşamada, bir grup yazılım geliştirici, yeni bir işlemsel bilgisinin öğrenilmesinde -örneğin özellikli bir vananın nasıl açılacağının (veya kapatılacağının) acemileri desteklemek üzere teknoloji araçlarını geliştirmek için- yol haritalarını kullanır. Son olarak, yetenek ve deneyim acemilere zenginleştirilmiş bir görsel arayüz ile aktarılır. Başa takılabilen dijital ekranlar gibi araçlar, aceminin vanayı ekranda güvenli bir şekilde açmaya ilişkin talimatlar ile bütünleştirilmiş olarak görmesini sağlar. Giyilebilir ve görsel cihazlar sayesinde sistem, her profesyonelin dikkatini, kullanıcı ihtiyaç analizine dayanarak en çok ihtiyaç duyulan yere yönlendirir. Sistem, informal öğrenme süreçlerini izlenebilir ve tanınabilir hale getirmeyi amaçlamaktadır, böylece acemiler hızlı bir şekilde uzmanlık kazanabilir. Bu şekilde, ihtiyaç ortaya çıktıkça öğrenme çevik olabilir.

BYEGD projesine 2015 Aralık ayında başlanmış ve bu yaklaşımın etkililiği ile ilgili değerlendirmeleri henüz yayınlanmamıştır. Bununla birlikte, BYEGD metodolojisindeki uzmanlık aktarımındaki üç önemli adımla ilişkilendirilmiş riskler vardır. İlk olarak, uzmanlık geliştirme yollarının modellenmesi zordur. Uzmanlar, uzmanlığı doğru bir şekilde yakalamak ve sistemleştirmek, uzmanlık gelişimini desteklemek için yollar ve algoritmalar oluşturmaya katılmaktadırlar. Bununla birlikte, bir uzmanın, her aceminin uzmanlık gelişimine katkı sağlayacak en uygun öğrenme yolunu anlaması zordur, çünkü bu aceminin önceki deneyimine bağlıdır. İkincisi, her uzmanlık sistemleştirilemez. Gerçekliği artırılmış görsel arayüzler ve işbirlikli sayısal arayüzler, uzmanlık gelişimine yardımcı olabilir ancak bir ekipmanın en iyi şekilde çalıştığına yönelik “içgüdüsel” bir uzmanlığın geliştirilmesi zaman alır. Üçüncüsü, bir aceminin basitçe talimatları izlemektense yeni uzmanlık öğrenmeye aktif olarak dâhil olması gerekir. Bu özellikle teorik bilgilerle işin sonuçlarının tahmin edilmesinin zor olduğu çalışma ortamlarıyla ilgilidir. Bu durumlardaki en etkili öğrenme iş görevleriyle bütünleştirildiğinde ortaya çıkar. Bu nedenle, ortaya çıkan bir eğilim MÖA’yı işle bütünleşmiş sistemlere (ortak çalışmalarda uzmanları ve acemileri destekleyen ortamlar, daha önce de açıklandığı gibi akıllı sistemler veya gibi artırılmış gerçeklik ortamları) yerleştirmektir.

Örgütsel Ağları Kullanma

Gayriresmî mesleki ağlara bağlantı kurarak, insanlar Clow (2013) tarafından tarif edilen çevik öğrenme türünü başarabilirler. Mesleki gelişime yönelik bu özerk, aşağıdan yukarıya yaklaşım türü, profesyonellerin nasıl ve nerede etkileşime girdiklerini ve çalışmaları hakkında fikir alışverişinde bulunduklarını derinlemesine anlamayı gerektirir. İnformal öğrenme uygulama ve ağlarını görünür kılmak MÖA için temel bir amaçtır. de Laat ve Schreurs (2013), ÖA tekniklerinin resmî olmayan profesyonel ağları görselleştirebildiğini göstermiştir. Sosyal ağ analizine dayanan bir araç kullanarak -ağ farkındalığı gereci (AFG)- tek bir kuruluş içinde birden fazla izole edilmiş öğreten ağını tespit ettiler. Daha yeni yapılan çalışmalar, sağlık bakımı ortamlarındaki profesyonel ağları izlemek için giyilebilir cihazlar kullanmaktadır (Endedijk, 2016). Bu gayriresmî profesyonel ağlardan yararlanarak, kuruluşların beşeri sosyal sermayesini ve öğrenmesini iyileştirme mekanizmaları vardır. Bununla birlikte, çalışma profesyonel ağlar arasındaki sınırlı bağlantıların kapsamını göstermektedir, bu nedenle ağlardan yararlanmak için birden fazla yönteme ihtiyaç vardır.

