Visie: Met machine learning de uitvalstatistieken verslaan
Voortijdige uitval op scholen en universiteiten is een serieus probleem. Voor de maatschappij als geheel, maar zeker voor de onderwijsinstellingen en met name voor de scholieren en studenten zelf. Het onderwijs is actief en ambitieus in het terugdringen van het percentage uitvallers en overstappers. De vraag is of je helemaal grip kunt krijgen op de factoren die uitval bepalen. En in hoeverre technologische oplossingen als machine learning of IoT-toepassingen een bijdrage kunnen leveren aan het voorspellen en voorkomen van uitval?
Zes hogescholen zijn recent door minister Jet Bussemaker van Onderwijs gekort omdat ze niet alle prestatieafspraken hebben behaald die ze in 2012 maakten. Onder meer op het gebied van het tegengaan van uitvallers en overstappers zijn de doelstellingen niet behaald. De minister is op zich wel tevreden over de inspanningen, maar kennelijk waren de afspraken die de instellingen zelf vastlegden toch iets te ambitieus.
Uitval is een veelkoppig monster. Het kan allerlei oorzaken hebben en meestal is het een samenspel van factoren. De Vereniging van Hogescholen heeft vorig jaar cijfers* gepubliceerd over uitval op hbo’s. Daaruit blijkt onder meer dat in het studiejaar 2013/2014 ruim 15 procent van het totaal aantal eerstejaarsstudenten uitviel. Zoom je in op de statistiek, dan blijken er wel onderscheidende uitvalsindicatoren te zijn.
Minder inloggen? Grotere uitvalkans!
Uitval kan allerlei oorzaken hebben en meestal is het een samenspel van factoren. Uit de cijfers blijkt bijvoorbeeld dat mannen vaker uitvallen dan vrouwen, dat uitval onder eerstejaarsstudenten die afkomstig zijn uit het mbo flink toegenomen is en dat studenten die doorstromen vanuit vwo naar hbo veel minder vaak uitvallen. Uit andere onderzoeken komt naar voren dat de postcode van het huisadres een serieuze indicator is voor de uitvalkans. 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.
Met die gegevens kun je als onderwijsinstelling iets doen. Scholen en universiteiten beschikken over een enorme hoeveelheid gegevens. Uit de onderwijsadministratie, 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 goed mogelijk om een continu uitvalrisicoprofiel bij te houden, zeker als je dat afzet tegen de statistische gegevens uit alle beschikbare onderzoeken.
De oorzaken achter de statistiek
Uitval voorspellen is voor onderwijsinstellingen technologisch dus 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. Hoe pak je dat dan aan met een student uit een risicopostcode? Gedwongen verhuizing is geen optie. Het is 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? Richt je daarop en investeer in ondersteuning daarin. 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.
Het voorkomen van uitval is een actuele en relevante uitdaging voor het onderwijs. ICT kan 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 zit in de actie die daarop volgt. Als onderwijsinstelling zul je vooral, met alle big data en machine learning-oplossingen die je kunt inzetten, samen met de studenten aan de slag moeten om die uitvalstatistieken te verslaan.
Carlo van Haren is IT Strategy consultant Winvision
