Hoogspringen met studiedata

De waarde van onderzoek naar studiedata en AI in het hoger onderwijs hangt af van je kijk op hoogspringen

Laatst vertelde mijn dochter me dat ze voor een opdracht bij lichamelijke opvoeding een ‘basis’ beoordeling had gekregen (van de mogelijke niveaus basis, voldoende, gevorderd of expert). Het ging om het onderdeel ‘hoogspringen’. Ze keek er wat sip bij. Ik vroeg wat haar dwars zat en ze vertelde dat zij voor haar doen juist heel goed had gepresteerd. Er waren andere kinderen die hoger hadden gesprongen waarmee zij werd vergeleken, maar die kinderen waren een stuk langer dan zij. In verhouding tot haar eigen lengte en ervaring met hoogspringen had ze – zo zei ze – juist heel hoog gesprongen. Ik denk dat ze gelijk heeft en niet alleen omdat ze m’n dochter is... Het gesprekje bleef me bij: ik vond het over leggen van ‘latten’ exemplarisch voor onze kijk op gelijke kansen in het hoger onderwijs. Hoe we studiedata bestuderen om de sprongen van onze studenten te begrijpen kan daarin een groot verschil maken.

Machine Learning en Artificial Intelligence (AI) zijn in een stroomversnelling gekomen; gezien de technologische ontwikkelingen en Big Tech concurrentie, zal die versnelling de komende jaren alleen maar toenemen. Een pauzeknop wordt gesuggereerd, maar of dat er echt van komt is onwaarschijnlijk. Het is ook nog onbekend of dat enig effect zal hebben. Deze nieuwe AI-automatiseringsgolf zal de meeste banen wezenlijk veranderen (Frey & Osborne, 2013). Het is maar de vraag of er voor die stroomversnelling voldoende bedding is bij hogescholen en universiteiten. We zijn nog niet erg succesvol in toepassingen met studiedata en AI: de ontwikkeling ervan gaat langzaam en er zijn heel wat belemmeringen die succesvolle, grootschalige inzet in de weg staan. Het risico is dat we achterop raken vergeleken met andere publieke domeinen. En dat zal niet zonder consequenties zijn, met name voor studenten die – om welke reden dan ook – meer moeite hebben met hun studie en het behalen van een diploma.

Ik denk dat de maatschappelijke opgave voor gelijke kansen in het hoger onderwijs om met studiedata en AI aan de slag te gaan enorm is. Analyse van studiedata is noodzakelijk om te bepalen welk deel van de inzichten in het hoger onderwijs tot nu toe nog niet verklaard is (de onverklaarde variantie) en welke interventies voor beter onderwijs of begeleiding succesvol zijn. Hiervoor is meer kwantitatief en experimenteel onderzoek nodig met kennis van onderwijs en studiedata. Zo kunnen we onderwijs, onderwijsbeleid en -begeleiding daarop beter afstemmen en eventuele effecten van wijzigingen ook onderzoeken. Maar daarvoor is het randvoorwaardelijk dat bestaande biases eerst ontdekt, begrepen en zo veel mogelijk gerepareerd kunnen worden.

Sometimes it is the people no one can imagine anything of
who do the things no one can imagine. — Alan Turing

Onderzoek naar achtergrondfactoren en persoonlijke belemmeringen is van groot belang voor kansengelijkheid in het hoger onderwijs

Onderwijs wordt gezien als de grote gelijkmaker, maar maatschappelijke verschillen en polarisatie nemen juist toe. De individualisering in het onderwijs en de zelfstandige rol die aan studenten wordt toegekend voor hun succes versterken dit probleem. Hoe we kijken naar het belang van onderzoek naar studiedata voor het bevorderen van gelijke kansen hangt af van onze visie op succes in het onderwijs en wie daarvoor verantwoordelijk is. Het succes van studenten in het hoger onderwijs wordt vaak beoordeeld vanuit de idee van een meritocratie (Copier, 2022): iedereen kan deelnemen aan ons hoger onderwijs en kan – met de nodige motivatie, inzet en talenten – succesvol kan worden. Als een student daar niet in slaagt, is dat in dit paradigma te wijten aan de student zelf.

Het is onwaarschijnlijk dat dat het hele ‘verhaal’ is. Mijn stelling is dat deze manier van denken een bias is van de succesvolle meerderheid. Voor het hele verhaal en het verbeteren van gelijke kansen is onderzoek naar verbanden met achtergrondfactoren en persoonlijke belemmeringen van groot belang.