Öğrenme Katmanları³ performansı artırmak için ağları ve ilişkileri bireysel, örgüt ve örgütler arası seviyelerde kullanır. Farklı Avrupa ülkelerindeki bölgesel küçük ve orta büyüklükteki işletmelerin (KOBİ’ler) içinde ve arasında çalışan profesyoneller, fikir ve bilgi oluşturmak için web tabanlı, ağ ortamında çalışır. Sistem, insanları birbirine bağlayarak ve tavsiyelerde bulunarak bilginin birlikte üretilmesini analiz etmek ve desteklemek için semantik teknolojilerden yararlanır (Ley vd., 2014).

Sağlık ve inşaat sektörlerinde test edilen teknoloji ortamları, profesyonellerin üç düzeyde birlikte çalışma ve öğrenme yollarını göstermektedir. İnsanlar birlikte çalıştıkça, yeni iş görevlerini nasıl yerine getireceklerine dair bilinçli seçimler yapmalarına yardımcı olmak üzere teknik bilgi (neyi bilirim), işlemsel veya uygulamaya yönelik bilgi (nasıl yaparım) ve bilimsel veya teorik bilgi (neden böyle) gibi farklı türden bilgiler geliştirmeyi öğrenirler (Attwell vd., 2013). Örgütsel düzeyde, insanlar farklı KOBİ’ler arasında iş birliği yaparken, her bir kuruluş bilgi paylaşır ve öğrenir. Üçüncüsü, şirketler ulusal kümelenmeler halinde gruplandırılmıştır, bu nedenle öğrenme örgütler arasında gerçekleşir (Dennerlein vd., 2015). ÖA araçları, profesyonellerin kendisiyle ve kilit paydaşlarla birlikte geliştirilmektedir. Açık bir tasarım kütüphanesi,⁴ profesyonel öğrenmeye yönelik fikirleri saklamak ve yaymak için kullanılırken, açık bir geliştirici kütüphanesi⁵, geliştiricilerin üzerinde çalışması için prototip araçları ve kodları barındırır. Çok özel rolleri için öğrenme hakkında en iyi bilgiye sahip profesyoneller kendilerini prensibi birçok ÖA sistemler ve araçlar için merkezi.

Özel Uzmanlığından Yararlanma

Profesyonellerin çalışmalarında ve öğrenmelerinde değişiklik ve belirsizliklere uyum sağlamaları ve bunlarla başa çıkmaları için Duyarlı Açık Öğrenme Ortamları (DAÖO)⁶ geliştirilmektedir (Kirschenmann, Scheffel, Friedrich, Niemann ve Wolpers, 2010). Her şeyi kapsayan bir işletme sistemi kullanmak yerine, öğrenme ortamı her bir öğrenen tarafından kişiselleştirilebilir. Her profesyonel, belirli bir rol için öğrenmeyi destekleyen belirli işlevlere sahip bir dizi web tabanlı yazılım aracını tarayabilir ve seçebilir. Araçlar, yeni bileşenler ve işlevler oluşturmak için birleştirilebilir. Uzman, araçların ve kaynakların benzersiz bir kombinasyonunu oluşturarak, çevreye kendi uzmanlığını kazandırır. Bu araç ve kaynak kombinasyonu, benzer iş ve öğrenme ihtiyaçları olan diğer profesyonelleri desteklemek için çoğaltılabilir ve uyarlanabilir.

