Aanpak uitval mbo-studenten moet al starten na toelating
Mbo-studenten die uitvallen hebben van tevoren geen andere verwachtingen over de opleiding dan studenten die wel slagen. Ze blijken al wel meteen na de start van de opleiding lagere cijfers te halen. De aanpak om uitval tegen te gaan moet al vroeg na de toelating beginnen. Dit blijkt uit het promotieonderzoek van mbo sport en bewegen docent Irene Eegdeman die een methode ontwikkelde dat met behulp van algoritmen vroegtijdig uitval helpt te voorspellen.
Eegdeman: “Onderzoek naar uitval van studenten in het mbo is verrassend schaars. Er is behoefte aan meer informatie over waarom studenten uitvallen en hoe de modellen, die uitval voorspellen, kunnen verbeteren. Met mijn onderzoek kom ik dichter in de buurt van een antwoord op de vraag: ‘Wat bepaalt de uitval van studenten in het mbo?”
Preventie van uitval
Het mbo is een heel divers vakgebied, met veel verschillende opleidingen en dus ook veel verschillende studenten. Eegdeman: “Toch trek ik in de verschillende studies van mijn onderzoek interessante en belangrijke conclusies die gevolgen kunnen hebben voor het middelbaar beroepsonderwijs in Nederland.”
Zo blijkt bijvoorbeeld dat persoonlijkheidskenmerken en cognitieve capaciteit niet helpen bij het voorspellen van studiesucces, en dat leraren hun lessen niet afstemmen op de klas. Toch is het mogelijk uitval te voorspellen. Eegdeman: “Ik heb een methode ontwikkeld die op basis van machine-learning studenten met een hoge kans op uitval redelijk identificeert. De methode kan gebruikt worden voor gerichte preventie van studentuitval en docenten kunnen de nauwkeurigheid van voorspellingen van machine learning-algoritmen aan het begin van een opleiding vergroten.”
Hoge uitval ondanks begeleiding
Ongeveer 40 procent van alle Nederlandse studenten volgt een opleiding in het middelbaar beroepsonderwijs (mbo). Alle inspanningen van mbo-instellingen zijn erop gericht studenten naar een diploma te begeleiden. Toch valt gemiddeld zo'n 30 procent van de studenten uit.
Machine learning-algoritmen maken betere voorspellingen mogelijk, maar geven op zich geen praktijkgericht advies aan onderwijsinstellingen over welke studenten zouden moeten deelnemen aan interventies om uitval te voorkomen en wanneer studenten zouden moeten worden uitgenodigd. De methode die door Eegdeman met haar onderzoek is geïntroduceerd, biedt een manier om precies dit te doen. Met deze aanpak kunnen beleidsmakers voorspellingen doen over uitval en vroegtijdig ingrijpen.
Eegdeman: “Beleidsmakers binnen het mbo kunnen de resultaten uit mijn onderzoek gebruiken om de manier waarop studenten worden geïnformeerd over de opleiding, de instroom in de opleiding en de begeleiding van de studenten tijdens de opleiding te verbeteren. Daarnaast kan het gebruik van machine-learning algoritmen helpen bij het vroegtijdig voorspellen van studentuitval.”
Meer informatie over het proefschrift
