Meg Colasante, van de Deakin University in Melbourne, presenteerde op de CELDA-conferentie over de inzet van een video-annotatie tool waarbij je video’s annoteert aan de hand van vooraf ingestelde categorieën. Het is een aanpak die gericht is op het actief betrekken van de student bij het bestuderen van videobeelden en het richten van het denken van de student. Een interessant concept dat allerlei associaties bij mij opriep, die ik hieronder deel in mijn laatste blogpost n.a.v. de conferentie.
Video-based learning
De integratie van digitale video is een belangrijk onderwerp in het (hoger) onderwijs. Vaak word video ingezet door docenten waarbij de interactie voor studenten niet meer is dan passief consumeren terwijl we weten dat video een effectief leermiddel kan zijn als het de student uitdaagt tot actief leren. Dat vraagt om een beredeneerde inzet van video.
Diepgaand leren dient volgens Colasante het uitgangspunt te zijn bij de inzet van digitale video. Verder geeft zij aan dat het belangrijk is om het kijken van de student te ondersteunen (scaffolding), om cognitieve overbelasting te voorkomen. De inzet van analyse categorieën helpt hierbij, een specifieke wijze van het annoteren van video. Colasante doet onderzoek naar de inzet van een specifieke video-annotatie tool om studenten actief met de leerinhouden in video’s bezig te laten zijn: video based learning with video annotation.
Video-annotatie tool
De video-annotatie tool die door de universiteit wordt ingezet heet MAT (media annotation tool). Ik krijg er geen goed beeld van hoe de tool er precies uitziet maar het idee is dat je een video kunt uploaden en deze annoteert door markers toe te voegen aan de tijdlijn met een begeleidende tekst. Hoewel je als student zelf een marker kunt toevoegen zijn er ook markers die door docenten worden aangemaakt. En dan wordt de marker een analyse categorie. De docent geeft de student een analyse opdracht, de student voert de analyse uit door het plaatsen van markers inclusief de toelichting waarom dat specifieke deel van de video gekoppeld dient te worden aan die categorie. In de tool zijn vervolgens mogelijkheden om elkaar feedback te geven.
Ik vind dit een interessante werkwijze voor het opleiden van docenten. Ik ben bijvoorbeeld betrokken als opleidingsdocent bij de BDB-cursus waar we tijdens de bijeenkomsten kijken naar video-opnames van de lessen van de cursisten. Ik geef ze de opdracht om deze digitale video te monteren tot 10 minuten en te delen via de digitale omgeving zodat wij alvast kunnen kijken en vragen kunnen formuleren. Maar het zou natuurlijk ook mooi zijn om de cursisten een ‘kijkwijzer’ mee te geven door deze video te annoteren op een aantal aspecten om deze vervolgens uitgebreid te bespreken in de bijeenkomst. En zo zijn er binnen het hoger beroepsonderwijs nog wel meer toepassingen te bedenken.
Overstructureren
Over zo’n kijkwijzer gesproken in relatie tot leren, Colasante schrijft in haar paper (citaat bewerkt):
Using analysis categories as guidance for critical reflection and interaction with content proved valuable, however, teachers should be mindful not to over structure the learning for students, e.g., where they are given materials already “defined, refined, subdivide d, classified, organized according to certain principles… worked out by… expert[s]” as if the ir minds are “indifferent or even averse to all logical achievement” (Dewey, 1933, p.81). Over-structuring learning conditions to a point of tasking students to look for individual signs may result in surface learning such as not noticing relationships, compared to deeper learning, initiated by finding the significant concepts or solving problems by relating
prior and new knowledge to structure and reorganise content coherently (Ramsden, 2003).
Toepassing
Het annoteren van video is niet nieuw. In Youtube kun je bijvoorbeeld ook annotaties en tags toevoegen aan video’s, en zo zijn er meer van dergelijke tools. Je zou hiermee dus bovenstaande werkwijze kunnen simuleren. Maar het interessante van een tool zoals MAT vind ik de koppeling aan categorieën, die vooraf zijn ingesteld door de docent, en het feit dat je één en ander in een afgeschermde omgeving kunt organiseren.
Ik ben benieuwd of er in het (hoger) onderwijs in Nederland gewerkt wordt met een dergelijke video-annotatie tool inclusief het gericht annoteren van video op basis van analyse categorieën. Ik weet van het Open Video Annotation Project en wellicht is zo’n tool wel te ontwikkelen?
Iemand een idee of suggestie?
