AI en kansengelijkheid: wat is kansengelijkheid eigenlijk?

Wat is kansengelijkheid?

Wat we precies bedoelen met gelijke kansen in het onderwijs, daarover verschillen de meningen. Sommigen beperken zich tot gelijke toegang tot goed onderwijs. Anderen denken dat kansengelijkheid verder gaat. Ze vinden het ook belangrijk dat iedereen evenveel kans heeft om een diploma te halen en om een baan te vinden. Weer anderen vinden dat ook toegang tot kunst, literatuur en sport – het culturele kapitaal – en het contact met anderen – het sociale kapitaal – bij gelijke kansen horen. Hoe je naar gelijke kansen kijkt, maakt uit voor hoe je denkt over de rol van kunstmatige intelligentie (AI) in het onderwijs. 

“Kansengelijkheid is wat wij – als onderwijs – aanbieden om sociale ongelijkheid te verkleinen.” 
Carla Haelermans, Hoogleraar Human Capital, Educational Technology & Inequality

Eén ding is zeker: het begint met toegang tot goed onderwijs. Onderwijs helpt jongeren om zich persoonlijk te ontwikkelen en sterker in hun schoenen te staan. Helaas zorgt het Nederlandse onderwijssysteem voor ongelijke kansen – kansengelijkheid is een structureel probleem. Al op twaalfjarige leeftijd moeten leerlingen na de basisschool een keuze maken voor een niveau in het voortgezet onderwijs. Kleine verschillen tussen leerlingen worden hierdoor al vroeg groter gemaakt. Als een leerling eenmaal op het vmbo of de havo zit, is het moeilijker om door te stromen naar een andere vorm van voortgezet onderwijs of naar het hbo of wo.

“Om een gelijk speelveld te creëren moeten we de cycli van ongelijkheid doorbreken.”

Sandjai Bhulai, Hoogleraar Wiskunde 

Het gebrek aan kansengelijkheid in het onderwijs is een probleem dat diep in onze samenleving zit en vraagt – om echt goed aan te pakken – om grote veranderingen. De studieloopbaan van een student zou zo min mogelijk afhankelijk moeten zijn van de omgeving waarin die is opgegroeid. Wat vaak gezien wordt als een persoonlijke verdienste van een student, is ook het resultaat van de omgeving en de kansen die een student in het verleden heeft gehad. Als we alleen kijken naar de prestaties van een student en die persoonlijk aan hem of haar toeschrijven, negeren we deze invloeden.

Om een eerlijke kans voor iedereen te creëren, moeten we de vicieuze cirkel van kansenongelijkheid – die van ouders op kinderen wordt doorgegeven – doorbreken. Daarvoor is het soms nodig om studenten juist op een ongelijke manier te behandelen. Bijvoorbeeld door een student met minder kansen meer tijd en aandacht te geven dan de ander. Dit lijkt misschien tegenstrijdig, maar het is een belangrijke stap om uiteindelijk een gelijk resultaat te bereiken. Sociale cohesie en solidariteit onder studenten en docenten zijn belangrijk om kansenongelijkheid samen op te lossen. 

Ondanks dat er al veel bekend is over kansengelijkheid in het onderwijs, heeft dit tot nu toe niet altijd geleid tot meer kansengelijkheid. Dit benadrukt de noodzaak om nieuwe en betere manieren te vinden om ongelijkheid effectief tegen te gaan en echte veranderingen te realiseren. Er bestaat het risico dat we denken dat AI wel deze verandering kan brengen, maar dit is nog lang niet zeker.

Wat zijn studiedata en AI?

Deze visie stelt de vraag of we kansengelijkheid kunnen verbeteren met behulp van AI. In AI worden ook studiedata gebruikt. Maar wat zijn studiedata en AI?

Studiedata zijn verschillende soorten informatie die worden gebruikt om het onderwijs te verbeteren. Dit kan bijvoorbeeld helpen om de kwaliteit van lessen te verhogen, de effectiviteit van het onderwijs te verbeteren, of het leren efficiënter te maken. Denk hierbij aan informatie die wordt gebruikt om nieuwe regels of beleid te ontwikkelen binnen een onderwijsinstelling, onderzoek te doen naar hoe het onderwijs beter kan, en om ervoor te zorgen dat studenten succesvol zijn in hun opleiding. Studiedata gaat niet alleen over studenten, maar kan ook over docenten of andere medewerkers gaan. Het is niet zo dat een bepaald type gegevens altijd studiedata zijn, of dat ze alleen daarvoor worden verzameld. In principe kan bijna alle informatie die een onderwijsinstelling heeft, worden gebruikt als studiedata. Vaak komen deze data uit een administratie, zoals voor inschrijvingen of cijfers, of uit systemen die het onderwijs ondersteunen, zoals een leermanagementsysteem.

