Zelfregulatie

13 december 2017

Op 25 oktober ’17 vond de conferentie ‘Ondersteunen van zelfregulatie: effecten op het verwerven van domein-specifieke vaardigheden en zelfregulatievaardigheden’ plaats bij de Open Universiteit in Heerlen. Centraal stond de vraag hoe je lerenden het beste kunt ondersteunen bij het aanleren van zelfregulatie.

Zelfgestuurd leren

Zelfgestuurd leren is een begrip dat de laatste tijd steeds vaker opduikt en is een sleutel tot succes in het hoger onderwijs en de verdere loopbaan (Schneider & Preckel, 2017; Zimmerman, 2008). Het valt ’t best te omschrijven met leren het eigen leerproces te reguleren. Het is een proactief proces en bestaat onder andere uit zelf doelen kunnen stellen, leerstrategieën kunnen toepassen Zelfregulatie (Zimmerman)en monitoren en beoordelen van het eigen leerproces. Het meest bekende model is van Zimmerman (2008) en bestaat uit fasen en subprocessen (zie afbeelding).

Het nut van zelfregulatie

De eerste keynote spreker prof. dr. Alexander Renkl gaat in waarom zelfregulatie nodig is. Hij geeft twee antwoorden. Als eerste kan een docent onmogelijk het leren stimuleren in het hoofd van elke individuele lerende. Het geven van uitleg door een docent leidt namelijk niet automatisch tot leren. Dit is op te lossen door iets, bijvoorbeeld een formule, uit te laten leggen aan een peer. Vervolgens moet hij de formule toepassen op een som (Berthold & Renkl, 2010). Zoals Laurillard (2012) stelt, is een persoonlijk leerdoel het startpunt van leren, en om dit te kunnen behalen is actie vereist van de lerende. Als tweede zijn er ook te veel functies die extern gereguleerd moeten worden zoals verschillen tussen lerenden in motivatie, cognitie, voorkennis en emotie (Schwonke et al., 2013).

Externe en interne regulatie

Renkl (Berthold & Renkl, 2010) maakt hiernaast een onderscheid tussen externe regulatie, gevraagd regulatie en interne regulatie. Bij externe regulatie heeft de lerende behoefte om geholpen te worden in dit proces, bij volledige interne regulatie kan hij zelf zijn eigen leren reguleren. Hoe hoger de mate van zelfregulatie, hoe minder externe regulatie een lerende nodig heeft volgens Renkl, die zich baseert op onderzoek van Vermunt en Verloop (1999).

Schwonke et al. (2013) en De Bruin & van Merriënboer (2017) stellen dat in complexe digitale leeromgevingen met name de lerende die over weinig voorkennis beschikt van een domein, overspoelt kan raken door de hoeveelheid informatie. Hulp bij het aanleren van regulatie is onontbeerlijk en kan het beste met een combinatie tussen externe regulatie en gevraagde zelfregulatie, of een combinatie tussen externe en interne zelfregulatie. Daarnaast is het van belang is om aanwijzingen te geven hoe de lerende met een tool, zoals uitgewerkte voorbeelden, moet werken (Berthold & Renkl, 2010; Schwonke et al., 2013).

Zelfregulatie en het 4C/ID-model

De tweede keynote spreker is prof.dr. Jeroen van Merriënboer die allereerst in gaat het het 4C/ID-model. Het 4C/ID model, ‘four-component instructional design’, is een model voor complex leren en bestaat uit vier onderdelen: leertaken, ondersteunende informatie, procedurele informatie en deeltaakoefeningen. De hele en authentieke leertaak speelt een centrale rol, een lerende oefent met taken die uit de praktijk komen. Hierdoor ontwikkelt hij kennis, vaardigheden en attitudes (competenties) om die taak te kunnen uitvoeren. Naar mate een lerende meer vaardig raakt in een taak neemt de complexiteit toe en de ondersteuning af (Van Merriënboer & Kirschner, 2013).

