Samenvatting

Het doel van dit onderzoek is het ontwikkelen van een model op basis van technieken uit het veld Educational Data Mining (EDM) die door individuen zowel bekend als onbekend met het veld (EDM) in gebruik genomen kan worden om studiesucces (al dan niet doorstromen naar het tweede leerjaar) mee te kunnen voorspellen. Er werd antwoord gezocht op de vraag in hoeverre de beschikbare data van Hogeschool Saxion daartoe in staat was.
 
Om antwoord op deze vraag te geven werden gegevens afkomstig uit het intakeassessment (algemeen, persoonlijkheid en capaciteiten), Blackboard Learn (klik-gedrag in de cursussen) en Bison (toets-cijfers) verzameld van eerstejaars studenten van de opleiding Toegepaste Psychologie (n = 812) van cohorten 2016-2017, 2017-2018 en 2018-2019. Vervolgens werden op basis van feature selection variabelen geselecteerd voor diverse decision tree algoritmes (genaamd C5.0, CART, CHAID, Exhaustive CHAID en QUEST) om modellen te ontwikkelen. De decision trees werden beoordeeld en geëvalueerd op basis van het aantal correcte voorspellingen.
 
Uit de resultaten blijkt het mogelijk om voor het merendeel van de studenten studiesucces correct te kunnen voorspellen (73.74%). Er blijkt verder ook dat de belangrijkste voorspellers toets-cijfers aan het begin van het leerjaar en online klik-gedrag direct voor de toets-periodes de belangrijkste voorspellers zijn, respectievelijk afkomstig uit Blackboard en Bison. Met het intakeassessment kan geen studiesucces voorspeld worden.
 
Tot slot werd bediscussieerd dat de data niet optimaal benut kon worden, waardoor een model dat met een hogere mate van zekerheid in staat is studiesucces te voorspellen achterwegen blijft. Dit wijst erop dat acties ondernomen moeten worden om de aanwezige gegevens te optimaliseren voordat men nader gebruik maakt van EDM.