Learning analytics in serious games_

Learning analytics in serious games maakt zichtbaar wat deelnemers leren, hoe ze keuzes maken en waar gedrag echt verandert. Juist dat is waardevol in een serious game: niet alleen of iemand een eindscore haalt, maar welke strategieën, samenwerkingspatronen en beslissingen onderweg laten zien dat leerdoelen worden bereikt. Voor organisaties die serious games inzetten voor training, onboarding, recruitment of teambuilding, helpt learning analytics om leren tastbaar en meetbaar te maken zonder het te versimpelen tot alleen cijfers. Bij serious games gaat het vaak om complex gedrag. Denk aan communiceren onder druk, informatie delen, patronen herkennen, prioriteiten stellen of samenwerken in teams. Zulke vaardigheden komen niet altijd goed naar voren in een traditionele toets. Met learning analytics kun je juist binnen de spelcontext kijken naar gedragsindicatoren, feedbackmomenten, reflectie en bewijs uit meerdere bronnen. Daardoor krijg je een realistischer beeld van voortgang, betrokkenheid en transfer naar de praktijk. → Vraag een demo aan Op deze pagina lees je wat learning analytics in serious games precies is, welke data relevant zijn, hoe je leerresultaten verantwoord interpreteert en waar je rekening mee moet houden bij privacy, evaluatie en implementatie.

Wat is learning analytics in serious games?

Learning analytics in serious games is het verzamelen, analyseren en interpreteren van data uit een serious game om leren beter te begrijpen en te verbeteren. Het gaat daarbij niet alleen om ruwe speldata, maar om data die gekoppeld zijn aan leerdoelen, competenties en gewenst gedrag. De kernvraag is dus niet alleen wat iemand in het spel doet, maar wat die handelingen zeggen over leren, besluitvorming en toepassing in een realistische context. Deze aanpak combineert twee werelden. Uit learning analytics komt de focus op leerprocessen, voortgang, feedback en evaluatie. Uit game analytics komt de focus op interacties, patronen, keuzes, obstakels en gebruikersgedrag. In serious games komen die samen, omdat een spel zowel een leeromgeving als een interactief systeem is. Dat maakt learning analytics in serious games anders dan een standaard toets of een simpel aanwezigheidsrapport. Je kijkt naar:

• keuzes die deelnemers maken tijdens opdrachten;
• de volgorde waarin problemen worden aangepakt;
• samenwerking en communicatie binnen teams;
• reacties op feedback of onverwachte wendingen;
• ontwikkeling over meerdere rondes of sessies.

Voor organisaties is dit vooral interessant als ze niet alleen een leuke spelervaring willen, maar ook willen aantonen wat de training oplevert.

Waarom zijn learning analytics belangrijk binnen serious games?

Serious games worden vaak ingezet omdat ze deelnemers actief laten oefenen met realistische situaties. Dat maakt ze krachtig voor gedragsverandering, vaardigheidstraining en ervaringsgericht leren. Tegelijk ontstaat daar een bekende uitdaging: hoe toon je aan wat iemand daadwerkelijk geleerd heeft? Precies daar voegen learning analytics waarde toe. Ze helpen om leerresultaten niet alleen achteraf te beoordelen, maar ook tijdens en direct na het spel zichtbaar te maken. Daardoor kun je gerichter evalueren en beter onderbouwen waarom een game werkt, waar deelnemers vastlopen en welke onderdelen extra begeleiding nodig hebben. Belangrijke redenen om learning analytics toe te passen in serious games zijn:

• Meetbaar leren: je maakt zichtbaar welke gedragingen aansluiten op leerdoelen en competenties.
• Betere feedback: deelnemers kunnen sneller gerichte terugkoppeling krijgen op keuzes en aanpak.
• Sterkere evaluatie: trainers en L&D-teams krijgen meer bewijs dan alleen zelfrapportage of een eindscore.
• Verbetering van game design: je ziet waar opdrachten te makkelijk, te moeilijk of onduidelijk zijn.
• Borging naar de praktijk: analytics helpen om spelgedrag te koppelen aan transfer naar werkprocessen.

