Knowledgebase Dataondersteund onderwijs
Ik wil aan de slag met data en zoek tips
Ben je op zoek naar data over het onderwijs maar weet je niet zo goed waar je moet beginnen? Heb je specifieke vragen over bijvoorbeeld de examencijfers van een school of het aantal voortijdig schoolverlaters in een gemeente? Onderstaande wegwijzer maakt inzichtelijk welke data er te vinden zijn en waar je daarvoor moet zijn. Ben je op zoek naar data binnen een bepaald thema, kies dan in de website voor de ingang ‘Onderwerp’. Wil je weten wat voor open data er allemaal over het onderwijs te vinden zijn dan kun je het beste kijken bij ‘Sector’ of ‘Organisatie’. De data voor de tabellen en grafieken op Onderwijs in Cijfers worden door een aantal organisaties verzameld. Deze organisaties bieden vaak (een deel van) deze data openbaar aan. Daarnaast zijn er bij deze en andere organisaties nog veel meer data over het onderwijs te vinden. Op de wegwijzer is een overzicht van deze organisaties en hun aanbod te vinden.
Om het zoeken van specifieke data zoveel mogelijk te vergemakkelijken is er ook de mogelijkheid vanuit een onderwerp of de onderwijssector te zoeken. Heb je een specifieke vraag, dan kun je het best bij één van deze categoriën beginnen. De genoemde onderwerpen zijn niet allesomvattend maar bieden wel overzicht voor een aantal grote thema’s. De site onderwijs in cijfers bevat een groot aantal data sets die veel gebruikt zijn in het onderwijs. De site bevat ook een scan die gebruikt kan worden om in het onderwijs te zoeken naar de beschikbare data.
Bron:
Wat is data gestuurd werken?
Het woord data kan nogal wat weerstand oproepen bij onderwijsprofessionals. Hoe kunnen cijfers helpend zijn bij grote problemen als werkdruk en hoge afstroom, vragen zij zich af? Toch vormen onderwijsdata de basis als je de inrichting van je onderwijs wilt veranderen. Wat vind je essentieel voor de leerlingen, je leerkrachten, de cultuur? Wat zijn de effecten van eerdere interventies? Alles is met elkaar verbonden. Door datagestuurd te werken heb je overzicht en kun je daadkrachtige keuzes maken. Dit zorgt voor grip, focus en een gezamenlijke taal waar het hele team blij mee zal zijn.
Bron:
Open onderwijsdata
DUO publiceert openbare cijfers over bekostigd onderwijs in Nederland en doet onderzoek naar thema’s en trends in het onderwijsveld.
Bron:
Wat verstaan we onder een goede dataset?
De kwaliteit van een dataset wordt bepaald door het doel of de vraagstelling van de onderwijsinstelling.
Bij de zoektocht naar geschikte data komt een aantal kenmerken vaak naar voren:
– Is de data al beschikbaar?
– Hebben wij, als onderwijsinstelling, de data zelf in huis?
– Is de data homogeen?
– Komt de data uit meerdere bronnen?
– Als de data uit meerdere bronnen komt, kunnen we die dan met elkaar koppelen.
– Is de data statisch of dynamisch (Statische data zijn bijvoorbeeld historische data die we uit onze kernregistratiesystemen kunnen halen. Dynamische data zijn bijvoorbeeld de studievoortgangsdata van een huidige student die dagelijks werk inlevert/ toetsen maakt enz.)?
– Zijn we op zoek naar zogenaamde harde data die vaak te vinden zijn binnen onze instellingen, zoals geslacht, geboortedatum, woonplaats, enz of zijn we geinteresseerd in zogenaamde zachte data die we kunnen vinden door het analyseren van teksten – formulieren, verslagen … In studentenvolgsystemen worden vaak diverse formulieren en verslagen opgeslagen waarin begeleiders, docenten en coaches de resultaten van studenten vastleggen, bijhouden en delen. Denk aan gespreksverslagen van studieloopbaan- en intakegesprekken, maar ook aan korte notities van telefoongesprekken in het geval van verzuim of veranderende resultaten.
– Als we gebruik maken van geagregeerde data zoals instellingen als het CBS, de DUO, enz. die vaak hanteren, is het niveau van aggregatie dan voor ons geschikt?
– Hebben we te maken met gestructureerde data die keurig in relationele databases liggen opgeslagen? Of hebben we te maken met ongestructureerde data zoals die te vinden zijn op twitter, facebook, websites, enz.
Kortom, voordat we toekomen aan de bepaling of een dataset “goed” is, zullen eerst de bovenstaande overwegingen een rol hebben gespeeld. En bij elke keuze horen vaak andere kwaliteitscriteria.
Tot slot zal de data-scientist ook zijn/haar rol spelen bij de bepaling van de kwaliteit van de data. Hierbij moet je denken aan:
begripsdefinities, meta-data, wat te doen met missing data, enz.
Als voorbeeld een datakaart met daarin een uitgebreide bronnenlijst inclusief gebruiksdoel.
Datakwaliteitsmanagementsysteem
De werkgroep Data Quality heeft een opzet gemaakt voor een datakwaliteitsmanagementsysteem, waarbij ISO 9001 als referentiekader is gebruikt. Het kan ook een Data Quality Framework worden genoemd.
Bron:
Aan de slag met de simulatiedataset
Wil je aan de slag met privacygevoelige studentdata? Daarvoor heeft de zone Studiedata een simulatiedataset ontwikkeld. De dataset is bedoeld voor universiteiten en bestaat uit synthetische studentdata. Deze data zijn gebaseerd op de echte data van een universiteit, maar zijn dusdanig afgeleid dat je ze niet meer terug kunt herleiden tot echte studenten. Door deze dataset te gebruiken kun je ook buiten je eigen instelling algoritmes en analyses delen zonder dat de privacy van je studenten in het geding komt.
Bron:
Datakwaliteit op orde brengen, hoe doe je dat?