Artificial Intelligence (AI) verwijst naar systemen die gegevens uit hun omgeving – bijvoorbeeld studiedata – kunnen analyseren. In verschillende mate van zelfstandigheid ondernemen die systemen daarop actie. Ze maken op basis van hun analyse voorspellingen, aanbevelingen of beslissingen, maar ook inhoud, zoals teksten, beelden, video’s, enzovoort. Bedoeld of onbedoeld zijn al deze zaken van invloed op fysieke en digitale omgevingen. Een deel van deze systemen kan leren van gebruikers en de werking van het systeem daarop aanpassen.

Als we aan AI denken, denken we vaak aan generatieve AI, zoals ChatGPT of Midjourney. Dit worden ook wel taalmodellen genoemd. Maar AI is een verzameling van meer dan dat. We lichten een paar begrippen verder toe in een schema:

• Data science draait om het verzamelen, analyseren en gebruiken van data om nieuwe inzichten te krijgen.
• AI is – zoals we al beschreven – de techniek waarbij systemen kunnen leren en zelf beslissingen nemen.
• Machine learning is een vorm van AI waarbij de computer leert van data. Het kan daarmee voorspellingen maken voor nieuwe situaties op basis van data, bijvoorbeeld studiedata. Een stappenplan om een voorspelling te doen noemen we een algoritme.
• Deep learning is een onderdeel van machine learning dat werkt met kunstmatige netwerken die zijn geïnspireerd op de manier waarop het menselijk brein werkt (neurale netwerken).
• Artificial Neural Networks zijn neurale netwerken die als doel hebben om patronen in data te herkennen, zoals in afbeeldingen, tekst of geluid.
• Generatieve AI is een vorm van AI die nieuwe, unieke inhoud kan maken, zoals het schrijven van teksten of het maken van afbeeldingen.

De samenhang van de begrippen kan je zien als doosjes in doosjes. In deze visie richten we ons binnen AI op machine learning, waaronder voorspelmodellen vallen. Verder hebben we het vooral over generatieve AI, wat binnen machine learning een paar technologische niveaus dieper ligt. 

Wat is analytics in het onderwijs?

Een belangrijk begrip bij het gebruik van studiedata en AI in het onderwijs is ‘analytics’. Daarvan zijn er verschillende vormen. Allereerst is er learning analytics. Dit betekent dat machine learning wordt gebruikt om te begrijpen hoe studenten studeren en hoe docenten lesgeven op basis van studiedata. Deze inzichten worden vervolgens gebruikt om het onderwijs te verbeteren. Deze data ontstaan tijdens lessen in een klas of online door de wisselwerking tussen studenten, docenten en het lesmateriaal.

Voorbeeld – Een docent kijkt welke oefenvragen studenten meer tijd kosten en vergelijkt dit met hun cijfers op de eindtoets. Vervolgens past ze haar les en begeleiding daarop aan voor nieuwe studenten.

Een stap verder is student analytics. Dit gaat over het verzamelen van data van meerdere vakken of lessen. Hierbij wordt ook gekeken naar extra informatie van studenten, zoals hun eerdere studieresultaten of achtergrond. Dit helpt om inzicht te krijgen in hoe studenten het doen en wat hun kansen zijn op studiesucces.

Voorbeeld – Mentoren en studieloopbaanbegeleiders in het mbo bekijken welke studenten meer risico lopen om te stoppen met hun opleiding op basis van studiedata: informatie uit de vooropleiding (zoals gemiddelde eindexamencijfers), aanmelddatum, aantal inschrijvingen, aanwezigheid, behaalde cijfers op de opleiding en verzuimmeldingen. Hiermee kunnen zij deze studenten uitnodigen, sneller helpen en proberen te voorkomen dat de studenten uitvallen. 