Voor een partij als Coded Club sluit dit goed aan op het uitgangspunt dat leren in games niet gereduceerd hoeft te worden tot alleen punten. Juist de combinatie van gedragsindicatoren, reflectie, debrief en formatieve evaluatie maakt de uitkomsten bruikbaar.

Welke data verzamel je in serious games?

Niet alle data uit een game zijn automatisch relevant voor learning analytics. Het doel is niet om zoveel mogelijk te registreren, maar om de juiste signalen te verzamelen die iets zeggen over leren. Welke data nuttig zijn, hangt daarom af van het type game, de leerdoelen en de context waarin je de game inzet. Bij serious games kun je vaak werken met een mix van procesdata, gedragsdata en evaluatiedata. Procesdata laten zien wat er gebeurt in het spelverloop. Gedragsdata geven aanwijzingen over strategie, samenwerking en besluitvorming. Evaluatiedata helpen om de uitkomsten te interpreteren naast observatie, reflectie of andere bewijsvormen.

Voorbeelden van relevante learning analytics-data

• volgorde van acties en beslissingen;
• tijdsbesteding per opdracht, puzzel of fase;
• fouten, retries en herstelgedrag;
• keuzes tussen verschillende oplossingsroutes;
• gebruik van hints, feedback of hulpmiddelen;
• communicatie- en samenwerkingsmomenten binnen teams;
• reflectie-antwoorden of debrief-input na afloop;
• ontwikkeling over meerdere sessies of trainingsmomenten.

Data die vaak minder waarde hebben zonder context

• alleen een eindscore;
• alleen speeltijd;
• alleen voltooiingspercentage;
• losse klikdata zonder koppeling aan leerdoelen.

Een deelnemer kan bijvoorbeeld snel klaar zijn, maar ondertussen oppervlakkig hebben gehandeld. Andersom kan iemand langer bezig zijn, maar juist sterk leren door experimenteren, fouten herstellen en slim samenwerken. Daarom is context altijd nodig.

Van speldata naar leerinzichten

De echte waarde van learning analytics zit niet in het verzamelen van data, maar in de vertaling naar betekenisvolle leerinzichten. Een eventlog of lijst met acties is op zichzelf nog geen evaluatie. Je moet eerst bepalen welke patronen iets zeggen over gedrag, voortgang of competentieontwikkeling. Dat begint bij duidelijke leerdoelen. Als een game bedoeld is om samenwerking te trainen, dan kijk je naar andere indicatoren dan bij een game over privacybewustzijn of onboarding. Vervolgens koppel je die leerdoelen aan observeerbaar gedrag in de game. Denk aan wie initiatief neemt, hoe informatie wordt gedeeld, of teams beslissingen onderbouwen en of deelnemers feedback meenemen in hun volgende actie. Een praktische vertaalslag ziet er vaak zo uit:

• Leerdoel: effectief samenwerken onder tijdsdruk.
• Gedragsindicator: taakverdeling, afstemming en informatie-uitwisseling.
• Meetmoment: tijdens opdrachten, bij teamkeuzes en in de debrief.
• Interpretatie: niet alleen snelheid, maar kwaliteit van samenwerking telt mee.

Zo voorkom je dat analytics een los technisch systeem worden. In plaats daarvan worden ze onderdeel van een didactisch ontwerp dat gericht is op leren door te doen.