Scholen willen steeds meer de kansen van het werken met data benutten. Wanneer je werkt met data, moet de data van goede kwaliteit zijn. Alleen dan zal het werken met data ook echt omarmt worden. Maar hoe zorg je daarvoor? Graag delen we in dit artikel (1) inzicht in wat datakwaliteit is en (2) bieden we een handige ‘cheatsheet’ om binnen je eigen school de kwaliteit op orde te brengen. Dit zijn opbrengsten van een werkgroep binnen de Datacoalitie Datagedreven Onderzoek MBO.
Bron:
Zorg dat je het met elkaar over hetzelfde hebt. Voorbeelden: Wat is een student? Wat is verzuim? Wat is studiesucces?
Hoe data de kwaliteit van het onderwijs kunnen verbeteren
De afgelopen jaren zijn er in het Nederlandse hoger onderwijs veel inzichten opgedaan over de mogelijkheden van datagebruik voor het onderwijs. Sommige van die inzichten zijn een direct resultaat van experimenten met learning analytics, andere komen voort uit onderzoek óver learning analytics.
Bron:
Kennisbijeenkomst data-ondersteund werken aan regie op onderwijskwaliteit
Op 4 maart 2020 heeft TRIPS in samenwerking met LECSO, Stichting Orion en Kim Schildkamp van de Universiteit Twente een kennisbijeenkomst georganiseerd bij de PO-raad: data-ondersteund werken aan regie op onderwijskwaliteit. Tijdens deze bijeenkomst stond datagebruik in het speciaal onderwijs centraal. Het onderwerp werd van verschillende kanten belicht: de wetenschappelijke onderbouwing, een digitale oplossing en een praktijkvoorbeeld. Met meer geïnteresseerden dan plekken zat de zaal behoorlijk vol. De een wilde graag de uitdagingen van zijn eigen organisatie aanpakken en hiervoor inspiratie op doen, de ander wilde meer informatie over hoe data efficiënt gebruikt kan worden.
Bron:
Welke kennisproducten (bronnen) zijn er voor learning analytics
Onderwijsinstellingen die learning analytics willen ontwerpen, implementeren en toepassen, kunnen hier op verschillende plekken kennis over opdoen. SURF heeft onderzoek uit laten voeren om bestaande kennisproducten in kaart te brengen. In het webinar inventarisatie kennisproducten learning analytics presenteerde Justian Knobbout (Data Analytix) de voorlopige resultaten
Bron:
De rol van docenten bij learning analytics
Wat willen de docenten nu precies met Learning Analytics? En wat weten ze eigenlijk van learning analytics. Onderzoek naar wat docenten beweegt om met learning analytics aan de slag te gaan.
Bron:
Bouwstenen van een learning analytics infrastructuur
Een gemengd gezelschap nam deel aan het webinar learning analytics, onder andere docenten, beleidsmedewerkers, informatiemanagers en projectleiders. Tijdens dit webinar bespraken we het door SURF uitgevoerde onderzoek naar de bouwstenen van een learning analytics-infrastructuur.
Bron:
Discussiemodel learning analytics. Waarom, met wie en hoe.
Binnen een instelling is het soms lastig om te bepalen wat je wilt bereiken met Learning Analytics. Waar begin je? Wie moet je allemaal betrekken? En waar moet je verder aan denken? Om je daarbij te helpen heeft SURF een discussiemodel gemaakt. In dit document leggen ze uit hoe je het model kunt gebruiken binnen je instelling.
Bron:
Verslag Webinar Van idee tot inzet: het succesvol toepassen van learning analytics binnen het Nederlandse onderwijs
Wat is er nodig om Learning Analytics succesvol toe te passen? Welke organisatorische vaardigheden moeten onderwijsinstellingen daarvoor ontwikkelen? En hoe kan Learning Analytics al in de ontwerpfase van het onderwijs worden geïntegreerd?
Bron:
Aan de slag met de proeftuin learning analytics
Learning analytics kan worden ingezet voor het terugkoppelen van informatie over de huidige situatie, zodat studenten en docenten in het leerproces kunnen bijsturen. In het kader van flexibilisering van het onderwijs kan learning analytics bijvoorbeeld worden ingezet voor differentiëren van de onderwijsaanpak op basis van voorkennis van studenten.
De proeftuin start met het formuleren van een onderwijsdoel en bouwt voort op bestaande kennis. Vervolgens komen diverse onderwerpen aan de orde, zoals ethiek, datakwaliteit, privacy, datamanagement en terugkoppeling van resultaten aan studenten.
Je kunt alle onderdelen van de proeftuin learning analytics downloaden!
Bron:
Learning analytics dashboard: a tool for providing actionable insights to learners
Deze studie onderzoekt de huidige benaderingen van learning analytics (LA) dashboarding, waarbij de uitdagingen worden belicht waarmee onderwijsaanbieders worden geconfronteerd bij hun operationalisering. We analyseren recente dashboards op hun vermogen om bruikbare inzichten te bieden die geïnformeerde reacties van leerlingen bevorderen bij het maken van aanpassingen aan hun leergewoonten. Uit ons onderzoek blijkt dat de meeste LA-dashboards slechts beschrijvende analyses op het oppervlak gebruiken, terwijl slechts weinigen verder gaan dan voorspellende analyses. Als reactie op de vastgestelde hiaten in recent gepubliceerde dashboards, stellen we een ultramodern dashboard voor dat niet alleen gebruikmaakt van beschrijvende analysecomponenten, maar ook machine learning integreert op een manier die zowel voorspellende als prescriptieve analyses mogelijk maakt.
Bron:
- https://educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-021-00313-7
- https://www.linkedin.com/feed/update/urn:li:activity:6898935750256386048/?commentUrn=urn%3Ali%3Acomment%3A(activity%3A6898935750256386048%2C6899356326086926336)
Data-ondersteund onderwijs. Sturen of gestuurd worden
Wat is data-ondersteund onderwijs, wat moeten we met learning analytics en kunstmatige intelligentie (AI) in het onderwijs? Kennisclip van Pierre Gorissen
Bron:
Stappenplan data ondersteund onderwijs
Als jouw instelling geïnteresseerd in data-ondersteund onderwijs kun je dit stappenplan gebruiken. Het is een hulpmiddel, er zijn natuurlijk meerdere wegen die naar Rome leiden. Dit is er één van.
