De toepassing van intelligente systemen in het hoger onderwijs is een actief onderzoeksgebied, gedreven door de overvloed aan beschikbare data en de urgentie om effectieve, datagestuurde strategieën te definiëren om uitval van studenten tegen te gaan en hun studieprestaties te verbeteren. Dit werk past machine learning-technieken toe om voorspellingsmodellen te ontwikkelen die kunnen bijdragen aan de vroege detectie van studenten die het risico lopen hun studie af te breken of hun diploma niet op tijd af te ronden. Het evalueert ook het beste moment om de voorspelling uit te voeren in het inschrijvingsjaar van de student. De modellen zijn gebaseerd op data van bachelorstudenten van een Polytechnische Universiteit in Portugal, ingeschreven tussen 2009 en 2017, en bevatten academische, sociaal-demografische en macro-economische informatie in drie verschillende fasen van het eerste studiejaar van de studenten. Vijf machine learning-algoritmen worden gebruikt om voorspellingsmodellen in elke fase te trainen, en de meest relevante kenmerken voor de best presterende modellen worden geïdentificeerd. De resultaten tonen aan dat de beste modellen gebruikmaken van Random Forest, waarbij strategieën worden toegepast om om te gaan met de onevenwichtige aard van de data, of waarbij dergelijke strategieën op dataniveau worden toegepast. De beste resultaten worden behaald aan het einde van het eerste semester, wanneer er al enige informatie beschikbaar is over de studieprestaties na inschrijving. De algehele resultaten zijn redelijk vergelijkbaar met die van vergelijkbare studies die zich richten op de vroege voorspelling van uitval of studieprestaties van studenten.

Hogescholen en universiteiten registreren een aanzienlijke hoeveelheid gegevens over hun studenten, wat een aanzienlijk potentieel biedt voor het genereren van informatie, kennis en monitoring. Zowel schooluitval als schooluitval in het hoger onderwijs vormen een obstakel voor economische groei, werkgelegenheid, concurrentievermogen en productiviteit, en hebben een directe impact op het leven van studenten en hun families, hogescholen en de samenleving als geheel. De hier beschreven dataset is het resultaat van de aggregatie van informatie uit verschillende onsamenhangende databronnen en bevat demografische, sociaaleconomische, macro-economische en academische gegevens over inschrijving en academische prestaties aan het einde van het eerste en tweede semester. De dataset wordt gebruikt om machine learning-modellen te bouwen voor het voorspellen van academische prestaties en uitval. Deze maakt deel uit van een Learning Analytic-tool die is ontwikkeld aan het Polytechnic Institute of Portalegre en die informatie verstrekt aan het tutoringteam met een schatting van het risico op uitval en falen. De dataset is nuttig voor onderzoekers die vergelijkende studies willen uitvoeren naar de academische prestaties van studenten en ook voor training op het gebied van machine learning.

Factoren die bijdragen aan het uitvallen van studenten

De verstrekte gegevens voor het voorspellen van schoolverlaters omvatten een uitgebreide reeks factoren die grofweg kunnen worden onderverdeeld in persoonlijke, academische en sociaaleconomische aspecten. Deze factoren worden gebruikt om modellen te bouwen die het behoud van studenten en academisch succes voorspellen .

Persoonlijke en familiale achtergrond

• Burgerlijke staat: De burgerlijke staat van de student .
• Nationaliteit: de nationaliteit van de student .
• Kwalificatie moeder: De opleidingsachtergrond van de moeder van de student .
• Vaderkwalificatie: De opleidingsachtergrond van de vader van de student .
• Beroep van de moeder: Het werkveld van de moeder van de student .
• Beroep van de vader: Het vakgebied van de vader van de student .
• Verplaatst: Geeft aan of de student is verplaatst .
• Speciale onderwijsbehoeften: Of de student speciale onderwijsvereisten heeft .
• Geslacht: het geslacht van de student .
• Leeftijd bij inschrijving: de leeftijd van de student toen hij zich inschreef .
• Internationaal: Geeft aan of de student een internationale student is .