Learning analytics en assessment in serious games

Een van de meest waardevolle toepassingen van learning analytics in serious games is assessment. Daarbij gebruik je interacties in de game als bron van bewijs voor kennis, vaardigheden of gedrag. Dat kan formatief zijn, om deelnemers tijdens het leerproces te begeleiden, of meer evaluatief, om zicht te krijgen op bereikte leerdoelen. In veel serious games past een formatieve benadering het best. Je wilt deelnemers immers ruimte geven om te experimenteren, fouten te maken en daarvan te leren. Analytics ondersteunen dat door tussentijdse feedback mogelijk te maken en patronen zichtbaar te maken die in een klassieke kennistoets vaak onzichtbaar blijven.

Waarom assessment in games anders werkt

In een serious game laat een deelnemer vaak meer zien dan alleen het juiste antwoord. Je ziet ook:

• hoe iemand tot een keuze komt;
• of feedback wordt benut;
• hoe iemand reageert op onzekerheid of tijdsdruk;
• of gedrag verandert na reflectie of samenwerking.

Dat maakt game-based assessment rijker, maar ook gevoeliger voor verkeerde interpretatie. Daarom is het verstandig om meerdere bronnen van bewijs te combineren, zoals spelgedrag, observatie, reflectie-opdrachten en nabespreking.

Formatieve evaluatie werkt vaak beter dan alleen scoren

Voor veel organisaties is het niet nodig om van een serious game een hard examen te maken. Vaak levert formatieve evaluatie meer op. Je gebruikt analytics dan om gesprekken te verdiepen, leerbehoeften te herkennen en vervolgacties te bepalen. Dat sluit goed aan bij maatwerktrajecten, onboarding, teamontwikkeling en gedragsverandering, waar nuance belangrijker is dan één eindcijfer. Een nuttige vervolgstap is evalueren met het Kirkpatrick-model, zodat je speldata ook kunt plaatsen binnen bredere leerresultaten.

Realtime feedback en analyse achteraf

Learning analytics in serious games kunnen op twee momenten waarde toevoegen: tijdens het spel en na afloop. Beide hebben een andere functie en vullen elkaar aan.

Realtime learning analytics

Realtime analytics zijn nuttig als je tijdens een sessie wilt monitoren wat er gebeurt. Denk aan een trainer of host die wil zien welke teams vastlopen, waar samenwerking stokt of wanneer extra uitleg nodig is. In een digitale of hybride setting kan realtime feedback ook deelnemers zelf helpen om sneller bij te sturen. Praktische toepassingen van realtime analytics zijn:

• signalen dat een team structureel blijft hangen in dezelfde opdracht;
• zicht op voortgang tussen verschillende groepen;
• tijdige interventie wanneer deelnemers afhaken of verkeerd interpreteren;
• directe feedback in de game zelf na keuzes of acties.

Analyse achteraf

Analyse achteraf is vaak nog waardevoller voor L&D, trainers en ontwerpers. Dan kun je patronen vergelijken tussen sessies, doelgroepen of spelvarianten. Je ziet welke onderdelen goed werken, waar leerwinst waarschijnlijk ontstaat en welke opdrachten herontwerp vragen. Voor organisaties die serious games structureel inzetten, is dit belangrijk voor borging. Je gebruikt de inzichten niet alleen om de deelnemer te helpen, maar ook om de training zelf te verbeteren.

Visualisatie en dashboards: wat moet je echt laten zien?

Analytics worden pas bruikbaar als mensen ze snel begrijpen. Een dashboard vol losse cijfers helpt trainers of opdrachtgevers meestal niet verder. Goede visualisatie laat in één oogopslag zien waar voortgang, knelpunten en leerkansen zitten. Bij learning analytics in serious games is eenvoud vaak krachtiger dan volledigheid. Laat daarom vooral informatie zien die direct gekoppeld is aan beslissingen of evaluatievragen. Bijvoorbeeld: welke teams kwamen tot een oplossing via samenwerking, welke groepen gebruikten vooral trial-and-error, en op welk moment ontstond vertraging of miscommunicatie?

