Studenten hebben verschillende studieloopbanen en hun studiesucces hangt af van diverse factoren. Uit onderzoek blijkt dat niet elke student overal gelijke kansen krijgt. De impact van beleidsmaatregelen en technologische ontwikkelingen is niet altijd even goed te meten. Is er eigenlijk wel sprake van kansengelijkheid binnen het hoger onderwijs? En welke invloed heeft dat op studiesucces? Theo Bakker is lector bij De Haagse Hogeschool en onderzoeker bij de Vrije Universiteit Amsterdam. Hij deed een grootschalig dataonderzoek om kansengelijkheid binnen onderwijsinstellingen bloot te leggen en ervan te leren. In dit artikel vertelt hij erover.
Wat je leest in dit artikel
Grootschalig dataonderzoek geeft inzicht in ontwikkelingen binnen onderwijsinstellingen. Bijvoorbeeld wat betreft studie-uitval en studiesucces. Theo Bakker onderzoekt wat data van hogescholen ons kunnen leren over de kansengelijkheid van hun studenten. Hij zet zich in voor inclusiviteit binnen het hoger onderwijs.
Over het onderzoek
Technologie en data spelen een cruciale rol in het onderwijs. Binnen De Haagse Hogeschool doet Theo Bakker, met behulp van technologie, grootschalig dataonderzoek naar studieverloop, studiesucces en kansengelijkheid van studenten, op drie niveaus: learning analytics, student analytics en institutional analytics.
Theo Bakker is lector Learning Technology & Analytics bij De Haagse Hogeschool en lid van de raad van toezicht van de Montessori Scholengemeenschap Amsterdam. Hij studeerde theologie aan de Universiteit Utrecht, deed een master informatiekunde aan de Universiteit Amsterdam en promoveerde met een onderzoek binnen de klinische neuro- en ontwikkelingspsychologie aan de Vrije Universiteit Amsterdam.
Bakker: “Na mijn studie theologie werkte ik een tijd als docent levensbeschouwing en predikant. Na een aantal jaren besefte ik dat dat niet was wat ik wilde blijven doen. Ik vervulde een tijdelijke functie bij een onderwijsbalie van de faculteit theologie in Utrecht en kwam erachter dat ik erg geïnteresseerd bleek te zijn in administratieve processen rond studenten. Als die processen goed geregeld zijn, kun je echt ontzorgen. Toen ging ik informatiekunde studeren. Later promoveerde ik met een onderzoek naar de studieloopbaan van studenten met autisme. De data bleven mij boeien: mijn promotieonderzoek was een omvangrijk, statistisch onderzoek. Nu werk ik als lector bij De Haagse Hogeschool, waar ik onderzoek doe naar het succes van studenten. Ook werk ik vier uur per week voor de Vrije Universiteit Amsterdam, waar ik onderzoek doe naar het studiesucces van neurodiverse studenten.”
Voor De Haagse Hogeschool onderzoekt Bakker het studiesucces van studenten op drie niveaus: in het onderwijs, in hun hele studieverloop binnen De Haagse Hogeschool en in de regio Haaglanden.
Bakker: “Ik onderzoek of er in de leerlijnen van studenten patronen zitten. Dat kan op verschillende niveaus. Het eerste niveau is de klas (learning analytics). Ik kijk bijvoorbeeld naar de interactie tussen studenten onderling of met de docent. Ook leermanagementsystemen, zoals apps, spelen daarin een rol. Het tweede niveau gaat over de manier waarop studenten door hun studie heen stromen (student analytics). Ik kijk bijvoorbeeld naar hun achtergrond, waar ze vandaan komen en of ze nog een vervolgstudie gaan doen. Het derde niveau gaat over hun loopbaan binnen verschillende instituties (institutional analytics). Ik kijk of onze hogeschool wezenlijk anders is dan andere onderwijsinstellingen en hoe de relatie tussen die verschillende instellingen is. Ik onderzoek dit in het licht van vraagstukken rond diversiteit, kansengelijkheid en inclusie, en op een statistische manier met voorspelmodellen: wat kunnen de cijfers en voorspellingen ons hierover vertellen? Ik denk dat ik een van de weinigen in Nederland ben die dit onderwerp niet alleen kwalitatief onderzoekt, maar ook met behulp van voorspelmodellen (machine learning). Op deze manier onderzoek ik systemische kansenongelijkheid en vul ik verhalen aan met data.”
