Knowledgebase Dataondersteund onderwijs
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: