Samenvatting

In zijn intreerede No Fairness without Awareness – Toegepast onderzoek naar kansengelijkheid in het hoger onderwijs introduceert Dr. Theo C. Bakker het thema kansengelijkheid in het hoger onderwijs en de rol van learning analytics om sociale recht vaardigheid te bevorderen. Vanuit zijn lectoraat Learning Technology & Analytics aan De Haagse Hogeschool heeft Bakker een statistisch onderzoek uitgevoerd naar kansengelijkheid in het hoger beroepsonderwijs (hbo), waarin hij met behulp van studiedata en AI-voorspelmodellen onderzoekt in hoeverre verschillende studentengroepen gelijk behandeld worden. Hij benadrukt dat kansengelijkheid niet alleen gaat om toegang tot het onderwijs, maar ook om eerlijke kansen op studiesucces en doorstroom naar de arbeidsmarkt. Belang van learning analytics voor kansengelijkheid: Learning analytics omvat het meten, verzamelen en analyseren van data over studenten en hun leeromgeving, met als doel het onderwijs en de ondersteuning van studenten te optimaliseren. In het onderzoek maakt Bakker daarbinnen een nader onderscheid tussen verschillende soorten analyses: learning analytics, dat de interacties tussen studenten, docenten en de lesstof onderzoekt; student analytics, waarbij individuele studentgegevens worden onderzocht; institutional analytics, dat kijkt naar gegevens op organisatieniveau; en inclusion analytics, dat zich richt op sociale rechtvaardigheid en kansengelijkheid. Bij het laatste type onderzoekt hij of bepaalde groepen studenten stelselmatig benadeeld worden, dat bijvoorbeeld blijkt uit een grotere kans op uitval. Bakker bespreekt daarvoor het probleem van bias in onderwijsdata. Bias is een systematische fout in de data die kan leiden tot oneerlijke uitkomsten. Algoritmen versterken vaak bestaande vooroordelen in de data, wat in het onderwijs kan leiden tot kansenongelijkheid. Hij benadrukt dat kansengelijkheid alleen kan worden gerealiseerd. als we ons bewust zijn van mogelijke onrechtvaardigheden in het systeem: No Fairness without Awareness. Methode: analyse van bias en fairness. Voor zijn onderzoek maakt Bakker gebruik van machine learning-algoritmen die retentie na het eerste studiejaar voorspellen. Door deze voorspellingen te analyseren, onderzoekt hij of de kansen eerlijk zijn verdeeld tussen groepen, bijvoorbeeld tussen mannen en vrouwen of tussen mbo-, havo- en vwo-studenten. Een belangrijke maatstaf in het onderzoek is het 4/5-criterium, waarbij wordt beoordeeld of de kansen voor de ‘beschermde groep’ ten minste 80% bedragen van die van de ‘bevoorrechte groep’. Als de verhouding kleiner is, is er sprake van een gebrek aan fairness. Bakker beschrijft drie stappen in de analyse:
1. Data voorbereiden en voorspelmodellen ontwikkelen: De data worden opgeschoond en opgesplitst in een trainings-, test-, en validatieset. Modellen zoals logistische regressie en random forest worden gebruikt om te voorspellen welke studenten waarschijnlijk zullen doorstromen.
2. Bepalen van het belang van variabelen: Er wordt gekeken naar de invloed van kenmerken zoals vooropleiding en leeftijd op de uitkomsten. Voor verschillende groepen wordt een fictieve ‘gemiddelde student’ gemodelleerd om inzicht te krijgen in de verschillen in kansen.
3. Fairness berekenen: Met het 4/5-criterium worden verschillen tussen groepen vergeleken. Dit criterium wordt toegepast op verschillende metrics uit voor spelmodellen zoals accuraatheid, gelijke kansen en statistische gelijkheid. De analyse toont aan waar bias optreedt en hoe deze de kansengelijkheid beïnvloedt.
Resultaten en conclusies: Het onderzoek van Bakker toont aan dat op veel opleidingen in het hbo sprake is van ongelijkheid in kansen. Zo hebben bij De Haagse Hogeschool vrouwen in slechts één opleiding een negatieve bias, terwijl mannen in twintig opleidingen een lagere kans op retentie hebben. Vwo-studenten hebben vaker een positieve bias, terwijl mbo-studenten juist benadeeld worden. De aanpak biedt concrete inzichten voor onderwijsinstellingen om ongelijkheden te identificeren en te analyseren. Dit kan bijdragen aan interventies die specifiek gericht zijn op het ondersteunen van groepen studenten die onevenredig meer risico lopen op uitval. De methodiek kan bovendien opgeschaald worden en biedt een herhaalbare aanpak om bias in studiedata te detecteren. Deze opschaling zal binnen het landelijke Npuls groeifondsprogramma worden opgepakt. Aanbevelingen en vervolgonderzoek: Bakker doet verschillende aanbevelingen om kansengelijkheid in het hoger onderwijs te bevorderen. Ten eerste pleit hij voor het gebruik van overstijgende analyses om complexere patronen van ongelijkheid beter te begrijpen. Daarnaast raadt hij aan om sensitieve kenmerken, zoals migratieachtergrond en sociaaleconomische status, op een verantwoorde manier mee te nemen in analyses, zodat een vollediger beeld van de ongelijkheden ontstaat. Hij waarschuwt wel voor consent bias: studenten die vertrouwen hebben in de onderwijsinstelling geven eerder toestemming voor het gebruik van persoonlijke data, wat de representativiteit van de data kan beïnvloeden. Een andere aanbeveling betreft het ontwikkelen van interventies om knelpunten te verminderen. Bakker suggereert dat opleidingsmanagers en docenten in onderwijsin stellingen een grotere decision space moeten krijgen, met meer mogelijkheden voor flexibele en proactieve ondersteuning van studenten. Hij verwijst naar maatregelen tijdens de coronacrisis, zoals het uitstellen van het bindend studieadvies, die hebben aangetoond dat flexibiliteit in beleid de kansen op studiesucces vergroot. Ten slotte stelt Bakker dat discriminatie en kansenongelijkheid verschillende fenomenen zijn. Niet elke ongelijkheid in uitkomsten is een gevolg van discriminatie, maar kan ook voortkomen uit systeemfouten in het onderwijs zelf. Toekomstperspectief: Het onderzoek van Bakker levert waardevolle inzichten op voor beleidsmakers, do centen en bestuurders in het hoger onderwijs. Zijn aanbevelingen geven richting aan nieuwe studies en beleidsmaatregelen die kansenongelijkheid kunnen verminderen. In vervolgonderzoek wil hij niet alleen naar retentie, maar ook naar het behalen van diploma’s en stagediscriminatie kijken. Het lectoraat zal de gebruikte methodiek via Npuls open access beschikbaar stellen, waardoor andere instellingen de aanpak kunnen overnemen en verbreden. Bakker besluit zijn intreerede met de oproep om data-geïnformeerde beslissingen te gebruiken voor een sociaal rechtvaardiger onderwijssysteem, dat studenten een eerlijke kans biedt om te slagen.