Leiden Learning & Innovation Centre
Learning Analytics and Data Science
Datagedreven werken in het onderwijs: het verzamelen, analyseren en interpreteren van gegevens uit onderwijsomgevingen voor verbetering van onderwijs- en leerresultaten.
Door datagedreven inzichten toe te passen, helpen we onderwijsprofessionals om beter onderbouwde beslissingen te nemen. Zo dragen we bij aan sterkere onderwijsstrategieën, gerichtere interventies en het creëren van gepersonaliseerde leerervaringen.
We passen uiteenlopende analysemethoden en data-science-technieken toe, altijd afgestemd op de specifieke uitdaging en context. Zo kunnen we zowel kleinschalige leerervaringen als bredere patronen in kaart brengen.
Waarom is learning analytics belangrijk?
Learning analytics is waardevol voor docenten, studenten, beheerders en ondersteunend personeel binnen onze universiteit. Het helpt docenten om de betrokkenheid van studenten beter te begrijpen, biedt studenten gepersonaliseerde feedback en stelt faculteiten en diensten in staat om goed onderbouwde beslissingen te nemen over onderwijs en middelen.
Dashboards om voortgang te volgen, voorspellende modellen die helpen te bepalen waar ondersteuning nodig is, enquêtes die leerervaringen in kaart brengen – ze zijn allemaal gestoeld op learning analytics.
Welke vragen kunnen met learning analytics worden beantwoord?
Bijvoorbeeld:
- In hoeverre gaan studenten actief aan de slag met mijn cursusmateriaal?
- Welke studenten hebben mogelijk extra ondersteuning nodig?
- Op welk punt in mijn cursus verliezen studenten vaak hun interesse?
- Hoe effectief zijn nieuwe materialen, onderwijstools, curricula of andere interventies?
- Waar moeten we onze middelen op richten om de meeste impact te maken?
- Waar zitten gaten in onze curricula en wanneer is er overlap?
Toolset
Ons team gebruikt een breed scala aan analysetools en visualisatieplatforms: van Python en R voor statistische analyses tot Power BI, Looker en Shiny voor interactieve dashboards. Zo vertalen we onderwijsdata flexibel en betrouwbaar naar inzichtelijke visualisaties.
Op basis van de doelstellingen en de aard van de projectdata selecteren en implementeren we de meest geschikte tools. Waar mogelijk nemen wij de technische keuzes uit handen, waardoor partners zich kunnen concentreren op organisatorische en onderwijsdoelstellingen.
Sleutelbegrippen: wat ze betekenen en bieden
Data Science
De kern van learning analytics wordt gevormd door data science, die het fundamentele kader biedt voor het verzamelen, verwerken en analyseren van onderwijsgegevens. Met behulp van technieken als data mining, machine learning en statistische analyse verkrijgen we waardevolle inzichten uit de enorme hoeveelheden onderwijsgegevens.
Artificial Intelligence
Artificial intelligence speelt een cruciale rol in het bevorderen van learning analytics door taken te automatiseren, leerervaringen te personaliseren en bruikbare inzichten te genereren. Modellen en adaptieve leersystemen op basis van AI kunnen onderwijsinhoud afstemmen op de individuele behoeften van studenten, helpen bij het blootleggen van patronen en het voorspellen van prestaties of problemen.
Visualisatie
Visualisaties vormen de schakel tussen ruwe onderwijsdata en geïnterpreteerde inzichten. Interactieve dashboards en grafieken maken complexe informatie toegankelijk en ondersteunen datagedreven besluitvorming over studentvoortgang, betrokkenheid en prestaties.
Neem contact met ons op!
Voor meer informatie en om de mogelijkheden voor potentiële projecten en samenwerkingen te bespreken, kun je contact met ons opnemen via datascience@llinc.leidenuniv.nl.
Voorbeelden uit ons werk
De onderstaande afbeeldingen geven een indruk van analyses en dashboards die we ontwikkelen en illustreren hoe we op basis van learning analytics besluitvorming in het onderwijs ondersteunen.
-
Dichtheidsgrafiek waarin de cijfers van studenten voor een quiz aan het begin van het collegejaar worden vergeleken met hun uiteindelijke studieadvies. Door deze patronen te visualiseren, kunnen we onderzoeken hoe vroege beoordelingen kunnen aangeven wie baat zou kunnen hebben bij extra ondersteuning. -
Tijdlijn van belangrijke acties van studenten tijdens een cursus: inschrijving, eerste toegang, afronding en uitval. Visualisaties als deze laten zien hoe studenten zich door een cursus bewegen en wanneer hun betrokkenheid meestal toeneemt of juist afneemt. -
Prototype dashboard voor het Science Skills Platform dat inzicht biedt in het gebruik van content voor de vakoverstijgende vaardigheden.