Studenten Hogeschool Utrecht creatief aan de slag met studiedata

In samenwerking met Hogeschool Utrecht en Design Innovation Group (DIG) zijn er een viertal groepen studenten met het thema Learning Analytics aan de slag geweest.[1]  In totaal betrof dit 15 studenten, vanuit de studies Communicatie- en Multimedia Design, ICT en Commerciële Economie. Kortom, een diverse groep met verschillende perspectieven en ideeën. Na een presentatie vanuit SURF over het thema zijn de studenten van start gegaan. Het totale traject duurde circa vier weken waarin de focus ligt op Design Thinking en gebruikersonderzoek leren toepassen op een specifiek vraagstuk.

De opdracht luidde als volgt:
Ontwikkel een prototype voor studenten en/of docenten waarin Learning Analytics in het onderwijs impactvol wordt ingezet.

Tijdens deze vier weken werden ze begeleid vanuit de HU en werden er een tussentijdse- en (generale) eindpresentatie gegeven. Vanuit SURF waren er medewerkers vanuit het programma studiedata aanwezig bij deze twee momenten om de studenten feedback te geven voordat ze hun daadwerkelijke eindpresentatie zouden geven op de hogeschool.  

Alle ideeën zijn conceptueel, bedacht door studenten en gericht op datgene dat zij als toegevoegde waarde zien binnen- en/of buiten hun studie. Hierbij zijn we niet (diep) ingegaan op aspecten zoals ethiek, privacy, technische haalbaarheid en of de oplossing realistisch is.

Wat voor ideeën kwamen er allemaal uit?
THKNG: deze oplossing heeft als hoofddoel om ervoor te zorgen dat er geen enkele student meer de onjuiste studiekeuze maakt, met als focus het verlagen van uitstroom. De groep heeft verschillende interviews gedaan met de beoogde doelgroep, namelijk studenten. Zij kwamen er gedurende deze gesprekken achter dat hulp en begeleiding bij het kiezen van studie, maar ook tijdens de studie reflecteren op deze keuze, een behoefte is voor studenten. Om dit concreter te maken richtten ze zich op een specifieke studie waar veel uitval is.

De oplossingsrichting werd extra kracht bijgezet door te benoemen dat het begeleiden van studenten die ‘toch uitstromen door een verkeerde keuze’ ook inefficiënt is. Daarmee zou in theorie de werkdruk van bijvoorbeeld studiebegeleiders en docenten kunnen afnemen.

De oplossing zelf richt zich op de groep studenten die nog niet weten wat ze willen, én niet pro-actief op zoek zijn naar de best passende studie. Door data verzamelen over het ‘waarom’ van huidige studenten die twijfelen over de studiekeuze en persoonlijke data (hobby’s, achtergrond, middelbare school etc.), wil THKNG studenten matchen met de juiste studie. Hierbij zou ook een matchingsdag kunnen helpen om studenten aldaar vragenlijsten te laten invullen en de resultaten daarvan te matchen met een passende studie.

COVA: deze groep richtte zich op het bevorderen van cognitieve vaardigheden. Bijvoorbeeld als het gaat om taalvaardigheid, planvaardigheid, concentratie of informatieverwerking. Zij zien deze vaardigheden als rode draad, integraal essentieel tijdens hun studie. Door op basis van gegeven feedback inzicht te krijgen in het niveau van een student op een bepaalde vaardigheid, wil men desbetreffende student gericht ondersteunen. Dit kan in de vorm zijn van het aanbieden van (bestaande) workshops, hen inzicht te geven in hun niveau of bijvoorbeeld door een dashboard voor studiebegeleiders. Zij kunnen middels dat dashboard zien of een bepaald thema besproken moet worden, bijvoorbeeld bij een achterstand op planvaardigheid. Voor studenten zou zo’n dashboard ook een reden kunnen zijn om een gesprek te initiëren met een docent of studiebegeleider.

TeachTech: deze oplossing richt zich op docenten. Uit diverse gesprekken met deze doelgroep, vanuit verschillende opleidingen, bleek dat ze al veel affiniteit hebben met het thema Learning Analytics. Reden hierachter is dat een deel daarvan reeds bekend is met een systeem waar inzicht wordt gegeven middels data en dashboards. Aan hen is dan ook gevraagd: wat zouden jullie nog meer willen zien, en waar liggen de pijnpunten?

