Studentenuitval voorkomen, doorstroom verbeteren met behulp van data

Blog

Heb je je ooit afgevraagd hoe technologie de wereld van het onderwijs aan het veranderen is? Inmiddels weet ik er steeds meer van. Ik ben bezig met onderzoek om studie-uitval in het middelbaar beroepsonderwijs (mbo) te verminderen en maak binnen het lectoraat nu ook de koppeling naar mbo-hbo doorstroom en uitval in het hbo. Hoe ik dat doe? Met behulp van geavanceerde algoritmes en artificiële intelligentie (AI) maar ook met kwalitatief onderzoek om de uitkomsten van kwantitatief onderzoek te kunnen begrijpen. Ik ben erg blij dat ik met dit werk mag aansluiten bij de onderzoekslijn ‘Opleiden en werken in grootstedelijke context’ van het lectoraat Urban Care & Education van hogeschool Windesheim.

Door: Irene Eegdeman, onderzoeker bij lectoraat Urban Care & Education

De kracht van voorspellende modellen

Stel je voor dat je al kunt zien welke studenten het moeilijk gaan krijgen op hun opleiding voordat ze zelf doorhebben dat ze hulp nodig hebben. Dat is precies wat de methode die ik samen met collega’s vanuit de Vrije Universiteit Amsterdam heb ontwikkeld doet. Het mooie hiervan is dat scholen niet alleen achteraf kunnen analyseren waarom een student is gestopt, maar juist van tevoren kunnen ingrijpen zodat een student een diploma kan halen. Zo kunnen ze bijvoorbeeld extra begeleiding aanbieden maar vooral het gesprek met de student eerder aangaan.

Vroege interventie: de sleutel tot succes

Maar daar stopt het niet. Vrij snel na de toelating van nieuwe studenten zou je eigenlijk al moeten beginnen met het inzetten van interventies, omdat de motivatie van studenten die later uitvallen dan al is gedaald. Mijn onderzoek laat bijvoorbeeld zien dat motivatie, studiehouding en sociale integratie belangrijke factoren zijn om in een vroeg stadium te herkennen wie extra ondersteuning nodig heeft. Ook het studentnummer (dat eigenlijk aanmelddatum vertegenwoordigd) is een goede voorspeller van uitval, wat benadrukt hoe belangrijk goede en tijdige oriëntatie op de vervolgopleiding is. Dit vraagt om een gezamenlijke aanpak waarbij docenten, studiebegeleiders en technologie samenwerken om een netwerk van ondersteuning rondom de student te bouwen.

Toekomstvisie

Mijn onderzoek biedt een solide basis voor verdere innovaties in het (mbo)onderwijs. Door AI te integreren in het onderwijsproces, kunnen instellingen niet alleen studie-uitval verminderen, maar ook de leerervaring in zijn geheel verbeteren. Daarnaast is AI een grote term. Naast de machine learning die ik gebruik zijn er natuurlijk meerdere AI toepassingen, zoals generatieve AI die gebruikt kunnen worden. Zelfs deze blog is mede vorm gegeven door AI. Natuurlijk moet er dan ook oog zijn voor de negatieve kanten van het gebruik van AI in het onderwijs. AI kan helpen bij het creëren van een inclusieve leeromgeving waar elke student zijn of haar volledige potentieel kan bereiken, maar kan ook het tegenovergestelde veroorzaken omdat vooroordelen die in de gebruikte informatie verstopt zitten de boventoon kunnen gaan voeren. Daarom is het belangrijk dat je een visie hebt op hoe AI gebruikt kan worden in het onderwijs en dat je toetst of het handelen op algoritmes geen negatieve gevolgen heeft voor studenten. Gelukkig ben ik betrokken bij allemaal initiatieven, zoals het nieuw op te zetten algoritmeregister voor het onderwijs en een te ontwikkelen visie op AI en kansengelijkheid (zie ook de onderzoekslijn ‘kansengelijkheid’ in dit magazine) die ook de schaduwkant goed in beeld willen krijgen.

Conclusie

Het is leuk om te zien dat mijn onderzoek naar het voorspellen en voorkomen van studie-uitval inmiddels landelijk is opgepakt en gerepliceerd. Door verder te werken aan implementatie in het mbo en uitbreiding naar het hbo hoop ik bij te dragen aan de missie van het lectoraat Urban Care & Education en zo het onderwijs in grootstedelijke contexten te verbeteren.

Dus, de volgende keer dat je hoort over AI in het onderwijs, denk dan aan het lectoraat Urban Care & Education en hoe ons werk de toekomst van het onderwijs vormgeeft. Want met de juiste tools en aanpak kunnen we ervoor zorgen dat geen enkele student achterblijft.

Uitval in het MBO?

Als je meer wilt weten over studentuitval en hoe uitval te voorspellen en te voorkomen is, dan is de NRO themapagina die vanuit het lectoraat Urban Care & Education is gemaakt erg informatief. Het geeft een theoretisch overzicht van de problemen rondom uitval maar ook handvatten, verdiepende bronnen en voorbeelden die succesvol zijn geweest als het gaat om de aanpak van uitval.

Deze blog is geschreven met behulp van openAI en is gebaseerd op diverse andere artikelen zoals:

Een hoog studentennummer is een indicator voor uitval (Profiel Actueel mei 2024)
‘Algoritme kan helpen uitval onder mbo-studenten te verminderen’ – ScienceGuide,
Kan AI studie-uitval in het mbo voorspellen? – Kennisnet,
Aanpak uitval mbo-studenten moet al starten na toelating – Vrije Universiteit Amsterdam (vu.nl)

LEARN! Magazine – Predicting and understanding student dropout (magzmaker.com