Modellen studiedata

Download
Wiel Data Science, volwassenheidsmodel, en soorten analytics

Modellen Studiedata

Binnen de zone Studiedata gebruiken we een aantal modellen om het veilig en betrouwbaar benutten van studiedata te duiden.

Het wiel van Data Science

Studiedata van onderwijsinstellingen kan worden verzameld, verrijkt, gevisualiseerd en geanalyseerd op nieuwe manieren. Daardoor ontstaat nieuw begrip van de studenten en kan het beleid beter worden toegesneden op hun – uiteenlopende – achtergronden en behoeften. Ook kunnen zo trends zichtbaar worden en ontstaat zicht op de toekomst. Op grond van de wetenschappelijke inzichten (K. Mayles, OU UK) is het Data Science Wiel ontwikkeld (zie model 1). Het is inmiddels een bruikbaar instrument gebleken om de verschillende aspecten van het gebruik van studiedata te duiden.

Het wiel toont van binnen naar buiten en met de klok mee: wat de hoofdactiviteiten zijn, welke onderliggende activiteiten van belang zijn, welke capaciteiten er in een onderwijsorganisatie nodig zijn, en welke kernwaarden voorop staan. Bij een nieuw project beginnen we niet bij nul: er is al veel bestaand onderzoeksmateriaal dat aanwezig is vanuit het onderwijs of eerder beleid (oranje). Die gegevens vormen de basis voor stap 1 (groen): het verzamelen van beschikbare data. In stap 2 (blauw) analyseren we die gegevens, om in stap 3 (oranje) het onderwijs of beleid bij te sturen waar dat nodig en zinvol is.

Het volwassenheidsmodel voor studiedata*

De verzameling, analyse en verspreiding van data sorteert meer effect als verschillende randvoorwaarden in de bedrijfsvoering goed ontwikkeld zijn: strategische keuzes, mens & cultuur, inrichting van processen, de governance en IT.

  • Samenhang – Zo effectief mogelijke inzet van data vraagt om een samenhangende aanpak op alle ‘onderdelen’ van de bedrijfsvoering van een onderwijsinstelling.
  • Balans – Voor een optimaal resultaat moet de verschillende sporen in het model met elkaar in balans zijn. Een hoge score op een bepaald spoor is niet effectief als andere sporen te sterk achterblijven.
  • Volwassenheid – Naarmate de activiteiten op de verschillende sporen meer ingebed zijn in de organisatie zal het gebruik van studiedata de meeste impact hebben. Het is goed om met pilots voor studiedata te starten, maar als de randvoorwaarden daarvoor niet verder ontwikkeld worden, zullen initiatieven uiteindelijke doodbloeden.

* Deloitte en UU

Soorten Analytics

Het Analytics model van Gartner laat zien dat de ontwikkeling van analytics een aantal stappen doorloopt.

  1. Het begint met beschrijvende statistieken (Descriptive Analytics): welke studenten studeren in een opleiding en welke cijfers halen zij?
  2. De volgende stap zijn verklarende statistieken (Diagnostic Analytics): waarom halen bepaalde studenten lagere cijfers dan andere studenten, wanneer gebeurt dit en waarom op dat moment?
  3. In de stap voorspellende analyses (Predictive Analytics) kunnen modellen ontwikkeld worden om een prognose te maken van de kansen van studenten: welke factoren kennen we die voorspellen of studenten een hogere of lagere kans hebben om succesvol te zijn, en hoe zeker zijn die voorspellingen?
  4. De laatste stap is dat je deze prognoses gebruikt om adviezen te geven (Prescriptive Analytics): als je een onvoldoende hebt gehaald in de eerste onderwijsperiode doe je er goed aan een afspraak te maken met een studieadviseur.

Met de laatste stap bereik je waarschijnlijk het meeste, maar die is wel moeilijker om te bereiken. Je moet er meer analyses voor plegen en meer collega’s en studenten in je organisatie meekrijgen. Ook moet je in het kader van de AVG meer organiseren, omdat je een student op basis van data gerichte adviezen gaat geven. Het model laat ook zien dat de analyses uit de eerste stappen de basis vormen om de volgende toepassingen goed uit te kunnen voeren.

Deze pagina delen