Handige onderdelen van een dashboard

• voortgang per team of deelnemer;
• kritieke momenten in het spelverloop;
• gebruik van hints of feedback;
• vergelijking tussen beoogde en feitelijke leerroute;
• signalen voor interventie of nabespreking;
• samenvatting per leerdoel of competentie.

Wat je beter niet centraal zet

• te veel technische details zonder didactische betekenis;
• ranglijsten als die samenwerken of veilig leren ondermijnen;
• metrics die niet uitlegbaar zijn aan trainers of deelnemers.

Voor serious games in bedrijfscontext is een beknopt, doelgericht dashboard vaak effectiever dan een uitgebreid analytics-platform. Zeker wanneer een game analoog, digitaal of hybride kan zijn, moet de interpretatie praktisch blijven.

Praktische toepassingen voor organisaties

Learning analytics in serious games zijn vooral waardevol wanneer ze direct aansluiten op een concrete leer- of organisatiedoelstelling. In de praktijk zie je dat terug in toepassingen zoals onboarding, recruitment, teamontwikkeling, compliance, leiderschap en vaardigheidstraining. Wil je investeringen onderbouwen en business-impact aantonen, dan is ROI van serious games berekenen een logische vervolgstap.

Onboarding

Bij onboarding kun je met analytics zichtbaar maken hoe nieuwe medewerkers informatie verwerken, welke keuzes ze maken in praktijksituaties en waar extra begeleiding nodig is. Dat helpt om onboarding interactiever en tegelijk beter meetbaar te maken.

Training en L&D

In trainingen zijn analytics nuttig om te zien welke leerdoelen goed landen en waar deelnemers nog ondersteuning nodig hebben. Denk aan samenwerking, communicatie, probleemoplossing of besluitvorming onder druk.

Recruitment en selectiecontext

In recruitment-gerelateerde serious games kunnen gedragsdata laten zien hoe kandidaten omgaan met informatie, teamsituaties of complexe keuzes. Daarbij is extra zorg nodig in interpretatie, transparantie en privacy, zodat data niet zwaarder worden uitgelegd dan verantwoord is.

Teambuilding en gedragsverandering

Bij teamgames kun je kijken naar groepsdynamiek, rolverdeling, afstemming en besluitvorming. Zeker in een debrief levert dit rijke input op voor reflectie en vervolgacties in de werkpraktijk.

Learning analytics in analoge, digitale en hybride serious games

Learning analytics worden vaak geassocieerd met digitale platforms, maar ze zijn ook relevant in analoge en hybride serious games. Het verschil zit vooral in hoe je data verzamelt en hoe fijnmazig de registratie is. In digitale games kun je interacties automatisch loggen. In analoge games werk je eerder met observatieformulieren, reflectie-opdrachten, facilitator-notities en gestructureerde evaluatie. In hybride formats combineer je beide. Dat kan juist sterk zijn, omdat je kwantitatieve signalen aanvult met kwalitatieve context.

Type serious game	Typische databronnen	Sterke kant voor learning analytics
Digitaal	eventlogs, keuzes, timing, voortgang, feedbackgebruik	veel detail en schaalbare analyse
Analoog	observatie, notities, debrief, reflectie, scorekaarten	rijke context en gedragsinterpretatie
Hybride	combinatie van logdata en menselijke observatie	balans tussen meetbaarheid en nuance

Voor Coded Games en andere maatwerk serious games is die hybride kijk vaak logisch. Niet elk leerdoel vraagt om volledige automatisering. Soms levert een combinatie van gedragsindicatoren, reflectie en begeleiding sterkere inzichten op dan alleen digitale tracking.

Implementatie: zo zet je learning analytics zinvol op

Veel organisaties denken te vroeg aan tooling en te laat aan leerdoelen. Daardoor ontstaat het risico dat je wel data verzamelt, maar weinig bruikbare inzichten krijgt. Een goede implementatie begint daarom niet bij techniek, maar bij de vraag wat je wilt meten en waarom.

