Beter inzicht in- en ondersteuning bij studievoortgang
Binnen de opleiding Electrotechniek is het vak Electromagnetisme vaak een struikelblok voor studenten. Dat komt door de combinatie van wiskunde, natuurkunde en elektrotechnische applicaties. Wezenlijk onderdeel is het werkcollege, waar studenten daadwerkelijk met de theorie aan de slag gaan. Helaas worden deze werkcolleges slecht bezocht waardoor studenten niet in aanraking komen met de daadwerkelijke inhoud van het vak. Het grondig bestuderen van de inhoud wordt vaak naar voren geschoven, met als gevolg lage slagingspercentages. Dit was aanleiding om te zoeken naar mogelijke nieuwe oplossingen.
Het doel van deze innovatie is om gedurende de gehele looptijd van het vak de studenten feedback te geven over hun vorderingen. Studenten krijgen op regelmatige basis, informatie over hun vorderingen, maar ook tips en richtlijnen van onderdelen die nog niet zo goed gaan. Enerzijds gaat het om parameters te vinden die inzicht geven in de vorderingen van studenten en anderzijds om een (automatisch) systeem te ontwikkelen dat deze continue feedback aan de studenten verzorgt.
Parameters studievoortgang en prognose- en monitoringsysteem
De eerste stap in het creëren van een automatisch prognose- en monitoringsysteem is het vinden van de parameters die de voortgang van de studenten weergeven. Er is gebruik gemaakt van literatuur om hier grip op te krijgen. Gegevens zijn verzameld en onderzocht. Het prognose- en monitoringsysteem is vervolgens geïmplementeerd, waarbij gebruik is gemaakt van een AI-systeem dat geleerd heeft van data van voorgaande jaren.
Eén van de belangrijkste parameters voor de studievoortgang is het monitoren van de participatie in de Student-Led-Tutorials (SLT’s). Dit zijn wekelijkse bijeenkomsten waarbij de studenten in de lead zijn. Zij zijn verdeeld in kleinere groepen van maximaal 20 personen. Ze bereiden zes moeilijke vraagstukken voor die ze dan (random) presenteren in de tutorial sessies. De interactie tussen de studenten, ondersteund door een Teaching Assistant, is zeer levendig, wat maakt dat de studenten zeer actief bezig zijn met de stof.
Naast de SLT’s is gebruik gemaakt van de Learning Analytics plug-in van het studievolgsysteem (CANVAS).
De implementatie van het systeem is redelijk spoedig verlopen. De grootste inhoudelijke uitdagingen zijn de enorme datasets en het vinden van de juiste parameters voor het identificeren van succes. De grootste organisatorische uitdagingen zijn de AVG-richtlijnen en juridische aspecten rond het gebruiken van studentengegevens
Positief effect van gerichte feedback
In 2022 is het automatische prognose- en monitoringsysteem geïmplementeerd. De helft van de studenten heeft meegedaan. Zij hebben een aantal keer feedback ontvangen op hun voortgang gedurende de cursus.
De resultaten zijn op verschillende manieren geëvalueerd, in een schriftelijk enquête en met focusgroepdiscussies gedurende (en na afloop van) het vak. Studenten geven aan positief te zijn over het verkrijgen van gerichte feedback en tips voor verdere bestuderingen van de stof.
Omdat de helft van de studenten meedeed, was het mogelijk om de twee groepen met elkaar te vergelijken. Uit de voorlopige resultaten blijkt dat studenten die gedurende de cursus feedback hebben gekregen, beter hebben gepresteerd dan studenten zonder feedback. Een eerste voorzichtige conclusie is dat gerichte feedback gedurende het vak een positief effect heeft.
Verder uitbreiden
Het is de bedoeling deze aanpak de komende tijd verder uit te breiden en nog een experiment te doen in de volgende versie van de cursus. Ook wordt docenten aangeraden om met tussentijdse (en het liefst continue feedback) aan de slag te gaan.
Een aantal aspecten van het onderzoek kan breder ingezet worden binnen de onderwijsinstelling en daar buiten. De opzet van Student-Led-Tutorials is zeer waardevol geworden. Niet alleen om parameters te genereren voor het automatisch prognose- en monitoringsysteem, maar ook als onderwijsinnovatie om werkcolleges weer het centrum van leren te maken.
Inmiddels maakt een aantal vakken binnen de universiteit gebruik van deze methode. Het automatisch prognose- en monitoringsysteem kan zeker ook breder worden ingezet. Daarvoor is het nog wel noodzakelijk om een ontwikkelstap te maken, die inmiddels gepland staat. Belangrijke factor van succes is de toegankelijkheid van data op individueel niveau. Daarmee valt of staat het gebruik van het systeem.
Relevante literatuur
- B. F. French, J. C. Immekus, and W. C. Oakes, “An examination of indicators of engineering students’ success and persistence,” Journal of Engineering Education, vol. 94, no. 4, pp. 419–425, 2005
- A. Cherif, F. Movahedzadeh, G. Adams, and J. Dunning, “Why do students fail,” A collection of papers on self-study and institutional improvement, vol. 2013, pp. 35–51, 2013
- S. Freeman, S. L. Eddy, M. McDonough, M. K. Smith, N. Okoroafor, H. Jordt, and M. P. Wenderoth, “Active learning increases student performance in science, engineering, and mathematics,” vol. 111, no. 23, pp. 8410–8415, May 2014. [Online]. Available: https://doi.org/10.1073/pnas.1319030111
- K. Edström and P.-E. Hellström, “Improving student learning in stem education: Promoting a deep approach to problem-solving,” 2017
- K. A. Rocca, “Student participation in the college classroom: An extended multidisciplinary literature review,” Communication education, vol. 59, no. 2, pp. 185–213, 2010
Comenius Senior Fellowship (2020)