De structuur van het model is makkelijk te flexibiliseren zodat elke student op zijn eigen niveau kan werken. Voorwaarde is dat er veel leertaken beschikbaar zijn. Maar, hoe kiest een lerende een geschikte leertaak die aansluit bij zijn kennisniveau? Hiervoor heeft hij inzicht nodig in zijn eigen leerproces en dus zelfregulatie. Dit kiezen is een vorm van gepersonaliseerd adaptieve taakselectie en hierdoor ervaart een lerende controle (Salden, Paas, & van Merriënboer, 2006).

Drie onderzoeken

Het 4C/ID-model leent zich goed om ondersteuning voor zelfregulatie in te bouwen en onderzoeker Nugteren (Nugteren, Jarodzka, Kester, & van Merriënboer, 2017) heeft op basis hiervan een model voor taakselectie ontworpen. Zij heeft onderzocht hoe middelbare scholieren taken kiezen en hoe een elektronische tutor hierbij kan helpen. Het beste werkt als de tutor ook advies geeft welke taak zij het beste konden maken. Onderzoeker Raaijmakers (Raaijmakers, z.j.) heeft zich gericht op het trainen van zelfbeoordeling en taakselectie met behulp van videovoorbeelden. Zelfbeoordeling is het vermogen het eigen werk te beoordelen. Hij vond aanwijzingen dat zelfbeoordeling en taakselectie verbeteren, maar dit leidt niet ertoe dat aangeleerde zelfsturing ook bij een ander vak wordt ingezet (transfer). Leppink heeft tot slot het belang van de context, feedback en het stellen van de juiste vragen onderzocht (Lafleur, Côté, & Leppink, 2015). Feedback krijgen tijdens taakselectie heeft positief effect op de score van een eindtoets én op de taakselectie. Het stellen van de juiste vragen is belangrijk om reflectie te bevorderen zoals “hoeveel moeite kostte de taak” gevolgd door uitleg hoe je het antwoord kan gebruiken om een volgende taak te selecteren. Andere effectieve vragen zijn “wat ga je nu doen, dezelfde moeilijkheid of moeilijker” en “kies je voor minder of meer hulp”? Dit leidt tot meer accuratesse in de taakselectie en betere score op een eindtoets.

Intelligent tutorsysteem

De derde keynote spreker, associated professor Vincent Aleven die de rol onderzoekt van een intelligent tutorsysteem (its) bij Its Lynettetaakselectie (Long & Aleven, 2017), zoals Lynette (zie afbeelding). Ook Aleven benadrukt hoe moeilijk het is om zelfgestuurd leren te leren, het kiezen van taken vereist onder andere domeinkennis, het kunnen stellen van uitdagingen aan zichzelf en accurate zelfbeoordeling. Een intelligent tutorsysteem kan een lerende hierbij helpen. Een its, zoals Lynette, geeft feedback met betrekking tot de stappen van een probleem, geeft hints als de lerende hierom vraagt en herkent verschillende oplossingsstrategieën. Een its kan de lerende ook wijzen op niet-effectieve oplossingsstrategieën, ook al komt hij tot het juiste antwoord. Verschillende onderzoeken, zoals een meta-onderzoek van VanLehn (2011) laten zien dat its leidt tot betere leerresultaten. Ook Aleven vraagt zich af hoe we een lerende kunnen motiveren tot het kiezen van de juiste oefentaak, dit lijkt een centrale vraag te zijn in de conferentie.

De conclusie van dit symposium is dat alle sprekers het erover eens zijn dat zelfgestuurd leren moeilijk is om te leren, maar het een vereiste is om effectief te kunnen leren, succesvol te zijn in het onderwijs en een leven lang te kunnen leren.

Het complete verslag inclusief referenties, is hier te downloaden.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Social media & sharing icons powered by UltimatelySocial