Academische prestaties en betrokkenheid

• Applicatiemodus: De toepassingsmethode voor de cursus .
• Bestelling van de aanvraag: De volgorde waarin de aanvraag werd ingediend .
• Cursus: De specifieke cursus waarvoor de student is ingeschreven .
• Dag-/avondbezoek: Of de student overdag of's avonds naar de lessen gaat .
• Eerdere kwalificatie: de vooropleidingskwalificaties van de student .
• Debiteur: Geeft aan of de student openstaande schulden heeft .
• Collegegeld actueel: Of het collegegeld op tijd wordt betaald .
• Beurshouder: Geeft aan of de student een studiebeurs ontvangt.
• Curriculaire eenheden 1e semester (gecrediteerd) : Aantal curriculaire eenheden dat in het eerste semester is gecrediteerd .
• Curriculaire eenheden 1e semester (ingeschreven) : Aantal curriculaire eenheden dat in het eerste semester is ingeschreven .
• Curriculaire eenheden 1e semester (evaluaties) : Aantal evaluaties van de curriculaire eenheden in het eerste semester .
• Curriculaire eenheden 1e semester (goedgekeurd) : Aantal curriculaire eenheden dat in het eerste semester is goedgekeurd .
• Curriculaire eenheden 1e semester (leerjaar) : Het cijfer dat tijdens het eerste semester in curriculaire eenheden is behaald .
• Curriculaire eenheden 1e semester (zonder evaluaties) : Aantal curriculaire eenheden zonder evaluaties in het eerste semester .
• Curriculaire eenheden 2e semester (gecrediteerd) : Aantal curriculaire eenheden dat in het tweede semester is gecrediteerd .
• Curriculaire eenheden 2e semester (ingeschreven) : Aantal curriculaire eenheden dat is ingeschreven in het tweede semester .
• Curriculaire eenheden 2e semester (evaluaties) : Aantal evaluaties van de curriculaire eenheden in het tweede semester .
• Curriculaire eenheden 2e semester (goedgekeurd) : Aantal curriculaire eenheden dat in het tweede semester is goedgekeurd .
• Curriculaire eenheden 2e semester (leerjaar) : Het cijfer behaald in curriculaire eenheden tijdens het tweede semester .
• Curriculaire eenheden 2e semester (zonder evaluaties) : Aantal curriculaire eenheden zonder evaluaties in het tweede semester .

Sociaal-economische omgeving

• Werkloosheidscijfer : het heersende werkloosheidscijfer .
• Inflatiegraad: Het heersende inflatiecijfer .
• BBP: Bruto binnenlands product .

Deze uiteenlopende factoren, variërend van individuele kenmerken en academische prestaties tot bredere economische indicatoren, worden allemaal meegenomen in de voorspellingsmodellen om studenten te identificeren die het risico lopen om uit te vallen.

Nevertheless, regardless of the tuition fee factor, the plots show clear patterns of drop out probability:

The probability remains at a high level when the average grade is between 0 and 10, then declines rapidly as the average grade moves from 10 to 13, and finally reaches a plateau again beyond that; There are two sharp decline in the second plot, when the average approved curricular unites exceed 5 or 14; The probability remains at a low level when students' age at enrollment is below 20, then increases rapidly as the age moves from 20 to 23, reaching a plateau beyond that.@

Het uiteindelijke model, getraind op slechts 16 kenmerken, behaalde een gebalanceerde nauwkeurigheid van 0,93, een F1-score van 0,92 en een AUC-score van 0,96

Voorspellende waarde van factoren bij het voorspellen van schoolverlaters

De bijgeleverde logboeken geven de prestaties weer van verschillende machine learning-modellen die worden gebruikt om schoolverlaters te voorspellen, in plaats van de voorspellende waarde van individuele factoren rechtstreeks te beschrijven. De modellen worden geëvalueerd met behulp van statistieken zoals Balanced Accuracy, F1-score en AUC-score. De hoogste scores worden behaald door het vc_b16 model, wat erop wijst dat de combinatie van factoren en de configuratie van het model leidt tot sterke voorspellingsmogelijkheden.

Overzicht van modelprestaties

• Random Forest Baseline: toonde aanvankelijk een gebalanceerde nauwkeurigheid van 0,684, een F1-score van 0,692 en een AUC-score van 0,896 .
• Tuned Random Forest: Verbeterde prestaties met een gebalanceerde nauwkeurigheid van 0,727, een F1-score van 0,732 en een AUC-score van 0,896 .
• XGBoost-basislijn: behaalde een gebalanceerde nauwkeurigheid van 0,75, een F1-score van 0,757 en een AUC-score van 0,896 .
• Tuned XGBoost: toonde een gebalanceerde nauwkeurigheid van 0,734, een F1-score van 0,726 en een AUC-score van 0,899 .
• vc_soft: toonde een gebalanceerde nauwkeurigheid van 0,747, een F1-score van 0,757 en een AUC-score van 0,907 aan.