De resultaten uit het onderzoek van Bakker zijn veelzeggend. Ze helpen om inzicht te krijgen in ontwikkelingen binnen hogescholen. Het blootleggen van bias in studiedata zegt namelijk iets over de mate van kansengelijkheid in het hoger onderwijs.
Bakker: “Data zijn verhalen, ze vertellen je iets over de levensloop van studenten. Voor mijn onderzoek verzamelde ik geanonimiseerde data van studenten op verschillende niveaus. Ik kijk niet alleen naar individuele gegevens, maar ook naar het groepsniveau. Zo zie ik hoe al die studenten systematisch door hun studie stromen. Daar komen verrassende inzichten uit voort. Bijvoorbeeld dat sommige groepen studenten op bepaalde plekken in hun studie meer afhaken of dat hun cijfers naar beneden gaan. Wat zit er in het onderwijs wat het voor die groep moeilijker maakt? Van daaruit kunnen onderwijsinstellingen nadenken over de mate van inclusiviteit binnen hun opleidingen. Als we dat doen voor allerlei onderwijsinstellingen, kunnen we die met elkaar vergelijken. Dan kunnen we op instellingsniveau meer zeggen over de kwaliteit van het onderwijs.”
Learning Analytics en bias – Learning analytics richt zich op het meten en analyseren van studentgegevens om onderwijs te verbeteren. Bakker onderscheidt hierin verschillende niveaus, zoals student analytics en institutional analytics, en focust op inclusion analytics, waarin gekeken wordt naar kansengelijkheid. Bias – systematische vooroordelen in data – kan vooroordelen in algoritmen versterken en zo kansenongelijkheid veroorzaken. De onderzoeksmethode maakt gebruik van het 4/5-criterium, waarbij fairness in uitkomsten gemeten wordt door te kijken of de kansen voor de beschermde groep minstens 80% zijn van die van de bevoorrechte groep.Onderzoeksaanpak – Bakker gebruikt machine learning om retentie na het eerste studiejaar te voorspellen en onderzoekt vervolgens verschillen tussen groepen studenten, zoals mbo-en vwo-studenten. Hij volgt drie stappen: (1) Data voorbereiden en modellen bouwen: Data worden opgesplitst en opgeschoond om accurate voorspelmodellen te maken. (2) Variabelen analyseren: Invloed van kenmerken op uitkomsten wordt beoordeeld voor verschillende groepen. (3) Fairness berekenen: Het 4/5-criterium wordt toegepast op metrics zoals accuraatheid en statistische gelijkheid om bias en ongelijkheden te identificeren. Resultaten, aanbevelingen en vervolgonderzoek – Uit het onderzoek blijkt dat kansengelijkheid bij veel opleidingen ontbreekt, met name voor mannen en mbo-studenten, die een hogere kans op uitval hebben. Bakker adviseert sensitieve kenmerken zoals migratieachtergrond mee te nemen in analyses op basis van informed consent. Daarnaast pleit hij voor meer flexibiliteit in het beleid, geïnspireerd door maatregelen tijdens de coronacrisis, die een positief effect hadden op studiesucces.Toekomstvisie – Bakker benadrukt dat niet elke ongelijkheid het gevolg is van discriminatie en roept op tot data-informed interventies om sociale rechtvaardigheid in het onderwijs te bevorderen. Zijn methode wordt open access beschikbaar gesteld, zodat ook andere instellingen deze kunnen toepassen en kansengelijkheid systematisch en bewust kunnen onderzoeken.
DOCUMENT
Groot dataonderzoek brengt uitdagingen met zich mee. Ook dat is Bakker niet onbekend.
