Dlaczego szkolenia online często nie zmieniają zachowań? Single-loop i double-loop learning w edukacji BHP

Single-loop learning — gdy szkolenie online staje się formalnością

W wielu organizacjach szkolenie BHP nadal funkcjonuje przede wszystkim jako obowiązek administracyjny. Kurs należy ukończyć, test zaliczyć, a dokumentację zamknąć w systemie. Z perspektywy Evidence-Based Management (EBMnt) pojawia się jednak pytanie, czy dane administracyjne rzeczywiście stanowią dowód skuteczności procesu edukacyjnego. Sam fakt ukończenia modułu e-learningowego nie musi oznaczać zmiany zachowań, rozwoju świadomości bezpieczeństwa ani bardziej odpowiedzialnego działania w środowisku pracy.

Taką sytuację dobrze opisuje koncepcja single-loop learning rozwijana przez Chris Argyris oraz Donald Schön. Uczenie pojedynczej pętli polega na poprawianiu działań bez podważania głębszych założeń, sposobu myślenia czy kultury organizacyjnej. Pracownik może nauczyć się poprawniej wykonywać określoną procedurę, lecz nadal traktować bezpieczeństwo jako wymóg formalny, a nie świadomą wartość organizacyjną.

W środowisku nauczania zdalnego single-loop learning pojawia się szczególnie łatwo. Platforma przekazuje treści, uczestnik wykonuje test, system zapisuje wynik, a organizacja uznaje proces za zakończony. Szkolenie generuje dane: czas aktywności, liczbę ukończonych modułów, procent poprawnych odpowiedzi. Problem polega jednak na tym, że dane nie zawsze są dowodami rzeczywistego uczenia się. EBMnt zwraca uwagę właśnie na tę różnicę — między samą obecnością wskaźników a jakością interpretacji ich znaczenia.

Z perspektywy pedagogiki pracy takie szkolenie może prowadzić głównie do reprodukowania informacji potrzebnych do zaliczenia kursu. Wiedza nie zostaje osadzona w doświadczeniu uczestnika, nie pojawia się refleksja nad własnym działaniem ani reinterpretacja ryzyka zawodowego. Organizacja uzyskuje zgodność proceduralną, ale niekoniecznie rozwija kulturę bezpieczeństwa.

Double-loop learning — gdy e-learning rozwija refleksję i kulturę bezpieczeństwa

Znacznie głębszy charakter posiada double-loop learning, czyli uczenie podwójnej pętli. W tym podejściu człowiek nie tylko koryguje działania, ale również zaczyna analizować własne założenia, przekonania i sposób rozumienia problemu. W kontekście bezpieczeństwa pracy oznacza to przejście od pytania „jak wykonać procedurę?” do pytania „dlaczego działamy w taki sposób i jakie konsekwencje mają nasze decyzje?”.

Z perspektywy EBMnt double-loop learning jest bliższy organizacji uczącej się, ponieważ obejmuje nie tylko analizę danych operacyjnych, ale również refleksję nad kulturą pracy, interpretacją ryzyka oraz mechanizmami podejmowania decyzji. Szkolenie przestaje być wyłącznie narzędziem transmisji wiedzy. Staje się środowiskiem wspierającym świadome uczenie się, reinterpretowanie doświadczeń oraz rozwijanie odpowiedzialności za bezpieczeństwo pracy.

Paradoksalnie właśnie nauczanie zdalne może bardzo dobrze wspierać taki proces. Platformy e-learningowe umożliwiają tworzenie forów refleksyjnych, analiz przypadków, scenariuszy decyzyjnych czy aktywności problemowych odnoszących się do rzeczywistych sytuacji zawodowych. Uczestnik nie musi jedynie zapamiętywać procedur — może analizować przyczyny błędów, interpretować zagrożenia i konfrontować wiedzę z własnym doświadczeniem zawodowym.

W praktyce oznacza to również zmianę sposobu projektowania kursów online. Zamiast koncentrować się wyłącznie na liczbie slajdów, czasie aktywności czy zgodności dokumentacyjnej, organizacja zaczyna analizować jakość procesu uczenia. Pojawia się pytanie nie tylko o to, czy uczestnik ukończył szkolenie, lecz także o to, jakie dowody wskazują na zmianę sposobu myślenia, rozumienia ryzyka oraz podejmowania decyzji w środowisku pracy.

Z perspektywy pedagogiki pracy i edukacji transformującej e-learning może więc stać się czymś więcej niż cyfrową wersją wykładu. Może wspierać rozwój refleksji, odpowiedzialności oraz świadomego działania w organizacji. Właśnie w tym miejscu spotykają się współczesne nauczanie zdalne, kultura bezpieczeństwa i Evidence-Based Management.

Donald Schön | Wikimedia

Więcej: https://akademia-nauki.eu/pl/start/informatorium/o-bhp/double-loop-learning

więcej

MAXQDA nie analizuje za Ciebie. To atut

W świecie badań jakościowych istnieje pokusa, by traktować oprogramowanie jak maszynę do „wydobywania prawdy” z danych. Wgrywamy wywiady, raporty, transkrypcje, dokumenty organizacyjne czy notatki terenowe — a system ma rzekomo „pokazać”, co z nich wynika. Problem polega na tym, że badania jakościowe nie działają jak kalkulator. Nie chodzi w nich wyłącznie o przetwarzanie danych, lecz o świadome budowanie interpretacji, kontrolowanie własnych założeń i dokumentowanie drogi dochodzenia do wniosków. Właśnie tutaj MAXQDA okazuje się narzędziem wyjątkowo interesującym.