Bron:
- Kijk hiervoor in het stappenplan. https://xerte.deltion.nl/play.php?template_id=2910
Omgaan met data in het onderwijs
Hoe kan de inzet van ict scholen helpen hun doelen te bereiken? Welke data levert dit ict-gebruik op en wat betekent dit voor de verantwoordelijkheden van scholen? Hoe kunnen scholen de privacy van leerlingen borgen? Welke opties hebben ze daartoe? Dit zijn vragen die menig bestuurder in hetpo, vo en mbo bezig houden. Ict-ontwikkelingen in het onderwijs denderen in rap tempo voort en het is aan scholen om hier grip op te houden, geen gemakkelijke klus.
Bron:
Efficiënt datagebruik. Interpreteren en benutten van data door onderwijsteams
In het onderwijs wordt steeds vaker en intensiever gebruikgemaakt van data. Het omzetten van de aangeleverde data naar verbeteracties blijkt in de praktijk echter vaak lastig. Waar vind je relevante data? Hoe zet je data in om de kwaliteit van het onderwijs te verbeteren? En hoe richt je, op basis van de uitkomsten van die verbeteracties, je onderwijs vervolgens in?
Bron:
Werken met data door opleidingsteams in het MBO, meerwaarde en condities
Opleidingsteams staan dagelijks voor vragen als ‘wat zijn de meest effectieve manieren om uitval te voorkomen?’ Of: ‘hoe ontwikkel je een onderzoekende houding bij studenten?’ Meestal vormen aannames, anekdotes, ervaring en intuïties de basis voor de beantwoording, en niet data en kennis uit bijvoorbeeld onderzoek. Deze publicatie, een initiatief van ECBO, het Kwaliteitsnetwerk mbo en Eqavet, geeft een actueel overzicht van wat we weten over het werken met data in het mbo, en belangrijker, hoe ‘kale’ data betekenis krijgen in het onderwijs.
Bron:
Toetsingskader algoritmes
Het toetsingskader is een praktisch instrument dat wij en andere overheidsorganisaties kunnen gebruiken om te toetsen of algoritmes aan bepaalde kwaliteitscriteria voldoen én of de risico’s voldoende in beeld zijn en/of worden beperkt. Het toetsingskader bestaat uit 5 perspectieven. Ethiek is als perspectief verbonden met de andere 4 perspectieven.
Bron:
Quickscan datavolwassenheid van een organisatie
Met deze quickscan kun je achterhalen waar je organisatie staat als het gaat om de mate waarin deze datavolwassen is. Dit is een belangrijke voorwaarde om succesvol data ondersteund onderwijs in de organisatie te implementeren. De quickscan is gebaseerd op een data volwassenheidsmodel met 5 pijlers die alle 5 in samenhang moeten worden ontwikkeld. Dit model wordt in de bron hieronder besproken.
Bron:
Doe meer met studiedata, doe de quickscan studiedata
Jouw onderwijsinstelling beschikt over studiedata, maar in hoeverre benutten jullie die? Met de quickscan van de zone Studiedata krijg je een overzicht van de volwassenheid van jouw instelling op het gebied van het veilig en betrouwbaar benutten van studiedata.
Bron:
Van beleids- naar datacyclus
De beleidscyclus moet nodig op de schroothoop. Deze cyclus staat voor een methode die steeds minder met de werkelijkheid te maken heeft. In die werkelijkheid immers staat data centraal. Jan van Ginkel en Paul Strijp vinden dat we op zoek zullen moeten naar een nieuwe methode. Is de datacyclus een goed alternatief?
Bron:
Leiderschap met data analytics in het hoger onderwijs
Het gebruik van gegevens en de toepassing van analyses en kunstmatige intelligentie (AI) zal zonder twijfel de manier veranderen waarop we ons hoger onderwijs ontwerpen en exploiteren. Eigenlijk, vandaag verandert het al onze onderwijsinstellingen. Maar wat is er nodig om analytics en AI waardevolle onderdelen te maken van de manier waarop we ons onderwijs organiseren? De transformatie naar datagedreven vraagt om een hele reeks nieuwe vaardigheden en manieren van werken. Het begrijpen van en werken met nieuwe technologieën voor (big) dataverzameling, analyse en voorspelling zal niet alleen enorme kansen creëren, maar ook ethische, juridische, privacy- en technische kwesties die elk onderdeel van de organisatie aangaan. Het zal de relatie met onze studenten beïnvloeden, herdefinieert hoe nieuwe programma’s en diensten worden ontwikkeld, verandert de manier waarop operaties worden beheerd en vormt de basis voor nieuw dienstenaanbod. Het vereist een datagedreven focus van alle betrokkenen in de organisatie.
Bron:
Ik wil weten wat definities en termen zijn
Wat zijn studiedata?
Studiedata, niet te verwarren met data over studies, is een verzamelnaam voor een breed scala aan gestructureerde gegevens die binnen onderwijsinstellingen benut kunnen worden voor het verbeteren van het onderwijs. Daarbij onderscheiden we drie richtingen voor verbetering: de kwaliteit van onderwijs, de effectiviteit van het onderwijs en de efficiëntie van het onderwijs.
Bron:
Doe meer met studiedata, wat betekent dit voor mij?
Het belang van studiedata verschilt per stakeholder. Ze worden belicht vanuit het perspectief van een veelheid aan rollen: Docent, Student, Bestuurder, Opleidingsdirecteur, Beleidsmaker, Studentenbegeleider, Onderzoeker,
Bron:
Met student analytics gebruiken we redelijk statische data. Denk aan gegevens over instroom van studenten, doorstroom naar de arbeidsmarkt of sociaal economische achtergrond van studenten.
