Learning analytics als instrument voor vroege detectie van eerstejaars risicostudenten door docenten: een haalbaarheidsstudie.

Abstract

Zowel de strategische agenda van de Vereniging Hogescholen als de agenda van de Hogeschool van Amsterdam is erop gericht om studie-uitval te beperken. Hiertoe zijn op opleidingsniveau reeds verschillende maatregelen getroffen zoals ingangsselectie, bindend studieadvies en zorgvuldige onderwijs- en toetsprogrammering. Daarnaast kan een docent op basis van signalen of feedback die hij ontvangt van een student – bijvoorbeeld tijdens de interactie met studenten in de les of bij langdurige afwezigheid van een student – ook het onderwijsproces bijstellen en studenten bijsturen. Mogelijk kan een docent daarbij ook gebruik maken van door studenten gegenereerde data die real-time en automatisch wordt verzameld in de onderwijssystemen waarmee gewerkt wordt. Er is echter nog weinig onderzoek gedaan naar hoe een docent op basis van door de student gegenereerde data in onderwijssystemen in een zo vroeg mogelijk stadium studenten kan identificeren die mogelijk de onderwijseenheid niet zullen behalen en baat zouden hebben bij een interventie. Learning analytics biedt hier mogelijk een oplossing voor.
Het doel van dit onderzoek is om na te gaan of en op welke wijze data uit de onderwijssystemen van de opleiding Commerciële Economie voor learning analytics doeleinden gebruikt kunnen worden, om op het niveau van onderwijseenheid docenten te informeren over studenten die mogelijk de onderwijseenheid niet zullen behalen. Hiertoe zijn op basis van de in de literatuur gevonden voorspellers en de beschikbare data in de onderzoekscontext de volgende predictoren voor dit onderzoek geoperationaliseerd: het totaal aantal bezochte pagina’s in de digitale leeromgeving, de daaraan bestede tijdsduur en de aanwezigheid in de les voor de gehele onderwijsperiode. Ook werd er specifiek gekeken naar de data van de eerste drie lesweken, om vroegtijdig risicostudenten te kunnen signaleren. Daarvoor werden de vroegtijdige voorspellers geoperationaliseerd: het totaal aantal bezochte pagina’s van de betreffende eerste drie lesweken, de daaraan bestede tijdsduur en de aanwezigheid in de les.
Via een retrospectief onderzoek is met secundaire data van 349 studenten door middel van een logistische regressie analyse de relatieve voorspellende waarde van de verschillende variabelen vastgesteld. Over de gehele onderwijsperiode blijkt de totale aanwezigheid en het totaal aantal bezochte pagina’s het wel of niet behalen van de module te voorspellen. Echter wordt van de groep studenten die het vak niet behaalt (n = 121) slechts in 27.3% van de gevallen een correcte voorspelling gemaakt. Waar het gaat om vroegtijdige signalering van de risicostudenten, blijkt dat alleen de aanwezigheid in de eerste drie lesweken een significante voorspeller is, maar ook hier wordt voor slechts 27.3% van de studenten die het vak niet behalen een correcte voorspelling gemaakt.
Alhoewel met dit model en deze voorspellers de opleiding dus wel een deel van de risicostudenten via learning analytics in kaart zou kunnen brengen en een interventie zou kunnen plegen, is het wenselijk om het model eerst te optimaliseren om betere voorspellingen te doen. Het huidige model biedt onvoldoende handvatten om op het niveau van onderwijseenheid docenten vroegtijdig te informeren over studenten die het risico lopen de module niet met succes af te ronden, maar het onderzoek biedt interessante perspectieven en bevindingen om verder binnen de opleiding en faculteit de dialoog met elkaar aan te gaan over learning analytics en de mogelijkheden die learning analytics biedt, verder te verkennen.

Date of Award	30 Jun 2021
Original language	Dutch
Supervisor	Jose Janssen (Supervisor)