Data science helpt kwaliteit onderwijs te verbeteren (mits….)

Tijdens de Dag van het Onderwijs van de Open Universiteit heeft Rob Koper in een keynote laten zien hoe ‘data science’ inzicht kan bieden in patronen van het studiegedrag. Op basis hiervan kun je op verschillende niveaus interventies plegen om bijvoorbeeld uitval te voorkomen.

Data science
“Data visualization process v1” by Farcaster at English Wikipedia. Licensed under CC BY-SA 3.0 via Commons – https://commons.wikimedia.org/wiki/File:Data_visualization_process_v1.png#/media/File:Data_visualization_process_v1.png

Data science is een vakgebied dat zich bezighoudt met het verzamelen, analyseren en valideren van patronen in grote hoeveelheden data (bron). Dit vakgebied helpt daarmee betekenis te verlenen aan grote hoeveelheden data die organisaties verzamelen binnen verschillende systemen. Het visueel maken van patronen is hierbij van groot belang. Binnen het onderwijs wordt hiervoor vaak de term ‘learning analytics’ gebruikt. Universiteits-hoogleraar Rob Koper gebruikt echter liever de meer generieke term ‘data science’. Volgens hem kan ‘data science’ de rol vervullen van ‘ogen en oren’ van een docent. Bij online leren is het immers lastiger om waar te nemen of en hoe studenten studeren.

Een jaar of twee geleden heeft de Open Universiteit besloten om het onderwijssysteem van begeleide zelfstudie te veranderen in online activerend onderwijs. Bij begeleide zelfstudie konden studenten volledig in eigen tijd en tempo studeren, en kreeg men op verzoek begeleiding. Veel volwassen studenten stellen deze vorm van onderwijs op prijs. Alleen blijven de rendementen achter bij de verwachtingen. Met andere woorden: studenten doen heel lang over hun studie, en ronden hun studie dikwijls niet af. Alle onderwijsinstellingen die een wat betreft tijd en tempo flexibel onderwijsmodel hanteren, hebben hiermee te maken.

Bij online activerend onderwijs is meer sprake van structuur (vast start- en eindmoment, duidelijke deadlines), van een activerende didactiek en van pro-actieve begeleiding (tutoren en mentoren nemen zelf het initiatief voor begeleiding).

Rob liet in zijn keynote zien dat deze aanpak al vruchten lijkt af te werpen. Hij heeft daartoe data uit verschillende systemen (zoals het inschrijf- en cijferregistratiesysteem en de digitale leer- en werkomgevingen OpenU en yOUlearn) in een datastore geïmporteerd. Vervolgens heeft hij de programmeertaal Python gebruikt om de data te analyseren.

Rob Koper liet bijvoorbeeld zien hoe verschillend studenten in het model van begeleide zelfstudie studeerden. Je hebt modelstudenten die het studiepad volgen dat een onderwijsontwikkelaar voor ogen heeft. Maar je hebt ook studenten die daar sterk van afwijken. Bijvoorbeeld door pas laat (soms 2 jaar) na inschrijving te starten, of door een studie meerdere maanden te onderbreken. Hij liet zien dat laat starten of de studie lang onderbreken voorspellers zijn van ‘drop-out’.

Sinds 1 september j.l. wordt het nieuwe onderwijsmodel van online activerend onderwijs voor masteropleidingen toegepast. Op basis van de data toonde Rob aan dat studenten nu veel meer volgens een vaste structuur studeren. De studenten beginnen meteen, en houden zich grosso modo aan de deadlines voor opdrachten. Studenten die bijvoorbeeld traag starten, blijken een inhaalslag te maken (de omgeving yOUlearn laat bijvoorbeeld zien als studenten bepaalde mijlpalen niet halen). Aangezien deze cursussen nog niet zijn afgerond, is niet bekend of ook de studieresultaten goed zijn. Verder is niet duidelijk of studenten deze ‘pacing’ ook een aantal jaar volhouden. Toch zijn dit veelbelovende signalen, aangezien twee bekende voorspellers van voortijdige uitval -laat starten en studie langere tijd onderbreken- zich nu niet vaak meer voordoen.

Toch zal de Open Universiteit nog een aantal acties moeten uitvoeren, wil deze aanpak breed toepasbaar en effectief zijn:

  • De realisatie van een centrale inrichting van een datastore waar data uit verschillende relevante systemen geanonimiseerd in wordt opgeslagen. De datastore bevindt zich nu op Rob’s laptop.
  • Mentoren, tutoren en opleidingsmanagers hebben tools en expertise nodig om de data op een eenvoudige manier te analyseren en visualiseren. De manier waarop Rob Koper de data analyseert en valideert is complex en arbeidsintensief.
  • Alle cursussen moeten een duidelijke structuur met meerdere mijlpalen hebben. De eerste mijlpaal zou snel na de start van de cursus behaald moeten worden, zodat je weet dat een student daadwerkelijk is gestart (bij online leren is dat immers minder goed zichtbaar).
  • Het structureel uitvoeren van acties op het gebied van begeleiding als je signaleert dat een student bijvoorbeeld een week na inschrijving nog niet is gestart.
  • Bij grote aantallen studenten heb je manieren nodig om studenten automatisch herinneringen te sturen. Bijvoorbeeld als een cursus, waarvoor men zich heeft ingeschreven, start of als men een week na de start nog niets heeft gedaan. Bij kleine aantallen studenten kunnen docenten zelf acties ondernemen. Bij grote aantallen wil je dergelijke notificaties automatiseren. Zorg er dan wel voor dat een bericht een meer persoonlijk karakter heeft. Studenten die echt hulp nodig hebben, moeten worden uitgenodigd om contact op te nemen. Want je moet uiteraard ook altijd oog hebben voor het verhaal achter de data.

This content is published under the Attribution 3.0 Unported license.

Delen

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Deze site gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.