TeachTech richt zich op een toevoeging op het bestaande systeem. Problemen die door docenten werden ervaren bij het gebruik van het systeem was een gebrek aan tijd, inzicht en overzicht was gebrekkig en real-time kunnen ingrijpen was nog onmogelijk. Centraal staat een digitaal overzicht van een individuele student, met daarin weergegeven: activiteiten, resultaten, feedback, leermotivatie en aanwezigheid. Op het moment dat daar een dalende trend in zichtbaar is krijgen begeleiders en/of docenten een notificatie.

Door op deze manier de oplossing in te zetten, kunnen docenten gerichter met de studenten in gesprek over hun ontwikkeling.

Talenten inzicht: initieel richtte deze oplossing op de uitstekend presterende studenten, maar uiteindelijk heeft deze groep gekozen voor een andere richting. De doelgroep van deze oplossing betrof specifiek verpleegkundestudenten. Een groot deel van hun studie bestaat uit stages. Vanzelfsprekend moet een student bij het uitvoeren van werkzaamheden een bepaalde basiskennis- en vaardigheden hebben. Uit gesprekken die zijn gevoerd met deze groep blijkt dat dit regelmatig tot onzekerheid bij studenten leidt: “ben ik er wel klaar voor?”. Daarnaast speelt ook de hoge studie-uitval bij HBO-V studenten een rol bij deze oplossing, alsook het tekort aan zorgpersoneel in het algemeen.

Om deze groep van dienst te zijn, is de oplossing een dashboard waarbij men zich richt op deze basiskennis en vaardigheden. Een student kan daarvan hun niveau inzien en krijgt handreikingen om deze te verbeteren, bijvoorbeeld door het aanbieden van workshops Ook kunnen ze een gesprek aanvragen met een docent als ze volgens de data nog niet het benodigde niveau hebben voor een (type) stage. Dit gesprek kan dan specifiek gaan over een onderdeel waar extra aandacht voor nodig is.

Wat viel ons op?
Het begrip Learning Analytics was onbekend bij deze groep studenten, wat niet geheel verrassend is. Wel zorgde het onderwerp voor de nodige discussie en vragen. Deze waren bijvoorbeeld gericht op het privacy aspect, of ontstond er verbazing over de hoeveelheid data die bekend is over individuele studenten. Hierbij valt te denken aan achtergrondinformatie zoals vooropleiding, woonsituatie et cetera. Daarom is het belangrijk bij het ontwikkelen van toepassingen om hier aandacht aan te besteden.  

Verder viel ons op dat alle groepen in zeer korte tijd tot concrete eindresultaten is gekomen. Men wist snel de doelgroepen te bereiken, informatie op te halen en wisten hun creativiteit te gebruiken om tot concrete wireframes te komen. Voor ons nogmaals de bevestiging om de groep studenten goed te bevragen tijdens ontwikkeltrajecten van initiatieven rondom studiedata.

Wat we terugzien is dat deze groep studenten vooral zoekt naar manieren om gericht gesprekken te kunnen voeren met studiebegeleiders en docenten, of automatisch wordt gewezen op ontwikkelmogelijkheden in de vorm van workshops en gericht op cognitieve vaardigheden. Deze manier van persoonlijke aandacht, die in de huidige situatie soms als ontoereikend wordt gezien, zou een verbetering zijn.

Vanuit SURF kijken wij terug op een succesvol traject, waarbij de studenten mooie resultaten hebben gepresenteerd. De reacties van studenten over het thema waren positief, al ondervind men ook hobbels in de totstandkoming van de oplossingen. Zo gaf een student aan dat ze het moeilijk vonden een startpunt te bedenken. Ondanks dat ze veel mogelijkheden zien, bleef het concreet maken van de meerwaarde, haalbaarheid en toepasbaarheid een uitdaging.

Studenten en Learning Analytics
Als je binnen jouw instelling ook met studenten aan de slag bent of wilt gaan met het thema, zijn wij vanuit SURF natuurlijk geïnteresseerd in de uitkomsten. Dus voel je vrij ons te benaderen om hierover te sparren. Dit kan via: pytrik.dijkstra@surf.nl.

[1] Deze mogelijkheid kwam voorbij doordat DIG de werkgroep-sessies faciliteert voor SURF rondom het ontwikkelen van een experimenteeromgeving voor Learning Analytics, en dezelfde organisatie jaarlijks betrokken is bij een studieonderdeel rondom Design Thinking.