Voorspellende studentendata

Dat bleek maandag 8 februari tijdens de lunchlezing Learning analytics and feedback: a match made in heaven van de Maastrichtse universitair hoofddocent quantitative economics Dirk Tempelaar in het cultuurcentrum van de TU. Hij vertelde over zijn ervaringen met digitale leeromgevingen als MyMathLab, MyStatLab en SOWISO, waarin studenten hun leerstof kunnen oefenen, zichzelf kunnen testen en om feedback kunnen vragen.

Tempelaar vertelde wat hij uit de gegenereerde data kan aflezen en hoe hij die gebruikt. Maar eerst waarom hij daarbij zweert: de Universiteit Maastricht is nog internationaler dan de TU. Het grootste deel van Tempelaars studenten is zelfs Duits en een ander groot deel Belgisch. Wat betreft wiskunde en statistiek hebben al die verschillende studenten een andere voorscholing gehad. Terwijl Tempelaar iedereen op hetzelfde startniveau wil krijgen.

Uit diagnostische tests voorafgaand aan hun studententijd komt volgens hem al duidelijk naar voren dat Duitse scholieren bijvoorbeeld nauwelijks statistiek hebben gehad en dat de Nederlanders op andere nationaliteiten achterblijven met wiskunde. Gerichte zomercursussen kunnen die deficiënties aanpakken.

Op individueel niveau kan Tempelaar zien hoeveel tijd zijn studenten doorbrengen in de digitale leeromgeving, wat ze daar doen en wat hun resultaten zijn. Motivatietests vullen die gegevens aan met data over de betrokkenheid en motivatie van studenten. Al die informatie geeft de mogelijkheid om gericht en op de juiste toon in te grijpen.

Die toon is belangrijk, want niet iedere student is hetzelfde. Tempelaar deelt zijn studenten op basis van de motivatietests in in vier clusters, vertelde hij zijn toehoorders. Daarvoor gebruikt hij het ‘student engagement and motivation wheel’ van Andrew Martin. Vervolgens legt hij dat naast de testresultaten.

Wat blijkt? Het cluster met de minste motivatie komt overeen met de studenten met de slechtste cijfers. “Dat meest zijn de Nederlandse mannen”, zegt hij erbij. Hun eigenschappen: uitstelgedrag, verveling, weinig doorzettingsvermogen, slecht in planning, te veel zelfvertrouwen. Ondanks het gegniffel der herkenning in de zaal zegt hij erbij dat ‘interventie op basis van nationaliteit en gender wel lastig is’.

Sowieso waarschuwt hij dat niet alle data een even grote voorspellende kracht heeft. Want wat zegt het dat iemand weinig oefent in de digitale leeromgeving? Is hij of zij ongemotiveerd, of gewoon heel slim? En als iemand heel veel oefent? Leidt dat perse tot hoge cijfers? Nee, aldus Tempelaar. En dus zal een docent ondanks alle data die hij voorhanden heeft toch ook zelf de vinger aan de pols moeten houden.