Dag Jeroen, via Remko Boers werd ik naar deze blogpost gedirigeerd. Op de Hogeschool Utrecht (Instituut voor Gebaren, Taal en Dovenstudies) werken wij met feedbacksoftware Provisto, welke wij in opdracht hebben laten ontwikkelen. Het voordeel van dit programma is, dat het voor de feedbackgever ook mogelijk is om audio en video toe te voegen (naast geschreven tekst). Een ander voordeel is dat het voor studenten onderling ook mogelijk is om elkáár feedback te geven. Nadelen zijn het feit dat het niet open source is (maar: het is wel afgeschermd, je hebt een inlogcode nodig en je kan daarmee alleen in je eigen account). Meer info vind je hier: http://www.provisto.nl/voor-wie/onderwijs.
Als je geinteresseerd bent, kan ik wel kijken in hoeverre het mogelijk is het je een keer te laten zien of je er over bij te praten. (Ik heb ‘mijn’ site van het Lectoraat waar ik werk bij de gegevens gezet) Een student van onze Master heeft onderzoek gedaan naar feedback geven d.m.v dergelijke tools, maar ik heb haar thesis nog niet gelezen. Wellicht levert dat ook nog info op.
Een open Source Annotatieprogramma waarmee studenten kunnen werken is ELAN (Max Planck Instituut voor Psycholinguistiek, Nijmegen). Dit programma is oorspronkelijk ontwikkeld voor taalkundig onderzoek, maar het is ook mogelijk om geschreven tekst op zgn. “tiers” te typen. Voordeel van dit programma is dat verschillende feedbackgevers op verschillende tiers kunnen werken (je moet dan wel steeds het bestand aan elkaar doorsturen en allemaal over hetzelfde filmpje beschikken dat je dan aan het bestand koppelt). Je kunt de tiers van andere feedbackgevers “hiden” zodat je niet beinvloed wordt door anderen. Op die manier is het wel mooi inzichtelijk te maken in hoeverre verschillende mensen dezelfde of andere feedback geven bij hetzelfde stukje film. Nadeel is dat het alleen ingeschreven tekst kan en niet d.m.v video/audio.
(Aan ELAN zitten ook allerlei mogelijkheden vast zoals het opvragen van statistieken, maar dat is niet zo van toepassing bij het geven van feedback)
Dank je wel Eveline, voor je bijzonder waardevolle reactie! Ik ga ELAN eens uitproberen, maar ben erg geïnteresseerd in Provisto, want ik kan mij legio toepassingen bedenken voor het hoger beroepsonderwijs! Ik ga een en ander delen met mijn collega’s, en dan maar eens kijken wat daar van komt. Ik zou het wel eens willen zien. Ik ben vooral benieuwd of je Provisto nu gebruik kunt maken van vooraf beschreven ‘analyse categorieën?’
Provisto kent een mogelijkheid om te werken met een “bibliotheek”, de docent kan hierin (met audio, video of geschreven tekst) van tevoren teksten (of video/audiobestanden) in het systeem inkloppen, en dan met een druk op de knop op een bepaalde plaats zaken uit de bibliotheek toevoegen. Primair is dit ontworpen zodat de docent niet steeds hetzelfde stukje tekst hoeft te typen (je geeft immers vaak dezelfde feedback), maar je kan natuurlijk je bibliotheek ook vullen met “analyseopdrachten” en in de video markers aanbrengen met deze analyseopdrachten.
Nadeel is dat de bibliotheek (volgens mij) niet uitwisselbaar is met anderen, dus iedereen moet in het begin de verschillende categorieen zelf in zijn Eigen bibliotheek “inkloppen”. Ik kan me wel voorstellen dat het bedrijf dat Provisto heeft ontwikkeld hier mischien een technische oplossing voor heeft.
ELAN kent de mogelijkheid om te werken met een “controlled vocubalary” (CV), in feite is dit een sort “pickmenu” dat je van tevoren instelt. Ik gebruik dit vaak als analysemiddel, dus fenomeen X kan behoren tot categorie A=aaaa, B=bbbb, C=ccc, etc. Je kan dan heel snel een categorie “pikken”. ELAN heeft weer als voordeel dat je met statistieken kan werken, en dan dus kan zien hoeveel keer “fenomeen X” per opname voorkomt, bijvoorbeeld. Een aangemaakt CV kan je als template opslaan en in een andere ELAN-file importeren. Nadeel is dat je, bij importeren, alleen een extra categorie kan toevoegen in de file waarin je oorsponkelijk de CV aanmaakte. Dus als je voor filmpje A een CV aanmaakt, de CV vervolgens importeert in filmpjes B, C en D, maar je komt er bij filmpje D achter dat je een categorie mist, dan kan je deze categorie alleen aanmaken in de CV in filmpje A en moet je in filmpje B, C en D deze nieuwe aangevulde CV weer opnieuw invoeren.
Een ander voordeel van een CV in ELAN is dat verschillende “feedbackgevers” allemaal hetzelfde pickveld hebben, dus je makkelijk kan vergelijken. Als ieder voor zich gaat formuleren, krijg je soms heel verschillende formuleringen voor hetzelfde fenomeen.