MAXQDA nie jest programem „do robienia nauki”. Jest raczej środowiskiem pracy analitycznej. Pomaga organizować materiał, kodować dane, budować relacje między kategoriami i rekonstruować logikę procesu badawczego. Dla wielu badaczy staje się czymś w rodzaju cyfrowego laboratorium interpretacji. 

Nie zastępuje refleksji metodologicznej, ale pozwala ją uporządkować, uczynić bardziej transparentną i mniej podatną na chaos poznawczy.

To szczególnie ważne dzisiaj, gdy liczba danych jakościowych gwałtownie rośnie. Wywiady, komentarze z mediów społecznościowych, dokumenty organizacyjne, nagrania audio, filmy, ankiety otwarte, dane z platform edukacyjnych — współczesny badacz coraz częściej pracuje nie na kilku tekstach, lecz na ogromnych korpusach informacji. Bez odpowiedniej architektury organizacyjnej łatwo zgubić nie tylko dane, ale przede wszystkim sens interpretacji.

MAXQDA dobrze odnajduje się właśnie w takim środowisku. Program umożliwia tworzenie hierarchicznych systemów kodów, prowadzenie notatek metodologicznych, budowanie map pojęciowych, analizę współwystępowania kategorii czy tworzenie syntetycznych podsumowań materiału. Dla badacza oznacza to możliwość nie tylko „oznaczania fragmentów tekstu”, ale również śledzenia własnego procesu myślenia. W praktyce staje się to formą epistemicznego dziennika pracy badawczej.

Z perspektywy podejścia Evidence-Based Management szczególnie istotna jest możliwość integrowania różnych klas danych. MAXQDA pozwala pracować równocześnie na danych jakościowych, liczbowych i dokumentacyjnych. Dzięki temu organizacja może analizować nie tylko wskaźniki efektywności, ale również narracje pracowników, kulturę organizacyjną czy sposoby interpretowania zmian przez interesariuszy. To ważne, ponieważ wiele problemów zarządczych nie wynika z braku danych, lecz z braku zdolności do integrowania różnych poziomów obserwacji.

Program dobrze sprawdza się także w systematycznych przeglądach literatury. Choć sam screening artykułów często wygodniej prowadzić w narzędziach takich jak Rayyan, to późniejsza jakościowa synteza wyników może być już realizowana właśnie w MAXQDA. Dotyczy to zwłaszcza thematic synthesis, analizy narracyjnej, eksploracji motywów czy pracy nad kategoriami interpretacyjnymi. W takim ujęciu oprogramowanie staje się nie tyle magazynem danych, ile przestrzenią konceptualizacji wiedzy.

Jednocześnie warto zachować metodologiczną ostrożność. Każde narzędzie analityczne może tworzyć iluzję naukowej precyzji. Kolorowe wykresy, mapy kodów i matryce współwystępowania łatwo sprawiają wrażenie obiektywności. Tymczasem nawet najbardziej zaawansowane oprogramowanie nie eliminuje problemu interpretacji.

Kod nie jest dowodem sam w sobie. Jest decyzją badacza dotyczącą tego, co uznał za znaczące.

Dlatego praca z MAXQDA wymaga nie tylko znajomości programu, ale również świadomości epistemologicznej i dyscypliny metodologicznej.

Dla kogo zatem MAXQDA będzie rozwiązaniem niemal idealnym? 

Przede wszystkim dla osób pracujących na dużych zbiorach danych jakościowych, prowadzących badania mixed methods lub próbujących uporządkować złożone procesy interpretacyjne. Sprawdza się w naukach społecznych, edukacji, psychologii, badaniach organizacyjnych, health sciences, analizie polityk publicznych czy badaniach kultury organizacyjnej. Szczególnie dobrze odnajdą się w nim badacze, którzy chcą dokumentować proces dochodzenia do wniosków, budować audit trail i pracować w sposób bardziej transparentny.

Nie oznacza to jednak, że jest jedyną sensowną opcją. NVivo pozostaje bardzo mocnym rozwiązaniem w środowiskach akademickich pracujących na rozbudowanych projektach zespołowych i dużych zbiorach danych. ATLAS.ti bywa cenione za elastyczność konceptualną i bardziej „otwarty” sposób pracy interpretacyjnej. Z kolei RQDA czy środowisko R mogą być atrakcyjne dla badaczy preferujących podejście open source i integrację analizy jakościowej z analizą statystyczną.

Niektórzy badacze wybierają także minimalistyczne podejście: dobre repozytorium dokumentów, system tagów i świadomą pracę konceptualną bez rozbudowanego CAQDAS. Wbrew pozorom nie zawsze jest to rozwiązanie gorsze. Przy niewielkich projektach nadmiar technologii może wręcz utrudniać myślenie. Problem zaczyna się dopiero wtedy, gdy skala danych przekracza możliwości ludzkiej pamięci operacyjnej.

W praktyce najważniejsze pytanie nie brzmi więc: „który program jest najlepszy?”, lecz: „jakiego rodzaju proces badawczy chcę prowadzić?”. Jeśli badanie ma być jedynie szybkim oznaczaniem cytatów — niemal każde narzędzie wystarczy. Jeśli jednak celem jest budowanie transparentnej, iteracyjnej i refleksyjnej analizy danych, wtedy wybór środowiska pracy zaczyna mieć znaczenie epistemologiczne, a nie tylko technologiczne.

I być może właśnie tutaj tkwi największa wartość MAXQDA. Nie w automatyzacji interpretacji, lecz w przypominaniu, że dobra analiza jakościowa nie polega na szybkim znalezieniu odpowiedzi, ale na uważnym śledzeniu drogi, która do tych odpowiedzi prowadzi.

więcej