Van 11 tot 13 november was Wim Casteels aanwezig op de 17th annual International Conference of Education, Research and Innovation in Seville, Spanje.Niet alleen zat hij de sessie voor Learning analytics voor, hij stelde er ook zijn gloednieuwe paper ‘PREDICTING STUDENT SUCCESS: MACHINE LEARNING MODELS BASED ON ONLINE INTERACTION LOGS’ voor. Deze paper maakt deel uit van het onderzoeksproject AI4UX en focust op de mogelijkheden om de resultaten van studenten te voorspellen op basis van hun interacties met de online leeromgeving.
Innovatieve inzichten in het gebruik van de leeromgeving
Tijdens zijn presentatie lichtte Wim toe hoe deze studie, op basis van geanonimiseerde LMS-logdata, aantoont dat specifieke patronen in het klik- en navigatiegedrag van studenten sterke voorspellers kunnen zijn van hun uiteindelijke studieresultaten. Zo wordt er niet alleen gekeken naar wélke pagina’s studenten bezoeken, maar ook naar de transities tussen pagina’s (hoe studenten van de ene pagina naar de andere navigeren) en de frequentie van die bezoeken. Deze aanpak beperkt zich bewust tot zuivere interactiedata en laat persoonlijke of socio-economische gegevens van studenten buiten beschouwing.
Machine learning-technieken voor prestatievoorspellingen
In het paper wordt beschreven hoe verschillende machine learning (ML)-technieken worden gebruikt om te onderzoeken welk model het meest accuraat en efficiënt is in het voorspellen van de eindresultaten. Door deze modellen te trainen op basis van reeksen interacties (bijvoorbeeld hoe vaak specifieke cursusonderdelen worden geraadpleegd en in welke volgorde) kunnen docenten en onderwijsinstellingen beter inschatten welke studenten mogelijk achterop raken. Naast het voorspellen van de eindcijfers kan dezelfde methodiek eveneens worden ingezet voor het meten van andere prestatie-indicatoren, zoals tijdige inlevering van opdrachten of actieve deelname aan discussiefora.
Explainable AI en de impact op onderwijsinnovatie
Een belangrijk onderdeel van het onderzoek is het streven naar uitlegbare ML-modellen. Dit betekent dat er niet alleen naar de voorspellende kracht van het model wordt gekeken, maar ook naar welke kenmerken (bijvoorbeeld het aantal sessies of bezoeken aan bepaalde hoofdstukken) de grootste invloed hebben. Dit levert cruciale inzichten op voor onderwijsteams: door te begrijpen wáár de modellen op sturen, kunnen zij gerichter aanpassingen doorvoeren in het curriculum of de digitale leeromgeving.
Verlaging uitval en betere begeleiding
De inzichten uit dit onderzoek dragen op drie manieren bij aan kwaliteitsverbetering in het hoger onderwijs:
- Vroege detectie van risicostudenten: Dankzij de ML-modellen kunnen studenten die achterop dreigen te raken vroegtijdig worden opgespoord.
- Persoonlijke en efficiënte begeleiding: Door in te zoomen op concrete patronen, kunnen docenten en studiebegeleiders gerichtere interventies aanbieden.
- Verbeterde leeromgeving: De analyse van klik- en navigatiegedrag geeft input voor het optimaliseren van Moodle-cursussen, zodat studiemateriaal gebruiksvriendelijker en overzichtelijker wordt gepresenteerd.
Volgens Wim Casteels is de combinatie van technologie, onderwijs en innovatie de sleutel om studenten op maat te ondersteunen. ICERI was dan ook de ideale plek om ideeën hierover te delen en internationale samenwerkingen met collega-onderzoekers te verkennen.
Meer weten?
Wil je graag meer info over dit project? Lees dan hieronder onze paper of stuur een mailtje naar wim.casteels@ap.be. Meer info over het project kan je terugvinden op onze AI4UX projectpagina.
