dinsdag 4 februari 2014

RDM-ondersteuning in 21 vragen

Een training ontwerpen op basis van a) wat de beoogde deelnemers al weten en b) wat zij belangrijk vinden om aan de weet te komen. Dat wilde ik bij het opzetten van de training research data management (RDM) voor mijn collega's, de informatiespecialisten van de Bibliotheek van de Universiteit van Amsterdam. Een handvat voor zo'n peiling van kennisbehoefte vond ik bij RDMRose, en ik maakte er een Nederlandstalige variant van.

Het project RDMRose, waar ik in maart 2013 een paar dagen in de keuken mocht kijken, resulteerde in lesmateriaal over onderzoeksdatamanagement voor informatieprofessionals. Dit materiaal kan gebruikt worden bij face-to-face training – tijdens het project is het materiaal getest bij de Universiteitsbibliotheken van Sheffield, Leeds en York, en het is de bedoeling dat het ook binnen de iSchool van de Universiteit van Sheffield wordt gebruikt. Daarnaast is het geschikt voor 'training op eigen houtje', netter geformuleerd: self-directed Continuing Professional Development (CPD).

Voor wie niet de gelegenheid heeft om het lesmateriaal van alle acht thema's binnen RDMRose door te nemen, is een self evaluation tool (Worddocument) gemaakt: een lijst met aspecten van research data management die je kunt waarderen op twee punten, nl. je huidige kennis ervan en het belang van (het opdoen van) kennis ervan voor jou. Bij elk item staat aangegeven welke onderdelen van RDMRose voor dat aspect van belang zijn, zodat je aan de hand van je eigen kennisbehoefte die onderdelen van het lesmateriaal kunt doorwerken die voor jou het belangrijkst zijn.

Naar dat voorbeeld maakte ik een eigen vragenlijst: ik liet weg wat ik wel in de lijst van RDMRose vond, maar voor mijn collega's minder relevant achtte, en voegde op basis van andere bronnen vragen toe die ik bij RDMRose miste. Ik kwam uit op 20 vragen over allerlei ingrediënten van onderzoeksdatamanagement: nut en noodzaak, ondersteuning, beleid, hindernissen en voor(oor)delen bij het delen van onderzoeksdata, etc. Deze vragen wilde ik door mijn collega's laten beoordelen op een schaal van 0 (= ik heb geen idee wat het antwoord op de vraag is) tot en met 4 (= ik kan de vraag prima beantwoorden).

Het vinden van een vorm die voor zowel mijn collega's als mijzelf handig zou zijn, bleek een puzzel. Een Worddocument met twee kolommen – één voor de huidige kennis en één voor het belang van die kennis – zou eenvoudig in te vullen zijn, maar het verwerken van de antwoorden tamelijk arbeidsintensief maken. Een Google-formulier zou eenvoudig in te vullen en te verwerken zijn, maar daarin kon ik geen twee kolommen kwijt.

Een test van het Google-formulier op twee collega's leerde me dat het tweemaal stellen van de vragen – hen de 20 vragen eerst laten beantwoorden in relatie tot hun huidige kennis en hen vervolgens de 20 vragen nogmaals te laten beoordelen vanuit een "dit moet ik weten om mijn onderzoekers goed te ondersteunen" – verwarrend werkte. Ik korte het formulier daarom in: 20 vragen, te beoordelen vanuit huidige kennis, en daarna één open vraag: "Je hebt in de voorgaande 20 vragen allerlei aspecten van (het ondersteunen van) onderzoeksdatamanagement voorbij zien komen. Welke aspecten zijn voor jou het belangrijkst? Wat wil jij na afloop van de training in elk geval weten of kunnen? Wat heb jij nodig om jouw onderzoekers het beste te kunnen ondersteunen?"

Nadat de vragenlijst in november 2013 door alle collega's was ingevuld, verwerkte ik de antwoorden op de gesloten vragen met behulp van Excel in pivot tables waarvan ik een grafiek maakte. De standaardkleuren die Excel aan balken in een grafiek geeft, verving ik door verkeerslichtgradaties: 0 (dat weet ik niet) werd rood, 1 (dat weet ik nauwelijks) werd lichtrood, 2 (dat weet ik ongeveer) werd oranje, 3 (dat weet ik goed) werd lichtgroen, en 4 (dat weet ik heel goed) werd groen. Daarmee geeft de grafiek per vraag weer hoe groot de kennisbehoefte is, en is in één oogopslag te zien of er een trainingsnoodzaak is.

Dat gezegd zijnde: de vragenlijst was voor mij een middel, en de grafiek was niet het doel. De scores van de gesloten vragen hebben me geholpen om de thema's voor de trainingsbijeenkomsten te identificeren. De vragen zelf hielpen bij het formuleren van leerdoelen. En in het lesmateriaal dat ik voor de training maak, geef ik aan – al was het alleen maar om voor mezelf te kunnen controleren of alle vragen inderdaad in de training aan bod komen – op welke vragen uit de vragenlijst het betrekking heeft.

De antwoorden op de open vraag gaven me inzicht in de verwachtingen van mijn collega's ten aanzien van de training. Een belangrijk punt – en een echo van wat ik in Engeland hoorde – was: maak het concreet, wat gaan we nu precies dóen? Daarom krijgt de laatste trainingsbijeenkomst het thema 'Data en dienstverlening'. Hoe een informatiespecialist een onderzoeker kan ondersteunen, komt in elke trainingsbijeenkomst wel (impliciet) aan de orde; in de laatste bijeenkomst maken we het, op basis van de voorafgaande bijeenkomsten en de ervaringen die elke informatiespecialist met zijn of haar eigen onderzoekers heeft, samen expliciet.

Als mijn collega's me tegen het einde van de training nog niet zat zijn, leg ik de vragenlijst nogmaals aan hen voor. Als de grafiek dan 'n stuk groener uitpakt, hebben we met z'n allen iets goed gedaan :-)

De vragenlijst is onder CC-BY-SA-licentie beschikbaar via figshare (Worddocument met toelichting).

Geen opmerkingen:

Een reactie posten