Een werkbare aanpak in stappen

1. Formuleer het leerdoel of gedragsdoel zo concreet mogelijk.
2. Bepaal welk gedrag in de game daarop wijst.
3. Kies alleen databronnen die echt nodig zijn.
4. Leg vast hoe je de data interpreteert en met welke beperkingen.
5. Combineer analytics met debrief, observatie of reflectie.
6. Evalueer na sessies of de indicatoren echt bruikbare inzichten geven.

Veelgemaakte fouten

• te veel meten zonder duidelijke onderzoeksvraag;
• scores verwarren met leerresultaat;
• gedrag uit de game één op één vertalen naar werkprestaties;
• geen rekening houden met context, teamdynamiek of spelmechaniek;
• privacy pas achteraf meenemen.

Juist in serious games is interpretatie cruciaal. Een speler die vaak experimenteert, hoeft niet slechter te presteren. Dat kan ook een teken zijn van onderzoekend leren. Zonder context trek je snel verkeerde conclusies.

Privacy, ethiek en dataminimalisatie

Wie learning analytics in serious games inzet, werkt al snel met leerresultaten, gedragsdata en soms teaminteracties. Dat maakt AVG en privacy bij serious games en ethiek in serious games geen bijzaak, maar een vast onderdeel van het ontwerp. Zeker in bedrijfsopleidingen, onboarding of recruitment moet je zorgvuldig omgaan met wat je meet, waarom je dat meet en wie toegang krijgt tot de uitkomsten. Een verstandig uitgangspunt is dataminimalisatie: verzamel alleen gegevens die echt nodig zijn voor het leerdoel of de evaluatie. Niet alles wat meetbaar is, hoeft ook gemeten te worden. Daarnaast helpt privacy by design om al vroeg keuzes te maken over opslag, bewaartermijnen, toegang en rapportagevormen.

Belangrijke aandachtspunten

• wees duidelijk over doel, gebruik en bewaartermijn van data;
• verzamel niet meer persoonsgegevens dan nodig;
• beperk toegang tot analytics op basis van rol en noodzaak;
• gebruik waar mogelijk geaggregeerde of geanonimiseerde inzichten;
• voorkom dat speelse leerdata onbedoeld worden gebruikt als zwaar beoordelingsinstrument;
• leg uit hoe feedback en evaluatie tot stand komen.

Dat is niet alleen juridisch verstandig, maar ook didactisch. Deelnemers leren veiliger en eerlijker wanneer ze begrijpen wat er gemeten wordt en wanneer analytics bedoeld zijn om ontwikkeling te ondersteunen, niet om hen op onduidelijke gronden te labelen.

Uitdagingen en beperkingen van learning analytics in serious games

Hoewel de mogelijkheden groot zijn, zijn er ook duidelijke beperkingen. Learning analytics in serious games geven nooit het volledige verhaal. Spelgedrag wordt beïnvloed door spelregels, teamrollen, voorkennis, motivatie, tijdsdruk en de manier waarop de sessie wordt gefaciliteerd. Daardoor moet je voorzichtig zijn met harde conclusies. Daarnaast kunnen implementatie en onderhoud complex zijn. Zeker bij maatwerk serious games moet je vooraf goed nadenken over datapunten, evaluatiecriteria en de praktische inzet van de uitkomsten. Zonder die voorbereiding ontstaat al snel een mismatch tussen wat technisch zichtbaar is en wat didactisch relevant is.

Belangrijkste beperkingen

• gedrag in een game is niet automatisch gelijk aan gedrag in de praktijk;
• niet elk leerdoel is goed in data te vangen;
• teamgedrag is lastiger toe te schrijven aan individuen;
• meer data betekent niet automatisch betere evaluatie;
• debrief en context blijven essentieel voor juiste interpretatie.

Dat maakt learning analytics geen wondermiddel, maar wel een sterke aanvulling op goed serious game design, professionele begeleiding en reflectie.