Verbeterde modelprestaties

Verdere iteraties van de modellen, mogelijk met verschillende feature engineering- of databalanceringstechnieken (aangeduid met de achtervoegsels _bi en _b16), lieten significant hogere prestatiestatistieken zien:

• Random Forest Baseline (verbeterd) : behaalde een gebalanceerde nauwkeurigheid van 0,914, een F1-score van 0,903 en een AUC-score van 0,952 .
• tuned_rf_bi: toonde een gebalanceerde nauwkeurigheid van 0,917, een F1-score van 0,906 en een AUC-score van 0,956 .
• xgb_bi: behaalde een gebalanceerde nauwkeurigheid van 0,923, een F1-score van 0,911 en een AUC-score van 0,956 .
• tuned_xgb_bi: had een gebalanceerde nauwkeurigheid van 0,921, een F1-score van 0,908 en een AUC-score van 0,962 .
• vc_soft_bi: registreerde een gebalanceerde nauwkeurigheid van 0,921, een F1-score van 0,91 en een AUC-score van 0,959 .
• rf_b16: behaalde een gebalanceerde nauwkeurigheid van 0,919, een F1-score van 0,91 en een AUC-score van 0,955 .
• xgb_b16: toonde een gebalanceerde nauwkeurigheid van 0,924, een F1-score van 0,913 en een AUC-score van 0,958 .
• vc_b16: Behaalde de hoogste gerapporteerde scores met een gebalanceerde nauwkeurigheid van 0,93, een F1-score van 0,921 en een AUC-score van 0,959 .

Hoewel de specifieke voorspellende waarde van individuele factoren niet expliciet is gerangschikt, suggereert de hoge prestatie van het `vc_b16'-model dat de combinatie van alle 34 inputkenmerken, waaronder demografische, academische en sociaaleconomische gegevens, bijdraagt aan het sterke voorspellende vermogen van het model om de kans op schooluitval te identificeren. Het notitieblok geeft aan dat de dataset 34 kolommen met numerieke gegevens bevat (29 int64 en 5 float64) en één objectkolom (Target) .

Het Nederlands Kwalificatieraamwerk (NLQF) is van grote waarde voor het non-formeel onderwijs. Hier zijn enkele redenen waarom:

1. Leven Lang Ontwikkelen (LLO): NLQF draagt bij aan Leven Lang Ontwikkelen (LLO) en het verbeteren van arbeidsmobiliteit¹. Het stelt mensen in staat om met een NLQF-niveau te laten zien wat ze waard zijn¹.

2. Transparantie: NLQF maakt de waarde en het niveau van non-formele kwalificaties transparanter en vergelijkbaar, zowel nationaal als internationaal¹.

3. Kwaliteitsborging: NLQF waarborgt de kwaliteit van examinering, leeruitkomsten en diploma's of certificaten¹.

4. Maatschappelijke erkenning: Voor private aanbieders en non-formeel onderwijs is het NLQF 'superbelangrijk', omdat inschaling hun aanbod maatschappelijke waarde geeft².

5. Groeiende acceptatie: In Nederland zijn inmiddels al 205 non-formele kwalificaties ingeschaald, en per jaar komen daar 60 inschalingen bij².

6. Arbeidsmarkt: Met NLQF kunnen werkgevers en werknemers/werkzoekenden beter beoordelen wat iemand al in huis heeft en wat hij nog kan bijleren².

Het is belangrijk om te weten dat hoewel NLQF een belangrijke rol speelt in het versterken van de waarde van non-formeel onderwijs, het geen invloed heeft op het recht om bepaalde titels of graden te voeren³.

Bron: Gesprek met Bing, 17-5-2024 (1) IN NL HEBBEN WE FORMEEL EN NON-FORMEEL ONDERWIJS (PRIVAAT). VOOR HET .... https://www.nlqf.nl/images/Daarom%20NLQF/Flyer%20Facts%20and%20figures.pdf. (2) 10 jaar NLQF - van niks naar één standaard voor alle kwalificaties. https://nlqf.nl/actueel/10-jaar-nlqf-van-niks-naar-een-standaard-voor-alle-kwalificaties. (3) NLQF. https://nlqf.nl/.

De inschaling in het Nederlands Kwalificatieraamwerk (NLQF) is een proces waarbij een kwalificatie wordt ingeschaald op een bepaald niveau van het NLQF¹. Hier zijn enkele belangrijke punten over de waarde van inschaling in het NLQF:

1. Procedure: Je dient een aanvraag in voor inschaling van een kwalificatie in het NLQF bij het Nationaal Coördinatiepunt Nederlands Kwalificatieraamwerk (NCP NLQF)¹. Het NCP NLQF beoordeelt of de aanvraag ontvankelijk is en stuurt de aanvraag door naar de experts van het NCP NLQF¹.