Bakker: “Grote, meerjarige datasets zijn moeilijk te analyseren. Mijn onderzoek volgt studenten van dichtbij. Dan is het belangrijk dat we er goed over nadenken welke data we willen verzamelen, de hoogstnodige. We moeten niet te snel conclusies trekken. Als onderzoekers en docenten moeten we ons goed in de studenten inleven. Zij hebben vaak andere motivaties dan wij denken. Wat zijn hun behoeften, wat willen ze en wat willen ze juist niet? Ik doe mijn onderzoek voor studenten en voor het onderwijs. We hebben nu ontdekt dat de diversiteit binnen het onderwijs na het eerste jaar sterk afneemt en dat bepaalde groepen studenten disproportioneel vaker uitvallen. Dat is slecht voor het leerproces, want binnen een opleiding zijn juist verschillende perspectieven nodig.”
We vroegen Bakker wat hij hoopt te bereiken en hoe hij de toekomst ziet.
Hij besluit: “Ik hoop dat de inzichten uit mijn onderzoek tot eerlijker onderwijs leiden. En dat de stelselmatige verschillen die naar boven komen uit die grote, meerjarige data-analyses de onderwijsinstellingen iets leren, waardoor ze zich bewust worden van verbeterpunten. Ook wil ik werken aan meer impactgerichte interventies, de resultaten vertalen naar curricula, en zo werken aan inclusievere opleidingen. Ik ben nu bezig met een vervolgonderzoek waarin we systemische kansenongelijkheid gaan onderzoeken binnen de hele studieloopbaanketens in de gezondheidssector in Zuid-Holland, dus niet alleen binnen een hogeschool. Ik hoop op een kansrijke verdeling van middelen en kennis, en dat we technologie gaan inzetten op een manier die ons helpt om verschillen in succes te verkleinen.”
Meer weten? Lees de intreerede van Theo Bakker.
Centre of Expertise, part of De Haagse Hogeschool
Learning Analytics en bias – Learning analytics richt zich op het meten en analyseren van studentgegevens om onderwijs te verbeteren. Bakker onderscheidt hierin verschillende niveaus, zoals student analytics en institutional analytics, en focust op inclusion analytics, waarin gekeken wordt naar kansengelijkheid. Bias – systematische vooroordelen in data – kan vooroordelen in algoritmen versterken en zo kansenongelijkheid veroorzaken. De onderzoeksmethode maakt gebruik van het 4/5-criterium, waarbij fairness in uitkomsten gemeten wordt door te kijken of de kansen voor de beschermde groep minstens 80% zijn van die van de bevoorrechte groep.Onderzoeksaanpak – Bakker gebruikt machine learning om retentie na het eerste studiejaar te voorspellen en onderzoekt vervolgens verschillen tussen groepen studenten, zoals mbo-en vwo-studenten. Hij volgt drie stappen: (1) Data voorbereiden en modellen bouwen: Data worden opgesplitst en opgeschoond om accurate voorspelmodellen te maken. (2) Variabelen analyseren: Invloed van kenmerken op uitkomsten wordt beoordeeld voor verschillende groepen. (3) Fairness berekenen: Het 4/5-criterium wordt toegepast op metrics zoals accuraatheid en statistische gelijkheid om bias en ongelijkheden te identificeren. Resultaten, aanbevelingen en vervolgonderzoek – Uit het onderzoek blijkt dat kansengelijkheid bij veel opleidingen ontbreekt, met name voor mannen en mbo-studenten, die een hogere kans op uitval hebben. Bakker adviseert sensitieve kenmerken zoals migratieachtergrond mee te nemen in analyses op basis van informed consent. Daarnaast pleit hij voor meer flexibiliteit in het beleid, geïnspireerd door maatregelen tijdens de coronacrisis, die een positief effect hadden op studiesucces.Toekomstvisie – Bakker benadrukt dat niet elke ongelijkheid het gevolg is van discriminatie en roept op tot data-informed interventies om sociale rechtvaardigheid in het onderwijs te bevorderen. Zijn methode wordt open access beschikbaar gesteld, zodat ook andere instellingen deze kunnen toepassen en kansengelijkheid systematisch en bewust kunnen onderzoeken.
DOCUMENT