DAÖO’yi destekleyen temel ilke iyi tanımlanmıştır; uzmanlık rollerinde, profesyonellerin kendileri öğrenme ihtiyaçlarına en iyi şekilde karar verebileceklerdir (Kroop, Mikroyannidis ve Wolpers, 2015). Ancak profesyonel bir öğrenme bakış açısına göre, iki ana genel zorluk vardır. İlk olarak, profesyoneller kararlarını uygulama becerisine sahip olmayabilirler. DAÖO, mesleki öğrenmenin belirli yönlerini destekleyen teknoloji araçlarının veya araç gereçlerin geliştirilmesine izin veren açık bir çerçeveye dayanmaktadır. Bu ekran araçları geliştiricilerin yeni araçlar ve işlevler geliştirmeleri için teşvik edildiği açık yarışmalar yoluyla geliştirilir. İdeal olarak, iş rolünü derinlemesine anlayan geliştiriciler ekran araçları geliştirecektir : profesyoneller kendileri widget’lerin algoritmalarını yazabiliyorlarsa, uzmanlıkları kodun içine gömülür. Bununla birlikte, tüm profesyoneller kod yazamaz, bu yüzden birçok meslek için araçları iş rolünü derinlemesine anlamayan insanlar tarafından geliştirme eğilimindedir. İkinci zorluk, profesyonellerin öğrenme ihtiyaçlarını tanımlamak ve bunlara göre hareket etmek zorunda olmalarıdır. DAÖO ortamı, öz yönetim bir öğrenen olma yolunda bir dersi içerir⁷. Bununla birlikte, bir problem, öğrenme hedeflerini belirleme stratejileri geliştirmek gibi, öz yönetimin bazı yönlerinin öğrenilebilmesine rağmen, yaşam boyu süren deneyimler yoluyla öz güven gibi diğer öz yönetim yönlerinin geliştirilmesidir.

Aktif Öğrenmeyi Teşvik Etmek

Öz yönetimli öğrenme teorisine dayanan diğer iki ÖA sistemi örneği LearnB ve Mirror’dır. LearnB otomotiv endüstrisinde pilot olmuştur (Siadaty, Gašević ve Hatala, 2016). Bu aracın önceki sistemlerle ortak noktası, profesyonelleri öğrenmelerini kendileri düzenleme konusunda teşvik etmesidir. Araç, öz yönetime etki eden faktörler hakkında veri toplamak için kullanılan. öz yönetimli öğrenme çerçevesi olan ÖYÖ@Work etrafında tasarlanmıştır. Bu faktörler, öğrenme hedeflerinin nasıl planlandığını ve insanların iş için bilgi paylaşırken ve oluştururken katıldığı spesifik faaliyetler yelpazesini içerir. LearnB, benzer öğrenme ve gelişim hedeflerine sahip insanları belirlemek ve bağlamak için Sosyal Anlam Web teknolojilerini kullanarak bu verileri toplar ve analiz eder (Siadaty vd., 2012). Ortak hedefler, sistemin anlamsal yeteneklerini kullanarak belirlenir ve analiz edilir. Daha sonra, sistem, başkalarının öğrenme örüntülerine dayanarak, insanların öğrenmeden yarar sağlayabilecekleri konular önermek için sosyal teknolojileri kullanır.

LearnB sistemi, profesyonellerin diğer insanlarla ve ilgili bilgilerle potansiyel olarak faydalı bağlantılar kurmasını ve değerlendirmesini sağlayan bir “gelişimsel radar” işlevi görür (Siadaty, Jovanović, Gašević, Jeremic ve Holocher-Ertl, 2010; Holocher-Ertl vd., 2012). Öğrenme ilerlemelerini takip ederken profesyonellere öğrenme stratejileri konusunda tavsiyede bulunmak için kullanılabilir. Buradaki fikir, insanların benzer deneyime sahip diğer insanlar için etkili olan stratejileri kullanarak etkili bir şekilde öğrenebilecekleridir. Sistem, sadece öğrenme deneyimlerini belgelemekle kalmayıp aynı zamanda gelecekte de benzer şekilde öğrenmeden faydalanabilecek başkaları için bu deneyimleri mümkün kılmak için profesyonelleri desteklemektedir. Öğrenme deneyimlerini belgeleyerek, başkalarının performansını veya kıyaslama ölçütleriyle karşılaştırmak ve karşılaştırmak mümkündür. Örneğin, yeni bir prosedürde yetkin olmanın ortalama altı aylık bir deneyime sahip olduğunu bilmek faydalı olabilir. Diğer yandan, birkaç saat içinde yeni bir beceri öğrenilebileceğini bilmek güven verici olabilir (Siadaty vd., 2012).