Learning analytics is het meten, verzamelen, analyseren en rapporteren van en over data van leerlingen en hun context. Learning analytics heeft als doel het begrijpen en optimaliseren van het leren en de omgeving waarin dit plaatsvindt. Met learning analytics heeft de docent meer grip op online studiegedrag, zodat hij studenten beter kan ondersteunen bij het behalen van studiesucces en het voorkomen van uitval. Daarnaast helpt learning analytics bij het verbeteren van online materiaal. Data over hoe vaak, hoe lang, wanneer en hoe materiaal wordt gebruikt, geven inzicht in de vraag of het materiaal wel doet waarvoor het is bedoeld. Eigenlijk is learning analytics een logisch gevolg van online onderwijs. Het is een middel om zicht te krijgen op wat er online gebeurt.
Online onderwijs brengt een aantal grote veranderingen met zich mee. Eén ervan is dat docenten minder zicht hebben op wat studenten doen. In een lokaal zien docenten hoe het met de studenten gaat. Het is duidelijk of ze er zijn of niet, of ze meedoen en of ze hun opdrachten hebben gemaakt. In een online onderwijsomgeving ontbreekt dat overzicht grotendeels. Dat is lastig, want iedere docent vindt het belangrijk om de studenten goed te kunnen begeleiden. Het gebruik van data in het onderwijs kan hiervoor een oplossing bieden.
Key performance indicators (Nederlands: kritieke prestatie-indicatoren) zijn variabelen om de prestaties van een bedrijf, merk of product te analyseren. KPI’s worden gebruikt om het succes van een organisatie in het algemeen objectief te kunnen meten, of het succes van een bepaalde actie of campagne te peilen.
Data science is een interdisciplinair onderzoeksveld met betrekking tot wetenschappelijke methoden, processen en systemen om kennis en inzichten te onttrekken uit (zowel gestructureerde als ongestructureerde) data.
Datawetenschap is een concept om statistieken, data-analyse en aanverwante methoden te verenigen. Het maakt gebruik van technieken en theorieën ontleend aan vele disciplines binnen het brede gebied van de wiskunde, statistiek, informatiekunde, kunstmatige intelligentie en computerwetenschappen. In het bijzonder de subdomeinen van machinaal leren, classificatie, cluster-analyse, datamining, databases, en visualisatie zijn belangrijke hulpvakken.
Verantwoord virtueel – Bescherm consumenten in virtual reality
We presenteren een overzicht met de belangrijkste ethische en maatschappelijke vraagstukken die spelen rond VR in het consumentendomein. Uit deze verkenning blijkt dat het immersieve en intieme karakter van VR leidt tot een veelvoud aan ethische en sociale kwesties, zoals op het gebied van privacy, autonomie, fysieke en mentale integriteit, geïnformeerde toestemming en toegang tot technologie.
Bron:
Belangrijkste technologische trends voor het onderwijs
Welke technologieën gaan de komende jaren een beslissende rol spelen in het onderwijs? Die vraag beantwoorden we graag in dit artikel. Artificial intelligence (AI), internet of things, interfaces en vertrouwen in de digitale wereld: deze 4 trends schetsen we op hoofdlijnen. En we laten hun samenhang zien.
Bron:
Big Data verwijst naar onze mogelijkheden om gebruik te maken van de steeds toenemende hoeveelheid data en deze te analyseren.
Big data worden gespecificeerd aan de hand van 5 V’s:
- Volume: De hoeveelheid data waarmee instelling te maken krijgen, worden steeds groter. Datasets zijn vaak te groot om opgeslagen en ganalyseerd te worden.
- Variaty: Het tweede kenmerk van Big Data is Variety dat verwijst naar aard van de data. Deze kan namelijk gestructureerd, ongestructureerd of semi-gestructureerd zijn. Bovendien zijn de data afkomstig uit veel verschillende soorten bronnen
- Velocity: Deze term verwijst naar de snelheid waarmee nieuwe data gegenereerd worden, maar ook de acties die kunnen worden ingezet in geval van bijvoorbeeld fraude. Dan is snelheid geboden. Door gebruik te maken van big data systemen kunnen misstanden snel worden opgespoord.
- Veracity: Dit verwijst naar de geloofwaardigheid van de data. Bij Big Data worden verschillende bronnen met een verschillende betrouwbaarheid met elkaar gecombineerd. De verschillende typen data verschillen met elkaar wat betreft kwaliteit en nauwkeurigheid en zijn daardoor minder goed controleerbaar (bijv. typfouten, spreektaal, afkortingen). Dankzij nieuwe Big Data technologieën is het mogelijk om met deze ‘messy’ data tot waardevolle resultaten te komen tijdens het analyseproces.
- Value: Dit begrip verwijst naar de grote waarde die Big Data kunnen opleveren. Het is leuk als je toegang tot al je data hebt, maar Big Data heeft pas echt zin als je er waarde uit kunt halen.
Big Data, wat is dat eigenlijk?
Het internet bevat enorm veel gegevens (data). Tweets, video’s, foto’s, zoekresultaten en profielen op sociale media. Maar ook klantenbestanden en aankoopgegevens. Deze gegevens maken het voor organisaties steeds makkelijker om jouw gedrag te voorspellen en te beïnvloeden. Hoe zorg je ervoor dat je controle houdt over jouw gegevens?
De hoeveelheid gegevens die we met z’n allen produceren groeit explosief, omdat alles en iedereen online is. Die enorme berg digitale gegevens noemen we big data. De voordelen en de risico’s worden geschetst.
Bron:
Machine Learning is een onderdeel dat zijn oorsprong kent vanuit het vakgebied Kunstmatige Intelligentie (AI). Bij een datagedreven aanpak wordt Machine Learning vaak ingezet om op een geautomatiseerde manier patronen en relaties te zoeken in grote en/of complexe hoeveelheden gegevens.
