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.
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 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:
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 gang met stappenplannen en werkwijzen
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