B Öğrenmesi deneyi, sistemi profesyonellerin öz yönetimli öğrenme becerilerinin aktif gelişimi ile bütünleştirmenin önemini göstermiştir. B Öğreneni kullanan profesyoneller, dikkatlerini, çalıştıkları ortamlardan farklı bağlamlarda veya bölümlerden kaynaklanan, yararlı bilgilere yönelttiler. Ayrıca, diğer insanların öğrendikleri çalışma biçimlerini anlamalarına yardımcı olan diğer insanların gayriresmî çalışmaları ve öğrenme uygulamaları hakkındaki verilere erişimin yararlı olduğunu da algıladılar. Sosyal bağlamları -örneğin, başkalarının öğrenmek için yaptıkları eylemlerden haberdar olma- hakkındaki güncellemelerden ve mevcut öğrenme kaynaklarının meslektaşları tarafından nasıl kullanıldığı hakkında bilgilendirilmekten yararlandıklarını algıladılar (Siadaty, 2013). Bununla birlikte, kritik bir nokta, bu profesyonellerin, organizasyonun her iş rolü için gereken yetkinlikleri önceden belirlediği ve insanların nasıl gösterdiğini önerdiği öneride bulunduğu Clow (2013) tarafından tartışılan “yukarıdan aşağı” yeterlilik sistemleriyle geleneksel bir örgüt kültüründe faaliyet gösterdikleridir. bu yetenekleri öğrenirler.

Mirror⁸, profesyonellerin kendi deneyimlerinden ve diğer deneyimlerden öğrenmelerini destekleyen analitik tabanlı bir sistemdir. Yansıtma, motivasyon ve duyuşsal faktörlerle öğrenmeyi ve performansı geliştirebilecek öz yönetimli öğrenmenin önemli bir bileşenidir (Littlejohn ve Hood, 2016). Ayna sistemi, çalışma sırasında informal öğrenmeyi kolaylaştırmak için tasarlanmış bir dizi uygulamaya (“Ayna” uygulamaları) dayanmaktadır (Kump, Knipfer, Pammer, Schmidt ve Maier, 2011). Bu uygulamalar, çalışan ayarlarında bireysel ve ekip eylemlerinin analizini desteklemek için kullanılmıştır. Bu yansımalar hem bireylerin hem de ekiplerin, hangi uygulamaların kuruluşları içinde en fazla etkiye sahip olduğunu öğrenmelerini sağladı. Değerlendirme çalışmaları, bireysel ve takım öğrenme ile örgütsel öğrenme (insan kaynakları süreçleri, ödüller ve promosyonlarla bağlantılı) arasında açık bir bağlantı bulmuştur (Knipfer, Kump, Wessel ve Cress, 2013). Kültürdeki ve organizasyon içindeki insanların zihniyetlerinde paralel bir değişim olmazsa, yeni analitik sistemlerinin sınırlı etkisi olacaktır.

SONUÇ: GELECEK MESLEKİ ÖĞRENME ANALİTİĞİ

Los Angeles’a yeni yaklaşımlar zaten profesyonelleri performanslarını geliştirmeye desteklemektedir. Bu yaklaşımların analizi gelecekteki çalışmaları bilgilendirebilecek yeni ortaya çıkan temalara işaret etmektedir.

Analitik için çeşitli yaklaşımlar, insan zekâsını geliştirmek için makine bazlı analitiği kullanır. Bununla birlikte, sistem ile insan arasındaki bağlantı birçok nedenden dolayı bir risk noktasıdır. Öncelikle, profesyoneller öğrenme ihtiyaçlarını tanımlayabilmeli ve onlara göre hareket edebilmelidir, bu nedenle öz yönetimli öğrenme yeteneği birçok analitik tekniğinin başarısı için kritik öneme sahiptir. İkincisi, kültürde ve organizasyon içindeki insanların zihniyetlerinde paralel bir değişim olmadan, analitik temelli öğrenme sistemlerinin sınırlı etkisi olacaktır. ÖA’ya yaklaşımların uygulanması bu insan unsurlarını göz önünde bulundurmalıdır.

Bazı ÖA teknikleri veri toplamak için ağ analizini kullanır. İşyerinde öğrenme, öğrenme süreçleri örgütsel ve proje hedefleriyle aynı çizgide olduğunda en etkilidir (Kimmerle, Cress ve Held, 2010; Kozlowski ve Klein, 2000). Ağ analizi, bireysel öğrenme faaliyetlerini akıllıca kurumsal öğrenme hedefleriyle uyumlu hale getirmeyi amaçlamalıdır.