De methoden en technieken van Machine Learning zijn sterk gerelateerd aan die van de statistiek. De resultaten van Machine Learning, zoals (voorspel)modellen, slimme algoritmes of implementaties in programma’s, onderscheiden zich doordat ze in de tijd steeds slimmer/beter worden. Ruwweg geldt dat hoe meer data je gebruikt om een Machine Learning model te voeden hoe meer en betere patronen en relaties er gevonden worden.
Dankzij Machine Learning kunnen we complexe, heterogene en ongestructureerde data analyseren en daaruit inzichten halen die eerder niet mogelijk waren. Machine Learning is vooral bekend geworden door de grote succesen die behaald zijn met zogenaamde Big Data projecten. In het onderwijs zal de complexe, heterogene en ongestructureerde data voor een groot deel afkomstig zijn van studenten en de leeromgeving. Formatieve studieresultaten, werkstukken, video’s, social media, websites, data uit de Digitale Leeromgeving, enz.
De twee belangrijkste vormen van Machine Learning zijn supervised learning en unsupervised learning. Weet je bij de één naar welke gewenste output (supervised) je op zoek bent, bij de ander (unsupervised) heb je geen gewenste uitvoer maar zoek je naar onontdekte verbanden en structuren.
Supervised learning
Hierbij voed je een Machine Learning model met voorbeelden van invoer en bijbehorende uitvoer. Een onderwijsvoorbeeld zou kunnen zijn dat je op basis van historische studentgegevens (invoer) wil gaan voorspellen of een student risico loopt in de toekomst uit te vallen of niet (uitvoer). Een supervised model leert aldus op basis van voorbeelden uit het verleden hoe de eigenschappen van de invoer bepalend zijn voor de uitvoer. Na de leerfase kan het algoritme ook voor nieuwe invoer zelfstandig de juiste uitvoer produceren. Voorbeelden van supervised learning zijn classificatie, regressie, beslisboomalgoritmes, enz.
Unsupervised learning
Bij deze vorm van leren zijn er geen voorbeelden van de gewenste uitvoer; het algoritme moet zelf een (verborgen) structuur in de gegeven invoer ontdekken. Onderwijsvoorbeelden zijn bijvoorbeeld te vinden in differentiatie/maatwerk trajecten waarbij je op zoek bent naar verbanden/ clusters van relevante studentkenmerken. Voorbeelden van unsupervised learning vind je dan ook in de hoek van clusteranalyses, studentsegmetering, aanbod/arbeidsmarktsegmenten enz…
Bronnen:
- https://tweakers.net/reviews/5901/1/neurale-netwerken-de-beslissende-kracht-achter-internet-neurale-netwerken-zijn-overal.html
- https://www.passionned.nl/bi/predictive-analytics/neuraal-netwerk/#article
Artificial Intelligence
Artificial intelligence (AI) is het vermogen van computers om taken uit te voeren waarvoor mensen hun intelligentie inzetten. Denk aan interacteren met de omgeving, analyseren, redeneren, problemen oplossen en voorspellen. In dit artikel leggen we uit hoe AI werkt en welke mogelijkheden het biedt voor het onderwijs.
Bron:
AI, wat is dat nu precies?
Via deze link kom je bij 7 podcasts over de betekenis en de invloed van AI, robots voor de klas en de betekenis van AI voor leren.
Bron:
What is AI? Een Engelstalige cursus met spelelementen om alle aspecten van AI te ontdekken
Leuke website, ontwikkeld in Finland, waar je op een plezierige en laagdrempelige manier veel leert over AI. Engelstalig.
Bron:
Waarom vinden computers witte mannen die Peter heten het leukst? Podcast van de Universiteit van Nederland
Ieder mens heeft vooroordelen, maar geldt dat ook voor computers en smartphones? In dit college duikt filosoof en ethicus Peter-Paul Verbeek (Universiteit Twente) in de wereld van discriminatie in artificiële intelligentie.
Bron:
Neurale netwerken, de beslissende kracht achter internet
Bijna iedereen met een computer heeft dagelijks te maken met kunstmatige intelligentie, meestal onopgemerkt als het allemaal goed gaat, maar vaak een beetje koddig als het verkeerd gaat. Hoe ziet dat er dan uit?
Bron:
Leer hoe een neuraal netwerk werkt
Elke data analist of data scientist moet weten hoe een neuraal netwerk werkt. En wat de problemen zijn waar neurale netwerken een oplossingen voor bieden. Ook is het van belang om de beperkingen te kennen van deze techniek. Dat lees je allemaal op deze pagina over neurale netwerken. Ook te begrijpen door gewone mensen.
Bron:
Ik wil aan de slag met marktpartijen en pakketten
Data-analyse kan veel bruikbare informatie opleveren voor de school. Maar welke tools zet de school in om deze data te benutten? De ‘marktscan data-analyse’ helpt bestuurders, ict-coördinatoren en informatiemanagers de juiste tool kiezen.
Marktscan data-analyse: https://www.kennisnet.nl/artikel/6759/aan-de-slag-met-data-analyse-welke-tools-zijn-er-voor-jouw-school/
Ik wil weten wat modellen en denkkaders zijn
Learning analytics is het meten, verzamelen, analyseren en rapporteren van en over data van leerlingen en hun context. Learning analytics heeft als doel het begrijpen en optimaliseren van het leren en de omgeving waarin dit plaatsvindt.
Met Student analytics gebruiken we minder veranderlijke data. Denk aan gegevens over instroom van studenten, doorstroom naar de arbeidsmarkt of sociaal economische achtergrond van studenten.
A Capability Model for Learning Analytics Adoption
Voor je aan de slag kunt met learning analytics moet je in je organisatie eerst een heel aantal zaken op orde hebben.
Bron:
Meer transparantie bij het gebruik van data in een lms
Leermanagementsystemen hebben steeds meer mogelijkheden om gedetailleerde informatie te leveren over hoe lerenden het systeem gebruiken. Het systeem zet ons echter niet aan het denken over hoe we deze data gebruiken. We zijn geneigd rapporten over het leren van lerenden op te stellen, die we face-to-face niet op zouden kunnen stellen zonder een aanzienlijke inbreuk op de privacy. In een klas kijk je als docent immers niet continu mee over de schouder van elke lerende.