Wanneer levert het echt iets op?

Learning analytics in serious games leveren vooral veel op als je ze inzet voor gerichte leer- of verandervragen. Bijvoorbeeld wanneer je wilt weten of een onboardinggame echt helpt bij sneller begrip van processen, of een teamgame daadwerkelijk samenwerking zichtbaar maakt, of een training deelnemers helpt om bewuster keuzes te maken in complexe situaties. De grootste meerwaarde zit meestal in deze combinatie:

• heldere leerdoelen vooraf;
• gedragsindicatoren die passen bij die doelen;
• feedback in de game en in de debrief;
• formatieve evaluatie in plaats van alleen eindbeoordeling;
• zorgvuldige omgang met privacy en interpretatie.

Als die basis klopt, worden serious games niet alleen activerend en memorabel, maar ook onderbouwd en beter te evalueren. Dat is precies waar learning analytics hun sterkste rol spelen. → Vraag een demo aan

FAQ over learning analytics in serious games

Wat is het verschil tussen game analytics en learning analytics?

Game analytics richt zich vooral op spelgedrag, gebruikspatronen en de werking van de game. Learning analytics richt zich op leren, voortgang en verbetering van leerprocessen. In serious games komen die samen: je analyseert spelgedrag om leerdoelen en gedragsontwikkeling beter te begrijpen.

Kun je learning analytics ook toepassen in analoge serious games?

Ja. Bij analoge serious games werk je meestal met observaties, reflectie-opdrachten, scorekaarten, facilitator-notities en debriefs. De data zijn minder automatisch beschikbaar dan in digitale games, maar kunnen nog steeds waardevolle leerinzichten opleveren.

Zijn scores genoeg om leren in serious games te meten?

Nee. Een score kan nuttig zijn, maar zegt vaak te weinig over strategie, samenwerking, denkproces en gedragsverandering. Daarom is het beter om scores te combineren met gedragsindicatoren, feedbackmomenten en reflectie. Wie specifieker wil kijken naar engagement meten in serious games, kan ook die dimensie apart meenemen in de analyse.

Welke leerdoelen zijn goed meetbaar met learning analytics?

Vooral leerdoelen waarbij gedrag zichtbaar wordt in keuzes en interacties. Denk aan samenwerken, communiceren, probleemoplossend denken, besluitvorming, informatieverwerking en omgaan met tijdsdruk. Abstracte of sterk interne leerdoelen vragen meestal om aanvullende evaluatievormen.

Hoe belangrijk is de debrief bij learning analytics?

Heel belangrijk. De debrief helpt om spelgedrag te duiden, aannames te toetsen en de koppeling te maken naar de praktijk. Zonder debrief bestaat het risico dat data te letterlijk of te oppervlakkig worden geïnterpreteerd.

Moet je altijd een dashboard of apart platform hebben?

Nee. Voor veel organisaties is een eenvoudige rapportage of gestructureerde terugkoppeling al voldoende. Zeker bij maatwerk, analoge of hybride serious games hoeft learning analytics niet per se te draaien op een uitgebreid softwareplatform om waardevol te zijn.

Waar moet je op letten bij privacy in serious games?

Let op dataminimalisatie, duidelijke communicatie over het doel van de meting, beperkte toegang tot resultaten en zorgvuldige rapportage. Verzamel alleen data die nodig zijn voor leren en evaluatie, en voorkom dat speldata zonder context als zwaar beoordelingsmiddel worden gebruikt.

Voor welke organisaties zijn learning analytics in serious games interessant?

Voor organisaties die serious games inzetten voor onboarding, training, recruitment, teambuilding, compliance of gedragsverandering. Vooral wanneer er behoefte is aan meetbaar leren, betere feedback en onderbouwde evaluatie, voegen learning analytics veel waarde toe. In zulke contexten is ook het leereffect van een escape room meten een relevante vervolgstap.