2. Best-fit methode: Bij de best-fit methode worden alle descriptoren bekeken en wordt vervolgens bepaald welk niveau het best bij het geheel van de kwalificatie past¹. Het kan namelijk zo zijn dat descriptoren van verschillende niveaus van toepassing zijn op een bepaalde kwalificatie¹.

3. Geldigheid: Zowel de validiteit van de aanbieder als de inschaling van de kwalificatie is 6 jaar geldig². Na 6 jaar vindt een herbeoordeling plaats².

4. Transparantie: De inschaling in het NLQF maakt de waarde van kwalificaties transparanter en vergelijkbaar, zowel nationaal als internationaal¹.

5. Geen instroomrechten: Aan het NLQF zijn geen instroomrechten verbonden. Het is aan de hogescholen zelf om hierin een besluit te nemen².

Het is belangrijk om te weten dat de inschaling in het NLQF geen invloed heeft op het recht om bepaalde titels of graden te voeren². Het voeren van titels en graden kan alleen op grond van de wet- en regelgeving waarin dit is geregeld².

Bron: Gesprek met Bing, 17-5-2024 (1) Proces inschaling - NLQF. https://nlqf.nl/inschaling. (2) Veelgestelde vragen na inschaling - NLQF. https://nlqf.nl/images/downloads/Toolbox/Veelgestelde_vragen_na_inschaling.pdf. (3) Inschaling - NLQF. https://nlqf.nl/inschaling-start. (4) undefined. https://aanvragen.nlqf.nl/.

De vier doelstellingen van de minister om gelijkheid in het (voortgezet) onderwijs te verbeteren

• Duidelijke sectoridentiteitsen: De minister benadrukt het belang van duidelijke sectoridentiteiten in het onderwijs om aan te sluiten bij het doel en de maatschappelijke missie van elke sector. Deze duidelijkheid helpt studenten het aanbod van elke sector te begrijpen .

• Gelijke kansen voor groei: Het doel is ervoor te zorgen dat, ondanks de verschillen in de manier waarop mbo-, hbo- en wo-sectoren studenten opleiden, ze allemaal als gelijk worden beschouwd. Deze gelijkheid biedt iedereen de mogelijkheid om zich tot het beste van zichzelf te ontwikkelen .

• Hiërarchische labels vermijden: De minister pleit ervoor om hiërarchische labels zoals „middelbaar” en „hoger” in onderwijsterminologie te vermijden. Integendeel, het bevorderen van het gebruik van neutrale termen zoals mbo, hbo en wo bevordert gelijkheid en voorkomt stigmatisering op basis van opleidingsniveaus .

• Naadloze studententransities: Het verbeteren van de afstemming van onderwijsprogramma's en studentenondersteuning tussen mbo-, hbo- en wo-sectoren is cruciaal om ontmoediging en uitval van studenten tijdens transities te voorkomen. Door deze verbindingen te verbeteren, kan de voortgang en het succes van studenten soepeler verlopen .

**Door de minister geïdentificeerde problemen en knelpunten **

• Beperkte sectormobiliteit: De minister benadrukt dat er weliswaar een toename is van havo- en vwo-studenten die naar het mbo gaan, maar dat de meeste studenten de neiging hebben om door te gaan in de sector die overeenkomt met hun hoogst behaalde niveau. Dit gebrek aan sectormobiliteit kan studenten hinderen die mogelijk beter gedijen in een andere onderwijssector .

• Transition Challenges: De overgang tussen mbo-, hbo- en wo-sectoren brengt uitdagingen met zich mee vanwege onvoldoende afstemming in onderwijsprogramma's en studentenondersteunende diensten. Dit gebrek aan samenhang kan leiden tot ontmoediging en uitval van studenten, met een aanzienlijk uitvalpercentage van 19% voor mbo-studenten die overstappen naar het hbo .

• Hiërarchische percepties: De minister erkent het voortbestaan van een hiërarchische maatschappelijke visie die praktische beroepen en onderwijs devalueert. Deze achterhaalde perceptie komt voort uit een negentiende-eeuws hiërarchisch maatschappelijk model, dat barrières opwerpt voor de gelijke erkenning van alle vormen van onderwijs en werk .

Geen duidelijk beeld van de kans op werk.

