abonneren
article
Columns

Met machine learning onderwijsuitval te lijf

Door: Carlo van Haren, IT Strategy consultant Winvision

Bij de start van een nieuw studiejaar stromen de mbo’s, hogescholen en universiteiten weer vol. Gaandeweg het jaar wordt de stroom iets minder: sommige studenten stoppen met hun studie. Voortijdige uitval is voor niemand goed. Voor onderwijsinstellingen zijn er allerlei negatieve consequenties. Maar voor de student zelf is het natuurlijk het allervervelendst. De vraag is of je grip kunt krijgen op de factoren die uitval bepalen. Kun je bijvoorbeeld met machine learning of IoT-toepassingen een bijdrage leveren aan het voorspellen en voorkomen van uitval?

Uitval kan allerlei oorzaken hebben en meestal is het een samenspel van factoren. De Vereniging van Hogescholen heeft vorig jaar cijfersgepubliceerd over uitval op hbo’s. Daaruit blijkt onder meer dat in het studiejaar 2013/2014 in totaal 14.722 eerstejaarsstudenten uitvielen. Dat is ruim 15 procent van het totaal aantal eerstejaarsstudenten. En hoewel de uitval in het eerste studiejaar in de afgelopen jaren redelijk stabiel is gebleven, valt wel een aantal zaken op. Er blijken bijvoorbeeld vaste, statistische uitvalsindicatoren te zijn.

Bepaalt de postcode de uitvalkans?

Mannen vallen vaker uit dan vrouwen, studenten die doorstromen vanuit vwo naar hbo vallen minder vaak uit dan vanuit andere vooropleidingen, uitval onder eerstejaarsstudenten die afkomstig zijn uit het mbo is flink toegenomen en daarbinnen valt de hoge toename van uitval onder niet-westerse mannelijke allochtone mbo’ers op. Verder blijkt uit andere onderzoeken dat de postcode van thuis een serieuze indicator is voor de uitvalkans. Zelfs het nieuwe leenstelsel lijkt een factor te zijn, omdat daardoor minder eerstejaars op kamers gaan wonen, wat weer leidt tot minder binding met opleiding en medestudenten. Dan zijn er nog signalen op de onderwijsinstelling zelf die kunnen wijzen op een grotere kans op uitval. Als een student zich minder vaak op het instituut laat zien, is dat een signaal. Datzelfde geldt voor als hij of zij minder vaak inlogt op de digitale leeromgeving.

Door de digitalisering beschikken onderwijsinstellingen over een enorme hoeveelheid gegevens. Gegevens uit onderwijsadministratie, uit de digitale leeromgeving, van toegangs- en betaalpasjes, browsegegevens, gegevens van sensoren en WiFi-verbindingen: als je alles bij elkaar voegt tot een logisch en bruikbaar geheel, heb je een redelijk compleet profiel van een student. Via machine learning is het dan mogelijk om een continu uitvalrisicoprofiel bij te houden.

Trap niet in je eigen voorspellingen

De grote vraag is: wat doe je met die gegevens? Dat is voor zowel onderwijsinstellingen als een ICT-dienstverlener de meest interessante vraag. Technologisch is het eigenlijk geen issue, alles is nu al mogelijk. Maar hoe ver ga je? Wanneer overschrijd je de grens van betrokkenheid naar bemoeizucht? En hoe voorkom je als onderwijsinstelling dat je in je eigen voorspellingen trapt door je bijvoorbeeld eerder neer te leggen bij het verzuim van iemand die hoog scoort op het uitvalsprofiel? Het doel blijft om uitval te beperken, nietwaar? Hoe pak je dat dan aan met een student uit een risicopostcode? Gedwongen verhuizing is geen optie. Het is dan belangrijk om dat statistische gegeven af te pellen. Wat zijn de onderliggende oorzaken? Kan die jongen thuis wel terecht met zijn vragen? Heeft dat meisje uit die bepaalde straat wel goede voorbeelden die haar in haar studie stimuleren? Focus je daar op en investeer in ondersteuning daarin.

Uitval voorspellen is met big data en machine learning nu al goed mogelijk. Maar dan? Dan moet je je richten op de omstandigheden waar je als onderwijsorganisatie invloed op kunt uitoefenen: de oorzaken achter de statistiek. En pak die vooral vanuit een positieve invalshoek aan. Geef de studenten de tools om de statistische tegenwind om te buigen. Focus op wat goed gaat. Deze vorm van positive coaching – de standaard in de sport tegenwoordig – leidt tot meer plezier en zelfvertrouwen en dat leidt onmiskenbaar tot meer succes en minder uitval.

Versla de statistieken!

Het voorkomen van uitval is een wezenlijke (en wereldwijde) uitdaging. Voor onderwijsinstellingen is het een urgent onderwerp en het is zaak om daar samen met studenten werk van te maken. Aangezien het aantal begeleiders van studenten op scholen niet zal toenemen, kan ICT zeker een rol spelen om uitval op een efficiënte en effectieve manier vroegtijdig te signaleren. Maar signaleren is nog maar het begin van de oplossing. De grootste uitdaging is het verslaan van de statistieken. De winst zit in de verhoging van de kwaliteit van het onderwijs en het vergroten van de betrokkenheid en het leerplezier van de studenten.

* Feiten en cijfers - Afgestudeerden en uitvallers in het hoger beroepsonderwijs

blog comments powered by Disqus