Casus: datagedreven werken – de uitnodigingsregel

De uitnodigingsregel – op tijd de juiste studenten uitnodigen

In haar promotieonderzoek introduceerde Irene Eegdeman een methode waarin je studenten met de hoogste kans op uitval kunt ‘signaleren’. Met gebruik van studiedata en met behulp van machine learning modellen is de zogenaamde ‘uitnodigingsregel’ ontwikkeld. De methode geeft SLB’ers en mentoren een signaleringssysteem waarmee je uitvalpreventie en -interventie kan verbeteren.

Zes onderwijsinstellingen hebben met achttien opleidingen onderzocht of de ontwikkelde methode ook voor hen zou leiden tot een werkend model èn wat er bij komt kijken om een dergelijk model te ontwikkelen.

Op 22 september hebben we de belangrijkste resultaten, geleerde lessen en tips gedeeld op de MBO digitaal conferentie. Heb je hem gemist? Download dan hier de presentatie en de handout.

De belangrijkste bevindingen op een rijtje

Het model werkt al op basis van de beschikbare data maar…

  • de resultaten worden beter naar mate het jaar vordert​ (er is dan meer data)
  • de resultaten verschillen tussen opleidingen en tussen instellingen​

Waar lopen we tegenaan?

Het verzamelen van de data kost nog veel tijd

  • Niet iedere instelling beschikt over een centrale plek om de data te ontsluiten. Daarnaast heeft niet iedere instelling mogelijkheden om data ad-hoc te kunnen verzamelen.
  • Data is niet altijd opgeslagen en direct beschikbaar conform de benodigde definitie.

Niet alle gewenste data is beschikbaar

  • Vooropleidingscijfers, Motivatie, en intaketoetsen waren niet overalbeschikbaar. ​
  • ​Formatieve en summatieve resultaten zijn in het eerste jaar beperkt (of niet centraal geregistreerd)
  • Andere opleidingen zijn mogelijk relevanter (bv. meer dropout) of effectiever (bv. meer data beschikbaar)​

Hoe gaat de datacoalitie verder?

De datacoalitie richt zich de komende periode op 3 onderdelen:

Model verder verbeteren:

  1. Wat is het effect van meer data toevoegen? Met name detailinformatie over resultaten en Aan- en Afwezigheid.​
  2. Welke verbetering kunnen we behalen met het finetunen van de parameters? Bijvoorbeeld de diepte van de beslisbomen?​

In de praktijk brengen:

Wat komt er bij kijken om dergelijke modellen naar de onderwijspraktijk te brengen? Hoe kijken onderwijsteams naar dit soort modellen en hoe kunnen we dit het beste doen?​

Aan de slag met datakwaliteit

Hoe breng je datakwaliteit effectief in kaart om verbeterkansen te identificeren?​ Welke data-elementen heb je minimaal nodig?

Wil je zelf aan de slag?

We vertellen je graag meer over wie we zijn en hoe we werken. Dat kan via: tom.olsthoorn@hutspot.nl

Maar alvast onze tips en resultaten om je op weg te helpen.

Aandachtspunten

  • Breng data voor de toekomst op orde​
  • Organiseer een structurele vastlegging van studieresultaten (formatief en summatief)​
  • Zorg voor behoud van data voor onderzoek​
  • Organiseer toegang tot de data. Vastleggen is belangrijk maar toegang is essentieel​
  • Investeer in datascience kennis en kunde​
  • Bouw kennis en kunde op​
  • Breng datagedreven werken naar de teams​
  • Voer het ethische gesprek als organisatie en met je student​

We hebben al het nodige voorwerk gedaan. Onze resultaten en bevindingen vind je hieronder:

De ontwikkelde modellen delen we graag met alle geïnteresseerde instellingen.

Onze werkwijze voor datagedreven onderzoek verder uitgelegd.

Het replicatieonderzoek is uitgevoerd door de Datacoalitie Datagedreven onderzoek MBO, bestaande uit zestien mbo-onderwijsinstellingen onder procesbegeleiding van Hutspot.

Published by Willem-jan Swiebel