Volgens Matthew Lynch kan AI worden gebruikt om de “Student Retention Rates” een impuls te geven. Ik zie behalve kansen, ook risico’s.
Volgens Lynch kun je AI gebruiken om te voorspellen welke lerenden grote kans hebben om uit te vallen. Met behulp van deze informatie kunnen onderwijsinstellingen interventiestrategieën ontwikkelen om uitval te voorkomen en te bestrijden (bijvoorbeeld financiële ondersteuning geven).
Lynch doelt daarbij op het ontwikkelen van bepaalde profielen, op basis van demografische data en data over leerprestaties (toetsscores, van welke scholen afkomstig, data over extra-curriculaire activiteiten, etc). De Southern Methodist University heeft bijvoorbeeld geanalyseerd dat de snelheid waarmee studenten zich inschrijven, een indicator is van het afmaken van een studie. Andere factoren die hetzelfde resultaat voorspelden, waren een bezoek aan de campus voordat men zich inschreef, het lidmaatschap van een studentenvereniging, of registratie voor een bovengemiddeld aantal vakken.
De universiteit heeft deze en andere gegevens gebruikt voor het ontwikkelen van een algoritme waarmee men kan voorspellen of een student zijn studie zal afronden en om potentiële uitvallers te detecteren en extra te ondersteunen.
De Georgia State University gebruikt voorspellende learning analytics om studenten te identificeren die in het eerste jaar sociale en/of academische problemen hebben. Zij hebben daarvoor data van 2,5 miljoen voormalige studenten geanalyseerd.
De universiteit ontwikkelde een waarschuwingssysteem dat vroegtijdig signaleert als studenten het moeilijk hebben, zodat ze geholpen kunnen worden voordat ze uitvallen. Georgia State ontdekte op basis van data dat de prestaties van studenten tijdens de eerste cursus goede voorspellers zijn voor al dan niet afstuderen. Bijvoorbeeld: 85% van de politicologiestudenten die een A of B behalen, zullen uiteindelijk een diploma behalen, maar slechts 25% van degenen die een C of lager scoren, zal afstuderen.
De Universiteit van Oklahoma heeft dankzij IBM Watson’s technologie voor sentimentanalyse het rendement in het eerste jaar weten te verbeteren van 86,1 % in 2015 tot 92,1 % in 2017.
Er is inderdaad het nodige bekend van gedrag van studenten als indicator voor uitval of juist voor het met succes afronden van een studie. Veel van dat gedrag lijkt te maken te hebben met inzet en betrokkenheid.
Ik vind het prima als onderwijsinstellingen dergelijke data gebruiken als input voor begeleiding. Je moet er wel voor waken dat dergelijke profilering er niet toe leidt dat je juist alleen maar gaat investeren in de begeleiding van kansrijke studenten, of dat je middelmatige studenten gaat verwaarlozen. Verder laat het voorbeeld uit Georgia zien dat je nooit met 100% zekerheid voorspellingen kunt doen. Ook weet je nooit helemaal zeker of AI de interventie is die leidt tot betere resultaten. Meestal voeren onderwijsinstellingen meer acties uit om uitval te voorkomen.
Daar komt bij dat studenten het lang niet altijd op prijs stellen dat veel data van heb wordt geregistreerd en bijgehouden. Zelfs als maar een selecte groep medewerkers toegang heeft tot die data en tot de analyses.
This content is published under the Attribution 3.0 Unported license.
Geef een reactie