Analyseer MOOC dropout

Een deel van de voortijdige uitval bij massive open online courses is niet te voorkomen, maar een ander deel ook wel. Je kunt dropout zelfs ook voorspellen.

Toetsenbord
Foto: stuartpilbrow

Sherif Halawa houdt zich bezig met learning analytics en heeft in University World News een zinvolle reflectie geschreven over MOOC dropouts.

  • 90% van de voortijdig gestopte deelnemers van Stanford MOOCs heeft niet de eigen doelen behaald.
  • 71% van de dropouts noemt de moeilijkheid van de cursus of uitstel als belangrijkste reden voor uitval. Deze groep deelnemers is in potentie gevoeliger voor educatieve interventies dan degenen die uitvallen omdat zij de cursus irrelevant vinden of omdat zij niet beschikken over een betrouwbare internetverbinding, voldoende tijd of taalvaardigheden.
  • Het is belangrijk om dropout te voorspellen en te diagnostiseren. Je moet als onderwijsinstelling vervolgens nagaan hoe je vermijdbare uitval kunt voorkomen. Complexe concepten kun je bijvoorbeeld beter uitleggen. Verder kun je lerenden helpen beter zelfgestuurd te leren.
  • Ga na wat voorspellers zijn van dropout (zoals bepaalde inactiviteit), en ontwikkel daar relevante interventies voor. Denk daarbij bijvoorbeeld aan tijdige notificaties bij inactiviteit. Dat blijkt overigens gemakkelijker gezegd dan gedaan. Deelname aan een MOOC is namelijk moeilijk te vergelijken met deelname aan een reguliere cursus. Onder meer vanwege de enorme diversiteit aan deelnemers.
  • Dezelfde MOOC kan zeer verschillende ‘completion rates’ hebben. Het is niet duidelijk waardoor dit komt. Mogelijk een combinatie van kenmerken van lerenden en kenmerken van de MOOC. Bijvoorbeeld: hoe ouder de deelnemer, des te groter de kans dat deze de MOOC afrond. Volgens Halawa zouden docenten via een dashboard meer zicht moeten hebben op de relatie tussen kenmerken van deelnemers, hun intentie, de tijd die zij hebben om te studeren en de daadwerkelijke deelname. Docenten zijn immers niet in staat om deelnemers aan een MOOC te observeren (wat in een klassikale situatie wel kan). De auteur stelt ook:

    Embedded interventions (that are presented when the learner visits the course site) might be more appropriate for learners with frequent activity. Inactive learners, whether due to procrastination or lack of free time, represent a case where delivered interventions (that are emailed to the learners) are more appropriate and where automatic prediction and diagnosis models become essential.

Halawa wijst terecht op de complexiteit van het fenomeen ‘drop out’ bij MOOCs. Zij illustreert ook dat learning analytics, dankzij de grote hoeveelheid data bij MOOCs, kunnen bijdragen aan het hanteren van belangrijke issues met betrekking tot MOOCs.

Via Robert Schuwer.

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.