Data cleaning for learning analytics / data skills for teaching professionals

Betrokken lector: Johan Versendaal
Betrokken onderzoekers: Justian Knobbout; Huub Everaert; Esther van der Stappen

Doel en doelgroep

Of het nu Learning Analytics of Data Based Decision Making (DBDM) wordt genoemd, het analyseren van grootschalige gegevensbestanden om de kwaliteit van het onderwijs te verbeteren is momenteel een hot item. Learning analytics is “het meten, verzamelen, analyseren en rapporteren van data van studenten en hun omgeving met als doel het leren en de leeromgeving te begrijpen en te optimaliseren” (Siemens, 2011).

Relevantie voor de beroepspraktijk/maatschappelijke relevantie en relevantie voor het onderwijs

De toepassing van learning analytics biedt vele kansen om het leren en de omgeving waarin dat plaatsvindt te evalueren en te verbeteren. Het realiseren van grote delen van de onderwijsvisie van Hogeschool Utrecht is in sterke mate verbonden met de succesvolle uitvoer van analyses op studentniveau. Het gebruik van LA-systemen is echter niet vanzelfsprekend. De ontwerpers en ontwikkelaars van deze systemen zullen helder moeten zijn over de ontwerpkeuzes (zoals manieren van databewerking en de werking van algoritmes) die zij maken. Aan de andere kant moeten studenten én docenten beschikken over digitale en data-vaardigheden om deze systemen op een zinvolle manier te kunnen gebruiken. 

Resultaat/producten

In dit project onderzoeken wij hoe welke effecten keuzes in de bewerking van data hebben op de uitkomsten van learning analytics, en welke vaardigheden de gebruikers van deze systemen nodig hebben voor een zinvol gebruik.