Så fort samtalet om lärdata går bortom "hur många har gjort kursen?" dyker förkortningen LRS upp. Den beskrivs ofta som något stort och komplext, men själva idén är enkel. Ett LRS är platsen dit lärdata skickas och där den blir kvar. Frågan är snarare om ni behöver ett eget, och det beror på hur ert lärande faktiskt ser ut.
Vad ett LRS är
LRS står för Learning Record Store och är ett datalager specialiserat på lärdata. Det tar emot xAPI-satser, alltså korta beskrivningar av vad någon gjort i formen aktör, verb och objekt, lagrar dem och lämnar ut dem igen på förfrågan.
Det som gör ett LRS till mer än en vanlig databas är att sättet att lämna in och hämta ut data är standardiserat. Vilken kurs, app eller simulator som helst kan skicka in satser på samma sätt, och vilket analysverktyg som helst kan hämta ut dem på samma sätt. Det är hela poängen: lärdata från många källor samlas i ett format som går att arbeta vidare med.
Vad ett LRS inte är
Här uppstår de flesta missförstånden, så det är värt att vara tydlig.
- Det är inte en lärplattform. Ett LRS har ingen kurskatalog, inga inbjudningar, inga påminnelser och ingen deltagaradministration. Det levererar inte utbildning, det tar emot data om utbildning.
- Det är inte ett rapportverktyg. De flesta LRS har enklare vyer för att titta på inkommande data, men de riktiga analyserna byggs normalt i ett BI-verktyg eller en egen rapportlösning som hämtar data från lagret.
- Det är inte ett innehållsbibliotek. Kurser, filmer och dokument ligger kvar där de ligger. Det är bara spåren efter användningen som hamnar i ert LRS.
Ett LRS är alltså en pusselbit, inte en helhetslösning. Det blir användbart först tillsammans med innehåll som skickar bra data och någon form av analys i andra änden.
Hur det förhåller sig till lärplattformen
Det finns tre vanliga uppsättningar, och de skiljer sig mer i praktiken än på ritningen.
Inbyggt LRS i lärplattformen
Många moderna lärplattformar har ett LRS inbyggt. Det är den enklaste vägen in: inget extra system att upphandla, ingen integration att bygga, och data hamnar automatiskt bredvid övrig kursinformation. Begränsningen är att lagret ofta är optimerat för plattformens egna kurser, och att ni kan ha svårt att få ut data i sin helhet om ni byter leverantör.
Fristående LRS bredvid lärplattformen
Här står lagret för sig självt och tar emot data från både lärplattformen och andra källor. Det kostar mer att sätta upp och förvalta, men ni äger datamodellen och historiken oberoende av vilken plattform ni råkar använda just nu. Det är den vanligaste lösningen när lärande sker i flera system.
LRS som nav mellan flera system
I större organisationer används LRS:et som en gemensam knutpunkt. Lärplattformen, interna verksamhetssystem, simulatorer, appar och kanske klassrumsutbildningar rapporterar in på samma ställe, och därifrån går data vidare till analys och uppföljning. Det ger den bästa helhetsbilden och kräver också mest arbete med struktur och styrning.
Vad ni får som ni inte får annars
Det tydligaste värdet är att lärande utanför lärplattformen blir synligt. En genomförd kurs, en simulering i ett annat system, en uppslagning i en checklista ute i verksamheten och ett moment i en fysisk utbildning kan alla beskrivas på samma sätt och läsas tillsammans. Utan ett gemensamt lager blir varje system en egen ö med egen rapportering.
Ett andra värde som ofta förbises: historiken överlever ett plattformsbyte. Byter ni lärplattform vart femte år försvinner normalt också uppföljningen som låg där. Ligger data i ett fristående LRS är den kvar, och ni kan följa utvecklingen över längre tid än en enskild leverantörsrelation.
Behöver ni ett?
Det ärliga svaret är att många organisationer klarar sig utmärkt utan. Ett eget LRS är sannolikt onödigt om:
- allt lärande sker i en lärplattform och kurserna är byggda i SCORM
- frågorna ni behöver svar på är genomförandegrad, resultat och påminnelser
- plattformens standardrapporter redan besvarar det verksamheten frågar efter
Ett LRS börjar bli motiverat när något av det här stämmer:
- lärandet sker i flera system och ni behöver se helheten på ett ställe
- ni vill mäta beteende och effekt, inte bara genomförande, och behöver underlag över tid
- kraven på spårbarhet är höga, exempelvis inom regelefterlevnad, och dokumentationen behöver sparas länge
- ni vill koppla ihop lärdata med verksamhetsdata som avvikelser, supportärenden eller kvalitetsutfall
- ni har bytt eller planerar att byta lärplattform och vill behålla historiken
Ett enkelt sätt att pröva saken: skriv ned de fem frågor ni skulle vilja kunna besvara om ett år. Kan lärplattformen redan svara på dem behöver ni inget LRS. Kräver svaren data från flera håll är det dags att titta närmare.
Det ni behöver bestämma innan ni skaffar ett
Datamodellen
xAPI bestämmer formen på satserna men inte innehållet. Utan gemensamma överenskommelser om vilka verb som används och vad de betyder får ni ett lager fullt av data som inte går att jämföra. Bestäm en liten uppsättning verb och aktivitetstyper från början och håll er till den.
Personuppgifter och gallring
En xAPI-sats pekar nästan alltid ut en identifierbar person, vilket gör innehållet i ett LRS till personuppgifter. Bestäm rättslig grund, informera medarbetarna om vad som registreras och sätt gallringsregler innan ni börjar samla in. Fundera också igenom var gränsen går mellan uppföljning av utbildning och övervakning av individer. Det är en fråga om förtroende minst lika mycket som om regelefterlevnad, och den är betydligt enklare att hantera i förväg än i efterhand.
Var data ligger och hur ni får ut den
Kontrollera var lagret driftas och vilka villkor som gäller. Kontrollera också att ni kan exportera hela innehållet i standardformat. Ett av huvudargumenten för ett fristående LRS är oberoende, och det argumentet faller om data inte går att flytta.
Volym och förvaltning
Detaljerad insamling ger snabbt stora datamängder, och någon behöver äga lagret över tid: hålla datamodellen aktuell, kvalitetssäkra inkommande satser och se till att rapporterna fortsätter stämma. Ett LRS utan ägare blir ett dyrt arkiv.
Börja litet
Den vanligaste missen är att bygga en heltäckande lösning innan någon har använt data i skarpt läge. Välj i stället en utbildning där uppföljningen faktiskt spelar roll, formulera ett fåtal frågor ni vill kunna besvara, mät bara det som krävs för att besvara dem och låt resultatet avgöra nästa steg. Då märker ni tidigt om ett LRS löser ett verkligt problem hos er, eller om lärplattformen ni redan har räcker gott.
Vi hjälper er att avgöra om ett LRS behövs, sätta en datamodell som håller över tid och bygga utbildningar som skickar data värd att spara.