Hoe kun je er voor zorgen dat lerenden binnen een MOOC ‘bij de les’ blijven?

Dankzij het verzamelen van grote hoeveelheden data en analysetechnieken op het gebied van ‘machine learning’ beschikken we over meer mogelijkheden om potentiële uitvallers uit (grootschalige) online cursussen te identificeren. Vervolgens komt het aan op het plegen van effectieve interventies.

Drop out
By Michael Kellen (Own work) [CC BY-SA 2.5 (http://creativecommons.org/licenses/by-sa/2.5)], via Wikimedia Commons
Massive Open Online Courses kennen een hoge mate van uitval, mede vanwege het vrijblijvende karakter van dit type cursussen en de moeite die deelnemers hebben om deelname te combineren met hun nieuwe agenda. Daar is al veel over geschreven.

Larry Hardesty meent dat het belangrijk is om het risico op ‘uitval’ vroeg te identificeren, zodat je potentiële ‘drop-outs’ kunt ondersteunen en deelname aan MOOCs productiever kunt maken.

Meestal weet je pas aan het eind van een MOOC wie er voortijdig is gestopt. Onderzoekers van het MIT hebben echter een “dropout-prediction model” ontwikkeld op basis van data van een MOOC en een benadering van “machine learning” die kunnen helpen met in kaart te brengen wie het risico loopt om voortijdig te stoppen. Daarbij maakt men gebruik van een set van variabelen waarmee je data van verschillende versies van de cursus kunt vergelijken (zoals tijd besteed aan het bestuderen van bronnen zoals video’s of tijd besteed aan uitwerken van vraagstukken).

Vervolgens hebben ze gekeken hoe lerenden scoren ten opzichte van het gemiddelde van de groep. Via een algoritme heeft men bepaalde waardes van die variabelen gecorreleerd met uitval.

Daarna hebben de onderzoekers deze correleaties gebruikt om uitval in andere versies van de MOOC te voorspellen. De voorspellingen blijven behoorlijk nauwkeurig te zijn, ook al werken de onderzoekers aan verdere verbeteringen zoals het uitbreiden van de hoeveelheid variabelen.

Men veronderstelt bijvoorbeeld dat de tijd die studenten in een weekend aan een MOOC besteden een indicatie is voor hoge motivatie.

Eerlijk gezegd denk ik dat een dergelijk model vooral belangrijk is voor online leren in het algemeen. Binnen een MOOC heb je minder mogelijkheden om in te spelen op studentgedrag. De doorlooptijd van een MOOC is betrekkelijk kort, en je hebt als docent minder mogelijkheden voor interventies op individueel niveau. Het aantal deelnemers is groot, en vanwege het gratis karakter heb je minder tijd voor begeleiding. Het zou wel schelen als je op basis van data-analyses interventies (semi-)automatisch kunt uitvoeren.

Binnen reguliere cursussen heb je meer mogelijkheden voor het plegen van interventies, al is het ook belangrijk te erkennen dat je als opleiding vaak beperkte mogelijkheden hebt om de ervaren drempels van lerenden te slechten (denk aan privéomstandigheden of andere prioriteiten).

 

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.