Bespreking en testen van software om kansengelijkheid te onderzoeken voor mbo, hbo en wo (Npuls, CEDA).
MULTIFILE
Eind 2024 publiceerde Npuls de visie ‘AI en kansengelijkheid’. De belangrijkste boodschap van de visie: als we niets doen, neemt kansengelijkheid voor studenten door AI eerder af dan toe. Er is dus werk aan de winkel. In deze blogserie nemen we je mee in de manier waarop AI kan bijdragen aan eerlijke kansen in het onderwijs. En ook hoe onderwijsinstellingen AI kunnen gebruiken om studenten beter te begrijpen en te ondersteunen. Met aandacht voor de risico’s en praktische stappen voor instellingen om AI op een zorgvuldige en ethische manier toe te passen. Dit is deel 1 in de serie.
LINK
Een taalmodel trainen is niet alleen een technische uitdaging. Hoe zorg je ervoor dat ook minder gehoorde stemmen worden meegenomen? Bij GPT-NL staat inclusiviteit en kansengelijkheid centraal. Lieke Dom en Duuk Baten vertellen hoe dit in praktijk vorm krijgt – en waarom dat zo weerbarstig is.
LINK
Educational Technology (EdTech) refers to digital tools designed to advance education by enhancing teaching and learning experiences and streamlining administrative tasks. These tools play an increasingly central role in education, transforming how students learn, teachers instruct, and institutions manage resources. An EdTech ecosystem includes various stakeholders such as students, educators, institutions, EdTech providers, investors, policymakers, and researchers3. Each stakeholder plays a crucial role: students and teachers utilise the technology, institutions drive adoption, EdTech providers and investors foster innovation, policymakers establish regulations, and researchers analyse the need, design, and effectiveness of tools to shape future developments. The Dutch 3E Framework offers an evidence-informed approach to evaluate the effectiveness of EdTech. A key feature of the framework is its emphasis on continuous evaluation rather than static, one-time validation, ensuring EdTech tools are improved over time. The framework is a step towards more effective technology integration in education by making evidence-informed decision-making (in the context of development, procurement and enhancement of EdTech) an accessible and actionable process. The primary aim of the Dutch 3E Framework is not to mandate evaluation for all tools but to promote a culture where evidence-informed decision-making is embedded in all EdTech-related processes. This framework serves as a practical guide on how evidence is generated, interpreted, and used to develop, procure, and improve EdTech effectively. The framework is expected to facilitate meaningful discussions within the Dutch education community about evidence-informed evaluation of EdTech and help navigate the complexities of technology integration in education. This framework was designed for Npuls
DOCUMENT
In de eerste blog in deze serie stonden we stil bij de vraag waarom het belangrijk is om over AI en kansengelijkheid na te denken. De aanleiding is dat als we niets doen, kansengelijkheid voor studenten door AI eerder af- dan toeneemt. Voordat we verder ingaan op de mogelijke positieve of negatieve effecten van studiedata en AI op kansengelijkheid, is het belangrijk om het begrip ‘kansengelijkheid’, ‘AI’ en ‘studiedata’ eerst uit te leggen.
LINK
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