MÖA’na yönelik umut vaat eden diğer yaklaşımlar, yazılım uygulamalarının (veya uygulamaların) geliştirilmesine dayanır. İdeal olarak, belirli bir uzmanlığa sahip profesyoneller kodu yazar. Bununla birlikte, tüm profesyoneller kod yazma yeteneğine sahip değildir, bu nedenle, birçok meslek için uygulamalar, iş rolünü derinlemesine anlamayan insanlar tarafından geliştirmektedir. Bu sorunun teknik olmayan sektörlerde daha yaygın olması muhtemeldir.

Birçok MÖA metodu, yetenek ve öğrenmeyi deneyim yakalama ve yaygınlaştırma yoluyla öğrenmek için çevik yaklaşımları yerleştirmeyi amaçlamaktadır. Bu yaklaşımla ilgili bir takım problemler vardır; örneğin, tüm uzmanlık alanları kodlanamaz;uzmanlık geliştirme yollarını modellemek zordur çünkü her bireyin yeni bir beceri öğrenmeye aktif olarak dâhil olması için, kendine özgü bir ön bilgisi ve mesleki temeli vardır. Bu zorluklar, analitik çözümlerinin sadece yetenek ve deneyim geliştirmenin teknik ve pratik yönlerini ele almakla kalmayıp, aynı zamanda duygusal ve güdüsel konularla da ilgilenmesi gerektiğini göstermektedir.

Ancak emekleme dönemindeki mesleki öğrenme analitiği gelecekteki öğrenme ve çalışma için bir temel oluşturmak üzere ayarlanmıştır. Ancak profesyonellerin analitik uygulamalarla nasıl öğrendiği hakkındaki bilgilerin uyumuna dikkat edilmelidir.

KAYNAKÇA

Attwell, G., Heinemann, L., Deitmer, L., Kämaäinen, P. (2013). Developing PLEs to support work practice based learning. In eLearning Papers #35, Nov. 2013. http://OpenEducationEuropa.eu/en/elearning_papers

Argyris, C., & Schon, D. A. (1974). Theory in practice: Increasing professional effectiveness. San Francisco, CA: Jossey-Bass, 1974.

Baker, R.S. (2016). Stupid tutoring systems, intelligent humans. International Journal of Artificial Intelligence in Education, 26(2), 600–614.

Berendt, B., Vuorikari, R., Littlejohn, A., & Margaryan, A. (2014). Learning analytics and their application in technology-enhanced professional learning. In A. Littlejohn & A. Margaryan (Eds.), Technology-enhanced professional learning: Processes, practices and tools (pp. 144–157). London: Routledge.

Boud, D., & Garrick, J. (1999). Understanding learning at work. Taylor & Francis US.

Billett, S. (2004). Workplace participatory practices: Conceptualising workplaces as learning environments. Journal of Workplace Learning, 16(6), 312–324.

Buckingham Shum, S., & Deakin Crick, R. (2012). Learning dispositions and transferable competencies: Pedagogy, modelling and learning analytics. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK’12), 29 April–2 May 2012, Vancouver, BC, Canada (pp. 92–101). New York: ACM.

Buckingham Shum, S., & Ferguson, R. (2012). Social learning analytics. Educational Technology & Society, 15(3), 3–26.

Clow, J. (2013) Work practices to support continuous organisational learning. In A. Littlejohn & A. Margaryan (Eds.), Technology-enhanced professional learning: Processes, practices, and tools (pp. 17–27). London: Routledge.

Collin, K. (2008). Development engineers’ work and learning as shared practice. International Journal of Lifelong Education, 27(4), 379–397.

Convertino, G., Grasso, A., DiMicco, J., De Michelis, G., & Chi, E. H. (2010). Collective intelligence in organizations: Towards a research agenda. Proceedings of the 2010 ACM Conference on Computer Supported Cooperative Work (CSCW 2010), 6–10 February 2010, Atlanta, GA, USA (pp. 613–614). New York: ACM. http:// research.microsoft.com/en-us/um/redmond/groups/connect/CSCW_10/docs/p613.pdf

Dennerlein, S., Theiler, D., Marton, P., Santos, P., Cook, J., Lindstaedt, S., & Lex, E. (2015) KnowBrain: An online social knowledge repository for informal workplace learning. Proceedings of the 10th European Conference on Technology Enhanced Learning (EC-TEL’15), 15–17 September 2015, Toledo, Spain. http://eprints.uwe.ac.uk/26226

Endedijk, M. (2016) Presentation at the Technology-enhanced Professional Learning (TePL) Special Interest Group, Glasgow Caledonian University, May 2016.