Alles wat niet wordt gedisciplineerd en gestructureerd door natuurwetenschappelijke wetmatigheden hangt samen met de menselijke creativiteit en behoeften. Van de inrichting van steden tot de inrichting van de maatschappij hebben we te maken met het ontwerpactiviteiten. De relatie tussen die inrichting en het gedrag van gebruikers waarvoor die inrichting is bedoeld is een vrij complexe. Of zoals Churchill het eens (1943) verwoordde:

“We shape our buildings, thereafter they shape us.”

Niet veel later (1967) werd een vergelijkbare uitspraak (ten onrechte) toegeschreven aan McLuhan:

"We shape our tools, and thereafter our tools shape us."

Degene die deze uitspraak deed, John Culkin, illusteerde dit aan de hand van de intrede van de auto

Once we have created a car, for example, our society evolves to make the car normal, and our behavior adapts to accommodate this new normal.

De wederkerige invloed (performativiteit) van al hetgeen de mens creëert (uiteenlopend van gebouwen en apparaten tot 'simme steden' en algoritmes) is een belangrijk om te begrijpen dat een ontwerp meer is dan kenmerk dat het gebruik bevorderd. Ontwerpkenmerken hebben blijkbaar wederkerig effect op het menselijk gedrag. Ze zetten niet alleen aan tot gedrag dat is bedoeld en wordt getriggerd door de affordances van het ontwerp: unieke relatie tussen de kenmerken van een ‘ding’ in samenhang met een gebruiker die beïnvloedt hoe dat ding wordt gebruikt. Een relatie die verder gaat dan een eenzijdige perception-action coupling.

Met betrekking tot sociale media kunnen we bijvoorbeeld spreken van 'transactional media effects':

"... outcomes of media use also influence media use. Transactional media-effects models consider media use and media effects as parts of a reciprocal over-time influence process, in which the media effect is also the cause of its change (Früh & Schönbach, 1982)."

Het gegeven dat ontwerpers vaak alleen de positieve ervaring van gebruikers voor ogen hebben is volgens Danah Abdulla niet constructief.

"...optimism in design is not always constructive. In fact, it hinders the politicization of designers. If design is going to contribute to tools that can change the world positively, it must begin to embrace pessimism."

Technologie is een interface die, zoals McLuhan al aangaf, mogelijkheden biedt om de wereld anders te zien. Niet minder 'echt' of 'natuurgetrouw' overigens. We zijn al langer gewend om de werkelijkheid gemedieerd waar te nemen (zie Cooley) en kunnen al langer spreken van een symbolische samenleving (zie Elchardus).

The question is whether web literacy skils should be seen and added as a separate skill, or should be seen and understood as a complementary skill, augmenting the different 21st C skills, like problem solving and collaborating. The latter is more plausible. Furthermore there is little evidence that web literacy skills should be distinguished from digital literacy (or media literacy). Dutch research found that factor analysis gave no support for a separate set of web literacy skills.

Van Deursen heeft via factor-analyse vastgesteld dat er weinig aanleiding is om Internetvaardigheid als aparte vaardigheid te onderscheiden.

Vergelijk dit met de observaties van Zuboff als het gaat om nieuwe vaardigheden die het gevolg zijn van 'informating'

Hier ontbreken: producing, curating, valueing.

These refer to competences in the use of digital technologies that are important productivity tools for particular business sectors. Examples include competences in using Learning Management Systems for teachers, computer-aided design (CAD) and computer-aided manufacturing (CAM) applications for architects, engineers and construction workers, health information systems for medical practitioners, and social media for marketing professionals. Career-related competences are included in two of the three enterprise frameworks, the ICDL and the Microsoft Digital Literacy Standard Curriculum

Voordeel van het MIL-framework (van de UNESCO) is dat er een dimensie is toegevoegd specifiek voor de beroepscontext (career related competences). Dat is ook het onderscheid met het framework van de EU (het zgn. DIGCOMP-raamwerk), De redenen om die dimensie toe te voegen worden hier uiteengezet.

Die planning wordt niet gestuurd door kennis maar vooral door overtuigingen (beliefs). Kennis leidt niet tot beter (verstandiger, adequater) gedrag (bron)

"Als mensen beter of anders geïnformeerd worden, zullen ze hun werk beter of anders doen. Daar is geen bewijs voor." Dus 'being informed' is niet de opmaat naar 'informed decisions'. Toch heeft informatisering wel degelijk invloed gehad op hoe mensen hun werk doen (Cooper).