Bron:
Gebruik data om lerenden beter te ondersteunen
Onderwijsinstellingen en opleidingsinstituten beschikken over grote hoeveelheden data van hun lerenden. Daarbij gaat het niet alleen om cijfers, maar ook over aanwezigheidsgegevens, tal van activiteiten in diverse systemen, enzovoorts. Volgens Elliot Howells kunnen onderwijsinstellingen lerenden in elke fase van de levenscyclus als lerende een meer gepersonaliseerde ervaring bieden, en hen beter ondersteunen en begeleiden.c
Bron:
Maken adaptieve leersystemen de docent tot performance manager
Op grond waarvan stelt het adaptieve leersysteem een diagnose? Als leraar weet je dat vaak niet. Daarnaast, het lijkt of digitale systemen het leerproces reduceren tot het principe van oefenen voor de toets. Waar blijft het ongeplande karakter dat zo belangrijk is voor leren?
Bron:
Wat is data analytics?
In dit artikel worden de verschillende soorten analytics helder uitgelegd
Bron:
Descriptieve analytics: Descriptive analytics draait om het verleden; je gaat na wat er de afgelopen tijd gebeurd is.
Diagnostische analytics: Daarbij gaat het, waarom is iets gebeurd?
Predictieve analytics: Als je weet wat er in het verleden is gebeurd (en waarom!) kun je vaak ook een inschatting maken over hetgeen dat komen gaat.
Prescriptieve analytics: In de laatste fase ga je niet alleen voorspellen wat er in de toekomst gaat gebeuren, maar ook wat je concreet moet doen om deze toekomst zo rooskleurig mogelijk te maken.
De vier soorten data analytics: hoe zit dat precies?
Steeds meer bedrijven maken gebruik van data analytics, en dit is niet voor niets. Data analytics is veelbelovend, aangezien dit mogelijk voor een hoger ROI, minder kosten en snellere processen zorgt. Een voorwaarde is wel dat je voor de juiste soort data analytics kiest. Er zijn vier soorten, maar welk soort past bij jouw bedrijf?
Bron:
Soorten data analyse
Een veel gebruikt model voor de ontwikkeling van analytics is afkomstig van Gartner : het Analytics Groeimodel. Een nuttig model dat goed uitlegt welke soorten analytics zijn, maar wel met een aantal kritische kanttekeningen.
Bron:
Ik wil weten hoe anderen het hebben gedaan
Er wordt datagedreven onderzoek naar de leerloopbaan van studenten gedaan. Hiervoor wordt de data die door scholen en partijen zoals DUO, SBB, gemeenten en CBS wordt verzameld, gebruikt.
Onderzoeksvragen en opgedane inzichten vind je hier: https://datagedrevenonderzoekmbo.nl/
Het Integraal Teamdashboard
Dit dashboard gaat onderwijsteams in de toekomst helpen bij datagedreven werken. Onderwijsteams willen graag meer inzicht hebben in informatie rond instroom, onderwijs & begeleiding, examinering en uitstroom. Informatie daarover helpt om tijdig te kunnen bijsturen en draagt bij aan verantwoording in het kader van kwaliteitsborging.
Bron:
Relevante Data Voor Jouw Instelling Verkrijgen
Mbo-instellingen zijn geïnteresseerd in informatie die hen meer kan vertellen op het gebied van werving, instroom en doorstroom van studenten. Dit soort informatie kan ingezet worden voor marketingdoeleinden maar helpt ook de docenten een beter beeld te krijgen van hun studenten. Binnen de Datacoalitie heeft een werkgroep haar onderzoek gericht op dit gebied. Wat willen instellingen graag weten? En hoe kan die informatie beschikbaar gemaakt worden? Lees in dit artikel meer over het onderzoek en de resultaten tot nu toe!
Bron:
Studentdata geven inzicht in studeerbaarheid ArtEZ-opleiding
Docenten en studenten ervaren de ArtEZ-opleiding Docent Beeldende Kunstvorming in Zwolle als een zware opleiding. CINOP en ECBO (onderdeel van CINOP) onderzochten daarom wat de opleiding kan doen om de studeerbaarheid te verbeteren, een belangrijke voorspeller van studiesucces. Het onderzoek bestond uit een kwantitatief deel via data-analyses en een kwalitatief deel met panelgesprekken. Resultaat: een helder, onderbouwd én gedragen beeld over hoe het met de studeerbaarheid van de opleiding is gesteld. Daarnaast zijn concrete verbeterpunten afgestemd waar het team de komende tijd mee verder kan.
Bron:
Learning analytics, wat leer je er uit als lesgever
Welke analyses kan je als lesgever uitvoeren op basis van de gegevens die beschikbaar zijn binnen Ufora? Waar kan je die gegevens en analyses vinden en wat kan je eruit leren? Daar gaat deze onderwijstip verder op in.
Bron:
Efficiënt datagebruik. Interpreteren en benutten van data door onderwijsteams
In het onderwijs wordt steeds vaker en intensiever gebruikgemaakt van data. Het omzetten van de aangeleverde data naar verbeteracties blijkt in de praktijk echter vaak lastig. Waar vind je relevante data? Hoe zet je data in om de kwaliteit van het onderwijs te verbeteren? En hoe richt je, op basis van de uitkomsten van die verbeteracties, je onderwijs vervolgens in?
Bron:
Praktijvoorbeeld van Curio: werken met data
Teamleider Jurgen van Oorschot van de opleiding Software Developer bij Curio in WestBrabant bracht met zijn team aan de hand van cijfers duidelijkheid waarom studenten vaak uitstromen bij de opleiding. Dit gaf een drive om samen te onderzoeken wat de oorzaak was. Nu heeft het team een ritme van cyclisch werken met data gevonden waardoor ze studenten veel beter kunnen begeleiden en bijsturen indien nodig.