De merites van studenten dragen slechts voor een beperkt deel
bij aan studiesucces of gebrek daaraan (Van Binsbergen et al., 2019). Veel hangt af van de thuissituatie en afkomst van studenten, die niet alleen hun start- positie nadelig kunnen beïnvloeden, maar ook tijdens de studie parten spelen. Studiesucces definieer ik hier als de ontwikkeling van de talenten van studenten in het (hoger) onderwijs tot wat de maatschappij van hen vraagt. Een diploma is daar niet altijd noodzakelijk in, maar blijkt wel een groot verschil te maken (CBS, 2023). Of een opleiding ook voor de student een persoonlijk succes wordt, hangt van meer af dan alleen het behalen van een diploma.

• Er is aandacht voor dit persoonlijke succes onder de noemer ‘studentsucces’, maar het denken daarover gaat vaak voorbij aan de factoren die buiten de invloedssfeer van de student liggen maar wel in het persoonlijke domein. Onder het concept studentsucces ligt de opvatting dat succes in de studie ondergeschikt is aan het succes van de student. Naar mijn mening strookt dit niet met de ambitie van de meeste studenten om een opleiding af te ronden met een diploma binnen afzienbare tijd; ook dat is studentsucces.
• Als achtergrondfactoren en persoonlijke belemmeringen bekend zijn, kunnen we die gebruiken om analyses statistisch te corrigeren of balanceren (Bakker, 2022). De neiging is dit soort data uit datasets te verwijderen om bias te voorkomen. Door bijvoorbeeld het gegeven ‘geslacht’ niet mee te nemen, zouden we ongelijke behandeling op basis van gender kunnen voorkomen. Maar dat is een drogreden; door iets niet te zien, wil het niet zeggen dat dat bias zal voorkomen en studenten gelijk en eerlijk behandeld zullen worden ongeacht deze kenmerken. Deze bias zit namelijk niet vast aan dat ene kenmerk ‘geslacht’, maar is al gecorreleerd met andere kenmerken, zoals leeftijd, vooropleiding en eerdere studieresultaten. Deze gegevens moeten we juist moeten opnemen om bias te ontdekken en systematische bias tegen te gaan en kansengelijkheid te bevorderen (Barocas, Hardt & Narayanan, 2019).
• De privacy wetgeving verdient hier speciale aandacht; denk aan pseudonimisering en aggregatie en daar waar het bijvoorbeeld bijzondere persoonsgegevens betreft is mogelijk aanvullende toe- stemming nodig van studenten (Versnellingsplan Onderwijsinnovatie met ICT, 2021).

Ben je benieuwd naar mijn onderzoeksprojecten naar studiedata en gelijke kansen? Neem dan een kijkje op de website van het Lectoraat Learning Technology & Analytics van De Haagse Hogeschool of neem contact met me op via t.c.bakker@hhs.nl.

Referenties

• Bakker, T C. “Study Progression and Success of Autistic Students in Higher Education. A Longitudinal, Propensity Score-Weighted Population Study.” Proefschrift. Vrije Universiteit Amsterdam, 2022. doi: 10.5463/thesis.1.
• Barocas, S, M Hardt en A Narayanan. Fairness in Machine Learning Limitations and Opportunities. fairmlbook.org, 2019. url: http : //www.fairmlbook.org (bezocht op 01-02-2023).
• Binsbergen, M H Van e.a. Niet thuisgeven, Schooluitval vanuit het perspectief van thuiszitters. Tech. rap. Amsterdam: Kohnstamm Instituut, 2019. 
• Copier, J. Tussen idealen en dwalingen. Verhalen over onderwijs. Antwerpen - Apeldoorn: Garant, 2022. isbn: 9789044139051.
• Frey, CB en M Osborne. The Future of Employment: How Susceptible are Jobs to Computerisation? Tech. rap. Oxford: The Oxford Martin Programme on Technology en Employment, sep 2013, p. 1–77. url: https://sep4u.gr/wp- content/uploads/The%5C_Future%5C_of% 5C_Employment%5C_ox%5C_2013.pdf (bezocht op 06-03-2023).
• Referentiekader privacy en ethiek voor studiedata, versie 1.0. Tech. rap. Versnellingsplan Onderwijsinnovatie met ICT - Zone Studiedata, nov 2021, p. 1–75. url: https://www.versnellingsplan.nl/wp- content/uploads/2022/04/Referentiekader- privacy- en- ethiek- voor-studiedata.pdf (bezocht op 29-04-2023).
• Werkloosheid naar onderwijsniveau. Feb 2023. url: https://www.cbs. nl/nl-nl/visualisaties/dashboard-arbeidsmarkt/werklozen/ %5C%20werkloosheid- naar- onderwijsniveau (bezocht op 29-04-2023).