Eraut, M. (2000). Non-formal learning and tacit knowledge in professional work. British Journal of Educational Psychology, 70(1), 113–136.

Eraut, M. (2004). Informal learning in the workplace. Studies in Continuing Education, 26(2), 247–273.

Eraut, M. (2007). Learning from other people in the workplace. Oxford Review of Education, 33(4), 403–422.

Engeström, Y. (1999). Innovative learning in work teams: Analyzing cycles of knowledge creation in practice. Perspectives on activity theory, 377-404.

Engeström, Y. (2008). From teams to knots: Activity-theoretical studies of collaboration and learning at work. Cambridge, UK: Cambridge University Press.

Ferguson, R. (2012) Learning analytics: Drivers, developments and challenges. International Journal of Technology Enhanced Learning, 4(5–6), 304–317.

Fuller, A., Ashton, D., Felstead, A., Unwin, L., Walters, S., & Quinn, M. (2003). The impact of informal learning for work on business productivity. London: Department of Trade and Industry.

Fuller, A., & Unwin, L. (2004). lntegrating organizational and personal development. Workplace learning in context, 126.

Gillani, N., & Eynon, R. (2014). Communication patterns in massively open online courses. The Internet and Higher Education, 23, 18–26.

Harteis, C., & Billett, S. (2008). The workplace as learning environment: Introduction. International Journal of Educational Research, 47(4), 209–212.

HEC Report (2016) From bricks to clicks: Higher Education Commission Report http://www.policyconnect.org.uk/hec/sites/site_hec/files/report/419/fieldreportdownload/frombrickstoclicks-hecreportforweb.pdf

Holocher-Ertl, T., Fabian, C. M., Siadaty, M., Jovanović, J., Pata, K., & Gašević, D. (2011). Self-regulated learners and collaboration: How innovative tools can address the motivation to learn at the workplace? Proceedings of the 6th European Conference on Technology Enhanced Learning: Towards Ubiquitous Learning (EC-TEL 2011), 20–23 September 2011, Palermo, Italy (pp. 506–511). Springer Berlin Heidelberg.

IBM (2008) Making change work. IBM Global Study. http://www-07.ibm.com/au/pdf/making_change_work.pdf

de Laat, M., & Schreurs, B. (2013). Visualizing informal professional development networks: Building a case for learning analytics in the workplace. American Behavioral Scientist, 57(10), 1421–1438.

Kimmerle, J., Cress, U., & Held, C. (2010). The interplay between individual and collective knowledge: Technologies for organisational learning and knowledge building. Knowledge Management Research & Practice, 8(1), 33–44.

Kirschenmann, U., Scheffel, M., Friedrich, M., Niemann, K., & Wolpers, M. (2010). Demands of modern PLEs and the ROLE approach. In M. Wolpers, P. A. Kirschner, M. Scheffel, S. N. Lindstaedt, & V. Dimitrova (Eds.), Proceedings of the 5th European Conference on Technology Enhanced Learning, Sustaining TEL: From Innovation to Learning and Practice (EC-TEL 2010), 28 September–1 October 2010, Barcelona, Spain (pp. 167–182). Springer Berlin Heidelberg.

Kozlowski, S. W. J., & Klein, K. J. (2000). A multilevel approach to theory and research in organizations: Contextual, temporal, and emergent processes. In K. J. Klein & S. W. J. Kozlowski (Eds.), Multilevel theory, research and methods in organizations: Foundations, extensions, and new directions (pp. 3–90). San Francisco, CA: Jossey-Bass.

Knipfer, K., Kump, B., Wessel, D., & Cress, U. (2013). Reflection as a catalyst for organisational learning. Studies in Continuing Education, 35(1), 30–48.

Kroop, S., Mikroyannidis, A., & Wolpers, M. (Eds.). (2015). Responsive open learning environments: Outcomes of research from the ROLE project. Springer.

Kump, B., Knipfer, K., Pammer, V., Schmidt, A., & Maier, R. (2011) The role of reflection in maturing organizational know-how. Proceedings of the 1st European Workshop on Awareness and Reflection in Learning Networks (@ EC-TEL 2011), 21 September 2011, Palermo, Italy.