Bron:
Ervaringen uit de data-coalities, deel I
In het mbo werken instellingen samen in een aantal datacoalities. Hierin doen we met elkaar kwalitatieve inzichten op over de manier waarop met data waarde kan worden verkregen in het onderwijsproces. Hoe kunnen we kernprocessen slim verbeteren of kwetsbare studenten eerder spotten en beter begeleiden? Hoe kunnen we het leerproces van de student verbeteren? Verslag van data dinsdag 14 december 2021.
Bron:
Learning analytics bij Mr. Chadd
Als je digitale leermiddelen gebruikt, ontstaat er data over leerlingen en hun leerbehoeftes. En die data kun je analyseren. Dat proces van verzamelen en analyseren noemen we learning analytics. Hierdoor leer je leerlingen en hun leerprocessen beter begrijpen, waardoor je lessen beter kunt afstemmen op hun behoeften. Je verbetert je lessen zo op basis van data.
Bron:
LinkedIn groep Studiedata en analytics
Onderwijsinstellingen en de publieke sector zien in dat de analyse van studiedata bij kan dragen aan het verbeteren van het onderwijs. Maar de vraag is hoe benut je die studiedata op een (privacy)veilige en betrouwbare manier? Ben je geïnteresseerd in studiedata en/of Learning analytics en wil je graag kennis delen? Meld je aan voor deze groep.
Bron:
Live interactief dashboard van data initiatieven in het mbo https://edu.nl/9w8h8
Wil je ook dat jouw initiatieven in het dashbiard worden opgenomen, ga dan naar https://edu.nl/wgdfe en vul het formulier in.
Ik wil aan de slag met richtlijnen en kaders
AI in het onderwijs: dit zijn de belangrijkste ethische aandachtspunten
Leren met digitale leermiddelen die zich direct aanpassen aan de persoonlijke ontwikkeling van de leerling: artificial intelligence (AI) maakt het in de toekomst waarschijnlijk mogelijk. Dit kan voor grote veranderingen in het onderwijs zorgen en de rol van de leraar aan het schuiven brengen. Welke ontwikkelingen vinden we wel en niet wenselijk? Het onderwijs kan hier actief in sturen en belangrijke onderwijswaarden voorop zetten. Een overzicht van de belangrijkste ethische aandachtspunten helpt u op weg.
Bron:
Een ethisch gesprek over data, hoe doe je dat?
Onderwijs verandert razendsnel. Nieuwe ontwikkelingen zorgen er voor dat we steeds meer data genereren. Bewust, maar vaak ook onbewust. Het is belangrijk om hierover met elkaar een ethisch gesprek te voeren, zodat we als docent, team en instelling stilstaan bij wat er allemaal gebeurt met (studie)data. Verslag van een datadinsdag met een workshop ethiek, met diverse doorverwijzingen en bronnen.
Bron:
Data-ethiek gaat over een bewuste, reflectieve omgang met data, waarin de wenselijkheid van het datagebruik en de doelen ervan wordt bevraagd. Hiervoor is geen pasklaar format, maar zijn wel handvatten te geven. Men kan de eenvoudige drietrapsvraag stellen (kan, mag, wil) en een aantal waarden centraal stellen in de overweging.
Bronnen:
VU ethisch kader:
https://www.vu.nl/nl/Images/Code-of-practice-privacy-ethiek-SA2017_v1_CC_tcm289-878414.pdf
Kennisnet, waarden wegen
https://www.kennisnet.nl/app/uploads/kennisnet/publicatie/Kennisnet-Ethiekkompas-Waardenwegen.pdf
Jisc code of practice
https://www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics
Referentiekader Privacy en Ethiek Studiedata
Heb je vragen over privacy en ethiek met studiedata? De zone Veilig en betrouwbaar studiedata benutten stelt de 0.8 conceptversie van het Referentiekader privacy en ethiek voor studiedata beschikbaar. Het Referentiekader beschrijft zowel de ethische uitgangspunten als de juridische (privacy) kaders waar instellingen voldoende aandacht aan moeten besteden bij het verantwoord gebruik van studiedata.
Bron:
Houd controle over AI toepassingen op het gebied van learning analytics
Dankzij kunstmatige intelligentie (AI) en big data zijn we in staat om onderwijs en opleiden meer toe te spitsen op het niveau en het leergedrag van de individuele lerende. De bijdrage Discrimination in a Sea of Data: Exploring the Ethical Implications of Student Success Analytics laat zien dat deze ontwikkeling ook negatieve kanten kan hebben. Bepaalde lerenden kunnen daardoor baat hebben bij de combinatie AI en learning analytics, maar anderen juist niet.
Bron:
Verantwoord inzetten van artificial intelligence
De verwachtingen rondom artificial intelligence (AI) of kunstmatige intelligentie zijn hooggespannen. De technologie kan intelligente taken waar voorheen menselijke intelligentie voor nodig was steeds beter en sneller uitvoeren. Hierbij worden algoritmes ingezet die grote hoeveelheden data verwerken om op basis daarvan een beslissing te nemen. Alleen is niet altijd duidelijk hoe zo’n algoritme die beslissing neemt. En dat kan voor ongewenste effecten zorgen. Hoe zetten we artificial intelligence verantwoord in?
Bron:
Kansen(on)gelijkheid en adaptieve leertechnologie
Digitale technologie in het onderwijs kan bijdragen aan kansengelijkheid maar die kansengelijkheid juist ook in de weg zitten. Hoe zit dat precies? In deze podcast spreken we dr. Inge Molenaar en prof. dr. Eddie Denessen over de invloed van adaptieve leertechnologie op kansengelijkheid.
Bron:
Discrimination in a Sea of Data: Exploring the Ethical Implications of Student Success Analytics
Bron:
Start je binnenkort een BI- of Analytics-traject waarbij persoonsgegevens worden verwerkt en wil je weten of je een Data Protection Impact Assessment (DPIA) dient uit te voeren? Aan de hand van deze checklist kun je bepalen of je een DPIA nodig hebt.
