Data in het onderwijs

Auteur: Ron Diris • Vakgebied: economie

Op welke wijze kan er, ter ondersteuning van het onderwijsleerproces, effectiever gebruik gemaakt worden van data in het onderwijs?

Empirisch onderzoek heeft de laatste jaren bijgedragen aan het beantwoorden van belangrijke onderwijsvraagstukken. Er is echter weinig betrouwbaar bewijs als het gaat om hoe leerprocessen binnen de klas verbeterd kunnen worden. De groei in beschikbare gegevens van scholen en leerlingen in combinatie met ontwikkelingen op het gebied van toetsing bieden mogelijkheden om deze processen te verbeteren. 

Interpretatie > Er is in het onderwijs steeds meer data beschikbaar over de achtergronden en prestaties van leerlingen. Hoe kunnen beleidsmakers, onderzoekers en scholen op optimale gebruik maken van deze data zodat het leerproces van leerlingen verbeterd kan worden? 

Het gebruik van data om onderwijsvraagstukken te behandelen is al decennialang gemeengoed. In de laatste twintig jaar heeft empirisch onderzoek rondom onderwijs een vlucht genomen door ontwikkelingen in statistische technieken die het toelaten om causale effecten te schatten. Door deze studies is het mogelijk om de effecten van bepaalde veranderingen in onderwijskeuzes en onderwijsbeleid in te schatten. Zo zijn er bijvoorbeeld studies die causale effecten schatten van het aantal gevolgde jaren onderwijs op loon en op criminaliteit. [1] Andere studies kijken naar de effecten van aspecten van onderwijssystemen, zoals de startleeftijd van verplicht onderwijs en het gebruik van zittenblijven.[2]

Tegelijkertijd zijn er weinig causale studies als het gaat om het verbeteren van leerprocessen binnen de klas. Wat is de invloed van veranderingen in de bestede tijd aan taal of rekenen? Hoe kan de leraar het beste zijn aandacht verdelen over leerlingen van verschillend niveau? Over dit soort vragen bestaat nog steeds heel weinig betrouwbaar empirisch onderzoek. Dit komt vooral omdat de verschillende aspecten van de vormgeving van dat leerproces sterk met elkaar samenhangen, waardoor het moeilijk is om het effect van één bepaald aspect te isoleren. Een andere bemoeilijkende factor is dat de effectiviteit van een bepaalde aanpak sterk afhangt van de kenmerken van een bepaalde klas of school. Onderzoek dat iets aantoont voor een bepaalde klas in een bepaalde setting is daarom niet altijd bruikbaar in andere contexten.

Gegeven deze beperkingen lijkt de beste aanpak voor het verbeteren van deze leerprocessen te liggen in systemen waarin scholen, ondersteund door onderzoekers, zelf data verzamelen en daarvan leren. Ten eerste zorgt dit ervoor dat de resultaten ook afkomstig zijn van de groep waarvoor het beleid wordt gemaakt en werken we dus in dezelfde context. Een ander voordeel is dat de school in de positie is om leerprocessen zo bij te sturen dat we specifieke aspecten ervan kunnen isoleren om de effectiviteit ervan te onderzoeken, wat normaal gesproken binnen onderzoek dus zo moeilijk is. Op deze manier leren scholen van hun eigen data en ontstaat er, idealiter, een continu proces van evaluatie en verbetering. Het verzamelen van dit soort data en de gevraagde continue terugkoppeling tussen scholen en onderzoekers is nog geen gemeengoed maar op een aantal plekken wel al in gang gezet. Een voorbeeld in Nederland is de OnderwijsMonitor Limburg, waarbinnen de Universiteit Maastricht uitgebreid data verzamelt van scholen op alle leerniveaus in Limburg en intensief samenwerkt met deze scholen.

Het geschetste proces van continue verbetering vraagt een grote hoeveelheid aan informatie. Daarbij is het toetsen van leerlingen onmisbaar. Tegelijkertijd willen we niet dat leerlingen steeds bezig zijn met toetsen maken, want er moet ook tijd vrij blijven voor het eigenlijke leerproces. Op het gebied van toetsing laten veel recente ontwikkelingen toe om ‘efficiënter’ te toetsen. Hierdoor kunnen we met dezelfde toetstijd rijkere informatie verzamelen. Voorbeelden van dit soort ontwikkelingen zijn het gebruik van adaptieve toetsen (waarbij vragen tijdens de toets aangepast worden aan het niveau van de leerling), diagnostische toetsen (waarbij zwakke en sterke (sub-)onderdelen binnen een vak blootgelegd worden) en automated test assembly (programma’s die zelf toetsen optimaal samenstellen afhankelijk van het beoogde doel). Daarnaast liggen er mogelijkheden in het combineren van deze methodes met nieuwe ontwikkelingen op het gebied van artificiële intelligentie en ‘big data analysis’. Het verder uitbouwen van dit soort systemen zorgt ervoor dat er nog efficiënter en effectiever informatie over leerprocessen verzameld en geëvalueerd kan worden, waardoor het proces van continue verbetering van die processen nauwkeuriger en sneller wordt.

[1] Zie, bijvoorbeeld, Angrist en Krueger (1991); Lochner en Moretti (2004).

Referenties

Angrist, J. D., & Keueger, A. B. (1991). Does compulsory school attendance affect schooling and earnings? Quarterly Journal of Economics, 106(4), 979-1014.

Black, S. E., Devereux, P. J., & Salvanes, K. G. (2011). Too young to leave the nest? The effects of school starting age. Review of Economics and Statistics, 93(2), 455-467.

Jacob, B. A., & Lefgren, L. (2004). Remedial education and student achievement: A regression-discontinuity analysis. Review of Economics and Statistics, 86(1), 226-244

Lochner, L., & Moretti, E. (2004). The effect of education on crime: Evidence from prison inmates, arrests, and self-reports. American Economic Review, 94(1), 155-189.