Lezing: Learning analytics in de praktijk (KULeuven)
sprekers: Serge Verlinde, Nathalie Nouwen, Jordi Heeren & Matthias Verlinde
Waar Vlaanderen gekend was om zijn beheersing van het Frans als tweede taal, is het vaardigheidsniveau sterk gedaald (Verhaegen 2013). Als gevolg van deze dalende trend hebben meer en meer studenten problemen in curricula waar een plichtvak Frans aanwezig is. In de universiteit waarin het onderstaand onderzoek plaatsvond, is dat het geval voor gemiddeld bijna 2000 bachelorstudenten.
Voorgaand onderzoek toont dat learning analytics (LA) kunnen helpen bij het identificeren en ondersteunen van risicostudenten door de combinatie van data uit een Learning Management System (LMS) en achtergrondinformatie van de studenten (Arnold and Pistilli 2012, Bainbridge e.a. 2015, Jayaprakash e.a. 2014). In deze presentatie bespreken we de ontwikkeling van een predictief model in drie eerstejaarsopleidingen Frans en hoe we de studenten daarna verder opvolgen.
Voor het onderzoek zijn data gebruikt van 2673 eerstefasestudenten met een plichtvak Frans (2015–2018). De studenten vulden een C‑test in bij de start van het jaar. De test is gebaseerd op krantenteksten waarin om het woord de helft of de helft plus één van de letters zijn weggelaten en wordt aanzien als een valide maat van algemene taalvaardigheid (Klein-Braley, 1985). Ze vereist zowel kennis van woordenschat en grammatica als tekstuele vaardigheden (Read, 2000). De itemanalyses tonen aan dat de moeilijkheid en het discriminerend vermogen van de items voldoende zijn en dat de betrouwbaarheid hoog ligt (KR20 = .92).
Als achtergrondvariabelen werden aan deze score de vooropleiding van de studenten, hun gemiddelde score in het secundair, het aantal uren Frans en het aantal uren wiskunde, samen met hun eigen inschatting van hun kennis van het Frans (op een tienpuntenschaal). Via een logistische regressie wordt de voorspellende waarde van de elementen bepaald en op basis van het voorspellend model worden studenten onderverdeeld in drie groepen: hoog risico, laag risico en een middengroep.
Naast de resultaten van de test en de achtergrondvariabelen van de studenten worden ook data van een leeromgeving gebruikt waarin studenten verplicht een aantal oefeningen maken op de grammatica van het Frans. Afhankelijk van hun testscore en de mate waarin ze oefeningen maken, krijgen de studenten, via een geautomatiseerde mail op vastgestelde tijdstippen, informatie over hun geschat niveau, commentaar op hun voortgang en praktische studietips. Studenten en docenten beschikken over een overzichtelijk dashboard voor studenten en docenten om zo geïndividualiseerde monitoring mogelijk te maken. Daarnaast biedt een analyse van de loggegevens ook een unieke mogelijkheid om tijdens de lesmomenten meer aandacht te besteden aan de grammaticale aspecten die moeilijker blijken te zijn.
Verder doorgedreven analyses op basis van machine learning modellen en neurale netwerken laten zelfs toe om het eindresultaat van de studenten met een vrij grote nauwkeurigheid te voorspellen op basis van de variabelen verzameld bij de start van het academiejaar en traceerbare activiteiten van de studenten.
Lokaal 4
—