RONDE 1

Landelijke promovendi enquête: Aanpak & Resultaten
Esther Bouma (RUG) en Hans Ouwersloot (UM)

Alle promovendi binnen een instelling vallen onder de zorgplicht van de universiteit of het onderzoeksinstituut. Om zicht te krijgen op de ervaringen van promovendi en de tevredenheid met het promotietraject, zetten universiteiten regelmatig zelf enquêtes uit, soms als onderdeel van grotere onderzoeken (bijv. medewerkers- tevredenheidsonderzoek), soms specifiek gericht op promovendi. Om meer uniformiteit te bereiken in de bevraging van promovendi is op initiatief van de Rijksuniversiteit Groningen een projectgroep opgericht. Sinds 2019 zijn alle Nederlandse universiteiten, UNL en het Promovendi Netwerk Nederland (PNN) verenigd in een landelijke projectgroep. Deze projectgroep heeft een set van kernevaluatievragen geformuleerd die universiteiten binnen een eigen enquête-instrument kunnen inzetten. Met deze kern- evaluatievragen krijgen de universiteiten, UNL, OCW en PNN zicht op ervaringen met, en tevredenheid over, verschillende aspecten van het promotietraject, waaronder onderwijs, begeleiding, faciliteiten en werkdruk. In 2021 hebben acht universiteiten – bij wijze van pilot – deze kernevaluatievragen afgenomen als onderdeel van een eigen evaluatie-instrument. In 2023 zullen 12 universiteiten de kernvragen afnemen. Een deel van de uitkomsten wordt in deze presentatie geanalyseerd, waarbij we zowel aandacht besteden aan het resulterende landelijke beeld, als aan de vraag hoe deze uitkomsten in beleidsrelevante informatie op kan leveren, wat door kan werken in promovendibeleid van de instellingen.

Future Together: Gezamenlijk aantal inschrijvingen voorspellen
Corneel den Hartogh (VU) – Bram Enning (HL)- Amir Khodaei (RU) – Maarten van der Velden (HL)

Vanuit stakeholders is er steeds meer interesse in vroegtijdige voorspellingen van toekomstige studentaantallen. Met data science specialisten van een aantal instellingen hebben we afgelopen jaar op dit gebied samen gewerkt. In deze sessie delen we wat we hebben geleerd, zowel qua inhoud als proces, en blikken we vooruit. Specifieke vragen die worden beantwoord zijn:

  • Hoeveel studenten zijn er over 5 jaar? Hoe kan deze vraag worden opgesplitst en welke data kan worden gebruikt om de verschillende delen te beantwoorden?
  • Hoeveel nieuwe studenten zijn er komend jaar? Hoe kunnen we dit op basis van de aanmeldingscijfers voorspellen? En hoe betrouwbaar is deze voorspelling? Hoe gaan we samen verder? Wat hebben we geleerd in dit proces? En welke mogelijkheden zien we voor de toekomst?
  • Hoe kan externe expertise worden benut? Wat zijn de eerste indrukken van het inhuren van een extern bureau om te helpen met modellering?
  • Hoe gaan we samen verder? Wat hebben we geleerd in dit proces? En welke mogelijkheden zien we voor de toekomst.

Interpreteerbare en uitvoerbare dashboards: van data en visualisaties naar impact
Rianne Conijn (TU/e)

Learning analytics, ofwel het verzamelen, analyseren en rapporteren van data over studenten en hun studeeromgeving wordt veelal gebruikt om studenten en docenten inzicht te geven in het leerproces van studenten. Echter, onderzoek wijst uit dat het simpelweg rapporteren of visualiseren van data niet direct invloed heeft op het leerproces noch de leerprestaties bevordert. In deze presentatie zal ik meer vertellen over hoe mensgericht ontwerpen een rol kan spelen in het interpreteerbaar en bovenal uitvoerbaar maken van data over leerprocessen. Hierbij zal ik verschillende voorbeelden aandragen vanuit mijn eigen onderzoek, zoals het ontwerp van een dashboard over het schrijfproces en een dashboard over de leerprocessen in een learning management system (Canvas). We sluiten af met een interactieve discussie over hoe we meer impact kunnen creëren voor jouw data en analyses.

RONDE 2

DORA-proof in-house citatie benchmarks t.b.v. landelijke SEP evaluaties
Jules van Rooij – RUG

Het RI team van de RUG heeft recent bijgedragen aan een aantal SciVal benchmarks, in aanvulling op meer klassieke citatie analyses. Zowel voor een aantal lokale SEP evaluaties (Pharmacy, Mathematics & Computer Science) als voor twee landelijke (Astronomy, Psychology). In deze CAW legt Jules de gevolgde benadering uit aan de hand van een paar voorbeelden. Die is gebaseerd op vergelijking van de eigen eenheid met de mondiale Top-10 in de eigen Core Area en/of vergelijking van Core Areas.