Het laatste niveau van analytics is institutional research, waarbij wordt gekeken naar hoe studenten door een onderwijsinstelling stromen om het onderwijsbeleid en het onderwijs en de begeleiding van studenten te verbeteren. Hierbij wordt door onderwijsinstellingen onderzocht welke studies studenten kiezen, of ze hun opleiding afmaken of overstappen, en wat ze na hun studie gaan doen, bijvoorbeeld een vervolgopleiding of werk. Soms wordt student analytics onder institutional research gegroepeerd.

Voorbeeld – Een opleidingsmanager in het hbo onderzoekt hoeveel studenten er per jaar starten met zijn opleiding vanuit de havo, het mbo of het vwo. De pieken in het aantal studenten in 2020 en 2021 blijken te komen door de aangepaste eindexamens in de corona-jaren.

We begrijpen nu beter wat kansengelijkheid, studiedata en AI betekenen, en weten welke vormen van analyses in het onderwijs bestaan. In de volgende blogpost is het tijd om te onderzoeken wat de mogelijke invloed van studiedata en AI op kansengelijkheid kan zijn.

Cases uit de praktijk

De voorbeelden die we in de blogposts aanhalen, voorzien we zoveel mogelijk van nieuwe cases. Heb je een interessante case die we kunnen meenemen? Laat het weten via Theo Bakker.

Wil je het liefst direct aan de slag? Lees dan alvast de hele visie via de website van Npuls.

Bronnen 

Naast de inzichten van de geïnterviewden en de community, hebben we de volgende bronnen gebruikt:

1. Elffers, L. (2022). Onderwijs maakt het verschil — Kansengelijkheid in het Nederlandse onderwijs. Walburg Pers B.V.
2. Perna, L. W. (2005). The Benefits of Higher Education: Sex, Racial/Ethnic, and Socioeconomic Group Differences. The Review of Higher Education, 29(1), 23–52. doi: 10.1353/rhe.2005.0073; Ma, J., Pender, M., & Welch, M. (2016). Education Pays 2016: The Benefits of Higher Education for Individuals and Society. (tech. rep.). CollegeBoard. Van https://files.eric.ed.gov/fulltext/ED572548.pdf; Tinto, V. (2012, March). Completing College: Rethinking Institutional Action. University of Chicago Press.
3. Biesta, G. (2020). Het prachtige risico van onderwijs. Uitgeverij Phronese.
4. Copier, J. (2022). Tussen idealen en dwalingen. Verhalen over onderwijs. Garant.
5. Kennisnet. (2021). Leidt adaptieve technologie tot meer of minder kansengelijkheid? Van https://www.kennisnet.nl/podcasts/leidt-adaptieve-technologie-tot-meer-…
6. Wat zijn studiedata? (2021). Van https://doe-meer-met-studiedata.nl/article/wat-zijn-studiedata/; Versnellingsplan Onderwijsinnovatie met ICT - Zone Studiedata. (2021). Referentiekader privacy en ethiek voor studiedata, versie 1.0 (pp. 1–75). Van https://www.versnellingsplan.nl/wp-content/uploads/2022/04/Referentieka…. Heb je vragen over privacy en studiedata, lees dan ook dit referentiekader.
7. Smuha, N. (2018). A definition of AI: Main capabilities and scientific disciplines (pp. 1–9). European Commission, Directorate-General for Communication. Van https://ec.europa.eu/futurium/en/system/files/ged/ai_hleg_definition_of…
8. Er zijn verschillende afbeeldingen die de relatie tussen begrippen als data science, AI, machine learning en generatieve AI tonen. Dit schema is gebaseerd op Choi, R. Y., Coyner, A. S., Kalpathy-Cramer, J., Chiang, M. F., & Campbell, J. P. (2020). Introduction to Machine Learning, Neural Networks, and Deep Learning. Translational Vision Science & Technology, 9(2), 14. doi: 10.1167/tvst.9.2.14
9. Bakker, T. (2023). Datagedreven transformatie in het hoger onderwijs. Alignment in sense making. Gepresenteerd bij Leiderschapsuitdagingen in data ondersteund werken, Onderwijs editie 4, Erasmus Centre for Data Analytics.

Zie voor een overzicht van verschillende vormen van studiedata: https://doe-meer-met-studiedata.nl/article/wat-zijn-studiedata/.