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
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
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
Voor patiënten met long- of gastro-intestinale kanker die een operatie hebben ondergaan zijn een goed op elkaar afgestemde hoeveelheid lichamelijke activiteit in combinatie met voldoende eiwitinname, na de operatie essentieel voor een goed herstel. Na ontslag uit het ziekenhuis is de inzet van een fysiotherapeut en diëtist die elkaar aanvullen geen vanzelfsprekendheid terwijl zij elkaar juist kunnen versterken. Met het bestaande OPRAH (Optimizing-Physical-Recovery-After-Hospitalization) herstelprogramma ondersteunen fysiotherapeuten en diëtisten patiënten na een operatie met een eHealth applicatie met monitoring en coaching. Omdat de beroepen fysiotherapie en diëtetiek van oudsher hands-on zijn vraagt deze manier van behandelen een transitie in denken en manier van werken. Professionals vinden het moeilijk om de behandeling op elkaar af te stemmen, op afstand te coachen en de technologie van een eHealth applicatie te integreren in de praktijk. Daarnaast is nog niet bekend wat de optimale combinatie van hoeveelheid voeding en beweging is en waarom bepaalde patiënten wel goed op het OPRAH herstelprogramma reageren en andere patiënten niet. De technologie van OPRAH waarbij grote hoeveelheden informatie over voeding en beweging wordt verzameld, biedt de mogelijkheid om met kunstmatige intelligentie nieuwe verbanden te leggen en deze praktijkvragen te beantwoorden maar deze techniek wordt nog niet toegepast. Het doel van deze aanvraag is om de interprofessionele samenwerking tussen fysiotherapeuten en diëtisten bij de behandeling van patiënten met kanker te versterken en het OPRAH herstelprogramma te optimaliseren. In dit project onderzoeken we verbanden tussen veranderingen in voeding en beweging bij patiënten met kanker die een operatie ondergaan, ontwerpen we een infrastructuur voor structurele dataverzameling van voeding en beweging (WP1) en onderzoeken we hoe we de interprofessionele afstemming kunnen versterken (WP1). Op basis van de bevindingen passen we het OPRAH herstelprogramma aan en testen we deze in de praktijk (WP3). WP4 is gericht op doorwerking naar de beroepspraktijk en het onderwijs.