Prognose van studievoortgang door machine learning
Marcel Haas – Universiteit van Amsterdam

De verdeling van middelen voor het aankomend kalenderjaar zijn aan de UvA voor een aanzienlijk deel afhankelijk van de studieresultaten in het collegejaar dat in de zomer ervoor afloopt. Tijdens het begrotingsproces maken controllers daarvoor (handmatige) prognoses. In een pilotproject hebben we verkend of door middel van machine learning de prognoses geautomatiseerd en ook verbeterd kunnen worden, en of ze daarmee ook al eerder in de tijd gemaakt kunnen worden. We zullen laten zien hoe we dat doen en hoe goed dat werkt. Graag gaan we vooral in discussie over de uitdagingen waar je dan in de praktijk tegenaan loopt. Deze variëren van datakwaliteitsissues tot gebrek aan uniformiteit van vastlegging, maar zijn vaak ook het resultaat van de normale gang van zaken: curriculumwijzigingen of een veranderende

leeromgeving door covid of digitalisering zorgen ervoor dat toetsing en de bijbehorende resultaten niet zomaar van het ene jaar op het andere vergelijkbaar zijn met elkaar. In sommige gevallen kunnen we zulke veranderingen detecteren, maar soms ook niet. Soms kunnen we ervoor corrigeren, maar soms is niet duidelijk hoe.

Denk je mee?

Workshop instroom voorspellen
Lotte van Dijk – Avans Hogeschool

In deze workshop leer je stap voor stap hoe je de instroom zou kunnen voorspellen met behulp van de studielink telbestanden. Je gaat zelf aan de slag en aan het einde krijg je een script mee waar je met je eigen telbestand mee verder kunt. Eerst laden we de data in en doen we een aantal voorbewerkingen, daarna voorspellen we aan de hand van de trend de instroom voor het komende jaar. Ook krijg je praktische tips mee over waar wij tegen aangelopen zijn. We werken met Python maar geen programmeerkennis is vereist. De workshop is beginnersvriendelijk ingericht en is daarom een goede eerste kennismaking met Python. Het is belangrijk om je eigen laptop mee te nemen.

RONDE 3

Van data naar studiekeuzeinformatie
Iris Saarloos & Pauline Thoolen – Studiekeuze123

In deze sessie laat Studiekeuze123 zien hoe de Studiekeuzedatabase wordt opgebouwd en ontsloten en welke informatie erin zit. De basis wordt gevormd door alle NVAO geaccrediteerde hbo- en wo opleidingen in Nederland. Deze verrijken wij met informatie uit verschillende bronnen zoals o.a. het CROHO (RIO), 1 Cijfer HO van DUO, de HBO-monitor, de Nationale Alumni Enquête en de Nationale Studenten Enquête. Ook verzamelen wij informatie van onderwijsinstellingen via HOVI (Hoger Onderwijs Voorlichtings Informatiesysteem). Wij berekenen bijvoorbeeld arbeidsmarkt-cijfers, accreditatiegegevens, toelatingseisen, instroomaantallen en studentenoordelen. Studiekeuze123 gebruikt de database om studiekiezers via Studiekeuze123.nl te ondersteunen bij hun studiekeuze. Daarnaast is de database beschikbaar voor externe professionele gebruikers. Iris Saarloos, productmanager Studiekeuzedatabase, en Pauline Thoolen, hoofd informatie-management bij Studiekeuze123 nemen jullie mee in de verwerking van de verschillende bronnen tot studiekeuze-indicatoren. Ook zullen zij meer toelichten over de relatie tussen HOVI en de Studiekeuzedatabase en hoe Studiekeuze123 de overgang van CROHO naar RIO voorbereidt.

Tutorial Impact met kaarten in R
Martine Jansen – Fontys Hogescholen

Aan de hand van stap-voor-stap opdrachten leer je hoe je via R met data gevulde landkaarten kan maken. Als voorbeeld onderstaande afbeelding waarin het aantal vo-scholieren per postcode2 is weergegeven.

Wat gaan we doen?

  • bekijken hoe kaart-ingrediënten eruit ziet in R
  • data inlezen
  • data transformeren
  • data toevoegen aan een kaartlaag
  • dan de kaart plotten
  • opslaan van de afbeelding

Moet je al iets van R weten?

Het is wel handig als je ooit al met R hebt gewerkt, dan kun je je focussen op hoe het werkt met kaarten. Heb je nog nooit met R gewerkt, werk dan samen met iemand die wel vaker met R heeft gewerkt. Voor deze workshop hoef je niet zelf code te bedenken, code aanpassen zal wel voorkomen.

Hybride leeromgevingen/Fieldlabs, het onderwijs van de toekomst?
Chantal Gorissen – Fontys Hogescholen

De afgelopen 3 jaar is er met een multidisciplinair team onderzoek gedaan naar de impact van een Hybride leeromgeving/Fieldlab, het Fontys ICT InnovationLab, op het studiesucces en leeropbrengsten van studenten, de kenniscreatie en kennisdeling met het bedrijfsleven en de erkende identiteit van Fontys in de regio als kennisinstelling, en onder welke financiële en organisatorische condities de doelstellingen kunnen worden gerealiseerd. In deze CAW sessie zullen onze belangrijkste bevindingen, inzichten en ervaringen worden gedeeld. Ook zullen we stilstaan bij de lessons learned m.b.t. het uitvoeren van een longitudinaal onderzoek naar een onderwijsconcept.