AI gebruiken om uitvalrisico van studenten in technisch onderwijs te voorspellen met een learning analytics-benadering

Waarom vroege waarschuwingen voor worstelende studenten ertoe doen

Veel studenten lopen al geruime tijd achter in hun online cursussen voordat slechte cijfers zichtbaar worden. In technische vakken, waar de colleges veeleisend en snel zijn, kan dit snel leiden tot uitval. Deze studie onderzoekt hoe gegevens uit dagelijkse activiteiten op een online leerplatform kunnen worden omgezet in een vroegwaarschuwingssysteem. Door te analyseren hoe studenten door cursusmateriaal navigeren, markeert een kunstmatig intelligentiemodel (AI) patronen die vroegtijdig op problemen wijzen, zodat docenten tijdig met gerichte hulp kunnen ingrijpen.

Digitale sporen volgen in online lessen

Het onderzoek richt zich op twee computergestuurde ontwerpcursussen (CAD) die via het Moodle-leerplatform worden gegeven aan een hogeschool voor toegepaste wetenschappen. Elke klik—het openen van een bestand, het proberen van een toets, het indienen van huiswerk—maakt een tijdgestempeld logboekitem aan. Uit 12.941 dergelijke records voor 80 studenten bouwde de auteur een dataset die 49 verschillende leermiddelen beschrijft, van eenvoudige inleidende pagina’s tot complexe, meerstapsopdrachten. Omdat deze cursussen ongewoon hoge uitvalcijfers vertoonden, vormden ze een nuttig testveld om te onderzoeken hoe activiteitspatronen samenhangen met succes of falen van studenten.

Klikken omzetten in betekenisvolle leersignalen

In plaats van ruwe klikfrequenties in een ondoorzichtig algoritme te stoppen, introduceert de studie een methode met "gewogen attributen" die de data herschikt naar indicatoren die docenten kunnen begrijpen. Elk leermiddel krijgt een score op drie hoofdpunten: hoe mentaal veeleisend het is, hoe vaak studenten ermee bezig zijn, en hoeveel tijd de cursus verwacht dat ze eraan besteden. Deze scores worden gecombineerd tot een enkele effectiviteitsmaat die weerspiegelt hoe goed studenten dat leermiddel daadwerkelijk beheersen. Op die manier zegt het model niet alleen dat een student in gevaar is; het wijst naar specifieke taken of materialen die mogelijk het probleem veroorzaken.

Wat de AI-modellen ontdekten

Twee typen voorspellingsmodellen—logistische regressie en random forests—werden getraind om effectievere en minder effectieve leermiddelen te onderscheiden op basis van deze gewogen indicatoren. Om te voorkomen dat de relatief kleine steekproef misleidende resultaten geeft, gebruikte de onderzoeker herhaalde kruiscontroles waarbij wordt geroteerd welke data voor training en welke voor testen worden gebruikt. Over deze controles presteerden beide modellen goed, met de random forest iets voorop, terwijl het eenvoudigere logistische model makkelijker te interpreteren resultaten biedt. In alle gevallen waren de belangrijkste signalen hoe vaak studenten met een bron interageerden, hoe lang ze eraan besteedden en hoe moeilijk het oorspronkelijk bedoeld was.

Cursussen beter ontwerpen, niet docenten vervangen

De bevindingen tonen dat complexe, tijdrovende opdrachten—zoals meerstapsontwerpprojecten en omvangrijk huiswerk—sterk samenhangen met betere leerresultaten, terwijl basismededelingen of korte overzichten minder bijdragen. Dit suggereert dat goed ontworpen uitdagingen, ondersteund door voldoende tijd, centraal staan in het succes van studenten. De studie schetst ook hoe een vroegwaarschuwingssysteem in de praktijk zou kunnen werken: een geautomatiseerd dashboard markeert risicovolle patronen voor docenten, die vervolgens beslissen hoe te reageren, bijvoorbeeld door voorbeelden toe te voegen, de werkbelasting aan te passen of extra ondersteuningssessies aan te bieden. Belangrijk is dat het systeem bedoeld is om docenten te informeren, niet om beslissingen over studenten te automatiseren.

Wat dit betekent voor studenten en docenten

Voor een algemeen publiek is de kernboodschap dat AI universiteiten kan helpen knelpunten op te merken voordat studenten zakken, maar alleen als het doordacht wordt gebruikt. Door inzicht in cursusontwerp te combineren met zorgvuldig datagebruik, zet de gewogen-attribuutmethode ruwe activiteitslogboeken om in duidelijke signalen over welke onderdelen van een cursus helpen of belemmeren bij het leren. De studie is nog een pilot, beperkt tot een klein aantal technische cursussen aan één instelling, dus de resultaten zijn voorlopig. Toch biedt ze een concreet pad naar een meer transparant, eerlijk en ondersteunend gebruik van AI in het onderwijs—waarbij datagedreven hulpmiddelen docenten helpen cursussen te herontwerpen en vroegtijdig kwetsbare studenten te bereiken, waardoor de kans kleiner wordt dat zij ongemerkt afdrijven van hun studie.

Bronvermelding: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

Trefwoorden: uitvalrisico van studenten, learning analytics, online technisch onderwijs, predictive modelling, early warning systems