Ley, T., Cook, J., Dennerlein, S., Kravcik, M., Kunzmann, C., Pata, K., & Trattner, C. (2014). Scaling informal learning at the workplace: A model and four designs from a large-scale design-based research effort. British Journal of Educational Technology, 45(6), 1036–1048.

Littlejohn, A., & Hood, N. (2016, March 18). How educators build knowledge and expand their practice: The case of open education resources. British Journal of Educational Technology. doi: 10.1111 / bjet.12438

Littlejohn, A., & Margaryan, A. (2013). Technology-enhanced professional learning: Mapping out a new domain. In A. Littlejohn & A. Margaryan (Eds.), Technology-enhanced professional learning: Processes, practices, and tools (Chapter 1). Taylor & Francis.

Littlejohn, A., Milligan, C., & Margaryan, A. (2012). Charting collective knowledge: Supporting self-regulated learning in the workplace. Journal of Workplace Learning, 24(3), 226–238.

Milligan, C., Littlejohn, A., & Margaryan, A. (2014). Workplace learning in informal networks. Reusing Open Resources: Learning in Open Networks for Work, Life and Education, 93.

Nistor, N., Derntl, M., & Klamma, R. (2015). Learning analytics: Trends and issues of the empirical research of the years 2011–2014. Proceedings of the 10th European Conference on Technology Enhanced Learning: Design for Teaching and Learning in a Networked World (EC-TEL 2015), 15–17 September 2015, Toledo, Spain (pp. 453–459). Springer.

Rienties, B., Boroowa, A., Cross, S., Kubiak, C., Mayles, K., & Murphy, S. (2016). Analytics4Action evaluation framework: A review of evidence-based learning analytics interventions at the Open University UK. Journal of Interactive Media in Education, 2016(1). www-jime.open.ac.uk/articles/10.5334/jime.394/galley/596/ download/

Siadaty, M. (2013). Semantic web-enabled interventions to support workplace learning. Doctoral dissertation, Simon Fraser University, Burnaby, BC. http://summit.sfu.ca/item/12795

Siadaty, M., Gašević, D., & Hatala, M. (2016). Associations between technological scaffolding and micro-level processes of self-regulated learning: A workplace study. Computers in Human Behavior, 55, 1007–1019.

Siadaty, M., Gašević, D., Jovanović, J., Pata, K., Milikić, N., Holocher-Ertl, T., … & Hatala, M. (2012). Self-regulated workplace learning: A pedagogical framework and semantic web-based environment. Educational Technology & Society, 15(4), 75–88.

Siadaty, M., Jovanović, J., Gašević, D., Jeremić, Z., & Holocher-Ertl, T. (2010). Leveraging semantic technologies for harmonization of individual and organizational learning. In M. Wolpers, P. A. Kirschner, M. Scheffel, S. N. Lindstaedt, & V. Dimitrova (Eds.), Proceedings of the 5th European Conference on Technology Enhanced Learning, Sustaining TEL: From Innovation to Learning and Practice (EC-TEL 2010), 28 September–1 October 2010, Barcelona, Spain (pp. 340–356). Springer Berlin Heidelberg.

Siemens, G. ve Long, P. (2011) Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 31–40. http://net.educause.edu/ir/library/pdf/ERM1151.pdf

Tynjälä, P. (2008). Perspectives into learning at the workplace. Educational Research Review, 3(2), 130–154.

Tynjälä, P., & Gijbels, D. (2012). Changing world: Changing pedagogy. In P. Tynjälä, M.-L. Stenström, & M. Saarnivaara (Eds.), Transitions and transformations in learning and education (pp. 205–222). Springer Netherlands.

Wen, M., Yang, D., & Rosé, C. (2014). Sentiment analysis in MOOC discussion forums: What does it tell us? In J. Stamper et al. (Eds.), Proceedings of the 7th International Conference on Educational Data Mining (EDM2014), 4–7 July 2014, London, UK. International Educational Data Mining Society. http://www.cs.cmu.edu/~mwen/papers/edm2014-camera-ready.pdf

Wolff, A., Zdrahal, Z., Nikolov, A., & Pantucek, M. (2013, April). Improving retention: Predicting at-risk students by analysing clicking behaviour in a virtual learning environment. Proceedings of the 3rd International Conference on Learning Analytics and Knowledge (LAK’13), 8–12 April 2013, Leuven, Belgium (pp. 145–149). New York: ACM.