Minder schooluitval met machine learning

Toch is het bij nader inzien wel logisch: aankomende studenten die overtuigd zijn van hun studiekeuze melden zich eerder aan en krijgen dus een lager studentnummer. Zij zijn doorgaans gemotiveerder en zullen daardoor mogelijk minder snel afhaken. 

Onderzoek naar studieuitval in het mbo is hard nodig. Van de eerstejaars valt, afhankelijk van het niveau, gemiddeld zes tot vijftien procent uit. Dat is allereerst vervelend voor de studenten zelf: zij hebben een negatieve ervaring, en moeten op zoek naar een studie die beter bij hen past. Maar het is ook nadelig voor de onderwijsinstelling: die heeft geïnvesteerd in de studenten, maar dat betaalt zich niet uit.  

Mbo-instellingen kunnen verschillende dingen doen om uitval te voorkomen of terug te dringen. Een van de belangrijkste is in gesprek gaan met potentiële uitvallers. En dan geldt: hoe eerder, hoe beter. Het onderzoek van Eegdeman wijst uit dat vaak al in de eerste weken van het studiejaar duidelijk is welke studenten het meeste risico lopen om uit te vallen. Factoren die daarbij een belangrijke rol spelen zijn aanwezigheid, de behaalde cijfers in die periode, maar ook de eindexamencijfers van de vorige opleiding of de middelbare school. 

Het onderzoek van Eegdeman is een mooi voorbeeld van hoe machine learning kan helpen om vraagstukken in het onderwijs op te lossen. Ook in het onderwijs gaan enorm veel data om en dan is de rekenkracht van computers welkom voor een snelle en goede analyse van al deze data. Het voorbeeld toont aan dat dit kan leiden tot verrassende uitkomsten. En het laat ook zien dat verbanden nog geen verklaring zijn; onderzoekers zullen de uitkomsten van data-analyse nader moeten bekijken.  

Lees het artikel over studentenuitval voorkomen door verklaren en voorspellen.

Bekijk hier een videoclip over Machine Learning en studentenuitval.