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.
In dit rapport is een methode beschreven waarmee tijdens het groeiseizoen op basis van veldmetingen een voorspelling gedaan kan worden omtrent het uitbetalingsgewicht van zetmeelaardappelen (Karakter/Seresta). Als de voorspelling te laag uitvalt, kan besloten worden tot bijmesten. De bedoeling is een instrument te ontwikkelen waarmee tijdens het groeiseizoen kan worden beslist of er al dan niet moet worden bijgemest. De stikstofwaarden zijn op twee manieren bepaald: met de SPAD-meter en met de cropscanmethode. Voor beide meetmethoden zullen resultaten worden gepresenteerd.
LINK
Nederlandse spelling is al heel lang een hot issue, er is een woud aan regeltjes met diverse uitzonderingen. Ook over de spelling van werkwoorden wordt veel geklaagd, het zou moeilijk zijn én de leerlingen leren het niet meer op school. Om erachter te komen of leerlingen de werkwoordspelling onder de knie krijgen, hebben we een toets gemaakt die in september en oktober op vier Tilburgse scholen afgenomen is: Theresia Lyceum, Odulphus Lyceum, 2College Jozefmavo en het Koning Willem II College.
Patiëntdata uit vragenlijsten, fysieke testen en ‘wearables’ hebben veel potentie om fysiotherapie-behandelingen te personaliseren (zogeheten ‘datagedragen’ zorg) en gedeelde besluitvorming tussen fysiotherapeut en patiënt te faciliteren. Hiermee kan fysiotherapie mogelijk doelmatiger en effectiever worden. Veel fysiotherapeuten en hun patiënten zien echter nauwelijks meerwaarde in het verzamelen van patiëntdata, maar vooral toegenomen administratieve last. In de bestaande landelijke databases krijgen fysiotherapeuten en hun patiënten de door hen zelf verzamelde patiëntdata via een online dashboard weliswaar teruggekoppeld, maar op een weinig betekenisvolle manier doordat het dashboard primair gericht is op wensen van externe partijen (zoals zorgverzekeraars). Door gebruik te maken van technologische innovaties zoals gepersonaliseerde datavisualisaties op basis van geavanceerde data science analyses kunnen patiëntdata betekenisvoller teruggekoppeld en ingezet worden. Wij zetten technologie dus in om ‘datagedragen’, gepersonaliseerde zorg, in dit geval binnen de fysiotherapie, een stap dichterbij te brengen. De kennis opgedaan in de project is tevens relevant voor andere zorgberoepen. In dit KIEM-project worden eerst wensen van eindgebruikers, bestaande succesvolle datavisualisaties en de hiervoor vereiste data science analyses geïnventariseerd (werkpakket 1: inventarisatie). Op basis hiervan worden meerdere prototypes van inzichtelijke datavisualisaties ontwikkeld (bijvoorbeeld visualisatie van patiëntscores in vergelijking met (beoogde) normscores, of van voorspelling van verwacht herstel op basis van data van vergelijkbare eerdere patiënten). Middels focusgroepinterviews met fysiotherapeuten en patiënten worden hieruit de meest kansrijke (maximaal 5) prototypes geselecteerd. Voor deze geselecteerde prototypes worden vervolgens de vereiste data-analyses ontwikkeld die de datavisualisaties op de dashboards van de landelijke databases mogelijk maken (werkpakket 2: prototypes en data-analyses). In kleine pilots worden deze datavisualisaties door eindgebruikers toegepast in de praktijk om te bepalen of ze daadwerkelijk aan hun wensen voldoen (werkpakket 3: pilots). Uit dit 1-jarige project kan een groot vervolgonderzoek ‘ontkiemen’ naar het effect van betekenisvolle datavisualisaties op de uitkomsten van zorg.
In het RAAK-project, genaamd Groningen MAPS, is er veel data en kennis vergaard van waaruit antwoorden zijn geformuleerd op verschillende vragen rondom belasting en belastbaarheid van (top)sporters. Het onderzoek naar de factoren die invloed hebben op de prestaties en het blessurerisico van sporters heeft opgeleverd dat we nu meer inzicht hebben in de informatie die nodig is om gericht te zoeken naar verbanden tussen belasting en belastbaarheid. We hebben echter nog niet gekeken naar de data vanuit een datamining perspectief. Datamining is het gericht zoeken naar verbanden in een database met als doel het opstellen van profielen. Deze profielen kunnen nieuwe inzichten geven waardoor sporters van nog betere feedback voorzien kunnen worden. Het doel van het Top-up project is om kennis te ontwikkelen over het automatiseren van de verwerking en analyse van datastromen. Dit zal leiden tot een datasysteem wat automatisch analyses uitvoert achter de schermen. Met dit datasysteem kan de Groningen MAPS-data verder geanalyseerd worden (door middel van datamining) om nieuw inzicht te verkrijgen op het gebied van patronen in belasting en belastbaarheid van (top)sporters.
Er ontstaan in Nederland veel blessures als gevolg van overbelasting in alle lagen van de sport. Hoe kunnen deze blessures worden voorkomen? Insteek van dit project is het gebruik van (sensor)technologie en big data analyse voor het vroegtijdig detecteren van signalen van overbelasting en daarmee het voorkomen van blessures. Een grote hoeveelheid technologie wordt momenteel al gebruikt voor het meten aan sporters (quantified self). Professionele sportclubs investeren in dure systemen. Diepte-interviews tonen echter aan dat er twee grote problemen zijn: ten eerste de grote hoeveelheid data en ten tweede de kennis voor een juiste interpretatie van de data benodigd voor een omzetting naar een trainingsadvies. Computermodellen opgebouwd uit systematische data-analyse van de enorme hoeveelheden trainingsdata en aangevuld met domeinkennis kunnen deze problemen oplossen. Er is behoefte aan een systeem waarin informatie uit verschillende bronnen in één systeem wordt opgeslagen en toegankelijk gemaakt om vervolgens geïntegreerd geanalyseerd te kunnen worden. Individuele profielen moeten gebouwd worden uit de data voor een snelle, automatische interpretatie. Hiermee kan grensbewaking voor overbelasting plaatsvinden en kunnen trainingsaanpassingen gedaan worden waar nodig. Vanuit deze behoefte richt het project zich op de praktijkvraag “Hoe kunnen we een praktisch toepasbaar gereedschap ontwikkelen dat valide de externe en interne trainingsbelasting kan meten, de (para)medische staf en/of fysiek trainer helpt bij het detecteren van (potentiële) overbelasting en daarmee helpt bij het plegen van de juiste interventies voor het voorkomen van blessures?”. Het principe van een dergelijke ‘belastingmonitor’ is al aangetoond. Voor een volwaardig prototype zal echter zowel het computermodel als de gebruikersapplicatie technisch gezien moeten worden doorontwikkeld, geoptimaliseerd, uitgebreid en vooral getest. Daar richten de onderzoeksvragen van dit project zich op. De focus ligt in eerste instantie op het (betaalde) voetbal, maar kan ook naar andere teamsporten en de breedtesport vertaald worden.