Verwerkingen van persoonsgegevens in een BI & Analytics-context kennen specifieke privacyrisico’s die anders zijn dan in primaire bedrijfsprocessen. Vaak worden grote hoeveelheden persoonsgegevens met elkaar gecombineerd, voor veel verschillende doeleinden gebruikt en voor een groot aantal eindgebruikers beschikbaar gesteld. Treedt er een datalek op of krijg je te maken met oneigenlijk gebruik van de gegevens? Dan is de impact groot.
Met een DPIA beoordeel je de consequenties en risico’s van de verwerking voor de privacy van de betrokkenen, zodat je passende maatregelen kunt nemen.
Checklist:
DPIA in een BI & Analytics-context
De Europese privacytoezichthouders hebben een lijst met negen
criteria opgesteld om te beoordelen of een voorgenomen
verwerking van persoonsgegevens een hoog privacyrisico
DPIA moet uitvoeren als een verwerking aan twee of meer van deze criteria voldoet.
checklist: https://www.hotitem.nl/wp-content/uploads/2020/01/e-paper483765-Checklist-Wanneer-is-een-DPIA-verplicht-in-een-BI-omgeving-Hot-ITem.pdf
Geef eens wat privacy op (en maak de wereld zo een beetje mooier)
In het Wilde Westen van de techgiganten is de sheriff gearriveerd, die waakt over onze privacy. Maar zijn regels en boetes hebben ook hun keerzijde, schrijven Hans de Bruijn en Bram Klievink, want data zijn hard nodig voor betere zorg, beter onderwijs en meer veiligheid.
Bron:
Ik wil aan de gang met stappenplannen en werkwijzen
Het data Wheel of science is een tool dat gebruikt kan worden voor het opzetten van data vraagstukken. Het wiel toont van binnen naar buiten en met de klok mee: wat de hoofdactiviteiten zijn, welke onderliggende activiteiten van belang zijn, welke capaciteiten er in een onderwijsorganisatie nodig zijn, en welke kernwaarden voorop staan. Bij een nieuw project beginnen we niet bij nul: er is al veel bestaand onderzoeksmateriaal dat aanwezig is vanuit het onderwijs of eerder beleid (oranje). Die gegevens vormen de basis voor stap 1 (paars): het verzamelen van beschikbare data. In stap 2 (blauw) analyseren we die gegevens, om in stap 3 (oranje) het onderwijs of beleid bij te sturen waar dat nodig en zinvol is.
Bronnen: https://versnellingsplan.nl/publicatie/modellen-studiedata/
Stap 1: Creeer focus
Bepaal als instelling wat je eerst wilt bereiken d.m.v. data ondersteund werken.
Stap 2: Informatiebehoeften
Inventariseer de informatiebehoeften vanuit de stakeholders
Start bijv. met behulp van de wheel of science een pilot, Kies een toepassing van het data ondersteund werken.
Stap 3: Data
Inventariseer welke data aanwezig is binnen je instelling (brondata)
Verzamel de benodigde brondata
Wanneer de gewenste data niet intern aanwezig is zoek deze extern
Beoordeel de toepasbaarheid van de verzamelde data
Stap 4: Van data naar inzicht
Bepaal je startpunt
Doe een datavolwassenheidsscan nulmeting t.o.v. uitgesproken ambitie en doelen
Bijv. Readiness Scan Studiedata Versnellingsplan
Bepaal als instelling een integrale datastrategie: Input voor deze datastrategie is het resultaat van de datavolwassenheidsscan
Een datastrategie is de weg en investering in hoe je doel in het data ondersteund werken wilt bereiken.
Stap 5: Groeien in je ambitie en doelen
Blijf monitoren! Controleer het resultaat van je pilots!
Het resultaat van een pilot kan input zijn voor een nieuwe pilot!
Korte en overzichtelijke stappen nemen om de gewenste subdoelen te bereiken: https://xerte.deltion.nl/play.php?template_id=2910
Ethische en juridische aspecten bij datagedreven onderzoek: https://www.digitaleoverheid.nl/overzicht-van-alle-onderwerpen/nldigibeter/toolbox/aandacht-voor-ethische-en-juridische-aspecten/
Ethische beoordeling van een concreet onderzoek.
Voor enkele projecten of een groot project kun je de Sheila methodiek gebruiken.
Enkele projecten of een groot project:
https://sheilaproject.eu/
Sheilaframework v2 pdf met te doorlopen stappen:
https://sheilaproject.eu/sheila-framework/
Het Ethiekkompas is bedoeld voor iedereen in het onderwijs die te maken heeft met ethische vraagstukken rond digitalisering.
Ethiek gaat over het goede handelen. Daarbij staan waarden centraal.
Hulpvragen om te ontdekken of je met een ethische vraag te maken hebt
Roept de vraag een bepaalde intuïtie over goed of kwaad of een emotie op?
Staan er waarden op het spel en waarom is dat het geval?
Kan iemand (of een bepaalde groep) er schade van ondervinden?
bronnen:
https://wijzer.kennisnet.nl/ethiekkompas
Ethische beoordeling van een concreet onderzoek: Voor een eenmalig klein project:
De ethische data assistent (DEDA) helpt data-analisten, projectmanagers en beleidsmakers om ethische problemen in dataprojecten, datamanagement en databeleid te herkennen.
DEDA is in nauwe samenwerking met data-analisten van de Gemeente Utrecht ontwikkeld en bestaat uit een toolkit die helpt bij het in kaart brengen van ethische kwesties bij dataprojecten, bij het documenteren van het beraadslagingsproces en bij de bevordering van de verantwoording aan de diverse stakeholders en het publiek.
DEDA bestaat uit een worksheet voor brainstormsessies, een interactieve vragenlijst en een handleiding. Alle tools zijn gepubliceerd door de Utrecht Data School van de Universiteit Utrecht.
Voor enkele projecten of een groot project kun je de Sheila methodiek gebruiken
Bronnen
DEDAtool voor een concreet (klein) project
https://dataschool.nl/deda