We krijgen online steeds vaker informatie “op maat”. Van video’s tot nieuws tot producten: algoritmes proberen te voorspellen wat we hopelijk graag willen zien. Handig, want het spaart tijd. Minder handig, omdat je minder verrast wordt door wat je nog niet kent en misschien in een soort filterbubbel kan terechtkomen.

Een nieuwe studie van Giwon Bahg en collega’s in Journal of Experimental Psychology: General onderzocht wat dat soort personalisatie kan betekenen specifiek voor leren. Let wel: ze deden dit niet in een onderwijssetting, maar in een volledig gecontroleerde labo-omgeving met leerstof over fictieve aliens en kunstmatige eigenschappen. Dit is voor alle duidelijkheid een beperking naar praktische conclusies. Maar net daarom kan het interessant zijn: alle voorkennis, meningen en emoties zijn uitgeschakeld. Wat overblijft, is een soort pure vorm van leren. En dat levert een verwarrend én relevant beeld op.

Wat deden de onderzoekers? Deelnemers moesten nieuwe categorieën leren: acht soorten “aliens”, elk opgebouwd uit zes kenmerken. In de controlegroep kreeg iedereen dezelfde reeks voorbeelden te zien en moest men alle kenmerken bekijken. In de experimentele groepen begon een personalisatie-algoritme mee te bepalen welke voorbeelden je kreeg en in welke volgorde je kenmerken te zien kreeg. Het systeem leerde van jouw gedrag en bood vooral dingen aan waarvan je waarschijnlijk opnieuw kenmerken zou bekijken. Simpel gezegd: het algoritme probeerde niet je kennis te maximaliseren, maar je consumptie door te zorgen dat je zoveel mogelijk kenmerken blijft aanklikken.

Wat gebeurde er dan? Kort samengevat:

• Deelnemers in de gepersonaliseerde condities bekeken minder kenmerken én deden dat selectiever.

• Ze bouwden daardoor smallere en vertekende categorieën op.

• Ze maakten meer fouten bij het classificeren van nieuwe aliens.

• En vooral: bij aliens waarvan ze nooit een voorbeeld hadden gezien, waren ze bijzonder zeker van hun foutieve antwoorden.

Dat laatste is misschien het opvallendste: hoe minder iemand gezien had, hoe zekerder die soms werd. Niet helemaal het Dunning-Kruger effect maar het lijkt wel verwant: overmoed als neveneffect van personalisatie.

Maar… Het is verleidelijk om dit door te trekken naar gepersonaliseerd of adaptief leren in onderwijs. Het is te zeggen ik dacht hier zelf spontaan aan. Maar dat zou te snel gaan. Wat hier onderzocht is, is een persoonlijk algoritme dat geoptimaliseerd is voor “content consumption”, niet voor leren. We mogen hopen dat de algoritmes in leerplatformen anders zijn.

Deze studie laat wel zien hoe snel menselijk informatie zoeken beïnvloed wordt door een systeem dat keuzes vernauwt. Mensen gaan minder verkennen, zien minder variatie en worden toch zekerder van hun beperkte kennis. Dat maakt het relevant voor iedereen die met personalisatie werkt, van nieuws tot leertechnologie.

Het is een elegante studie die toont hoe fragiel leren kan zijn wanneer een systeem bepaalt welke input je krijgt. Misschien is dat de belangrijkste boodschap: personalisatie kan voordelen hebben, maar alleen als je bewust bewaakt dat leerlingen ook zien wat ze níét spontaan zouden tegenkomen. Diversiteit van voorbeelden blijft nodig, net zoals onder andere feedback en metacognitie.