Home > Big data > MIT-algoritme voorspelt drop-outs onder online studenten

MIT-algoritme voorspelt drop-outs onder online studenten

MIT algoritme moet MOOC-dropouts voorkomen

Lang leve de MOOC, oftewel: Massive Open Online Courses. Denk Khan Academy, Codecademy, of zelfs Stanford. Ze zijn gratis, online en beschikbaar vanuit waar dan ook. Ideaal! Maar… omdat je je studenten niet live ziet, heb je ook geen idee of ze op het punt staan een drop-out te worden. Op dit moment weten we dat pas aan het eind van een cursus. En da’s zonde, want als je een potentiële uitvaller al bij de eerste alarmbellen kunt helpen, hou je ze misschien wel binnenboord. Daar moet een algoritme ontwikkeld door Massachusetts Institute of Technology (MIT dus) bij gaan helpen.

Hoe werkt het?
Zonder al te veel wetenschappelijk geneuzel, komt het erop neer dat de wetenschappers van MIT een setje variabelen in kaart hebben gebracht die niet alleen kunnen voorspellen of iemand op het punt staat het bijltje erbij neer te leggen, maar die ook per cursus met elkaar vergeleken kunnen worden. Variabelen als ‘de tijd die een leerling aan een goedgemaakte huiswerkopdracht besteedt’ of ‘de tijd die een leerling besteedt aan het videomateriaal van een cursus’. Die variabelen hebben ze van drie opeenvolgende (dezelfde) lesprogramma’s met elkaar vergeleken om goede gemiddelden te krijgen en daar zetten ze – je raadt het al – de scores van individuen tegen af.

Voorbeeldje
MIT illustreert het met een voorbeeld. Stel dat een klas gemiddeld drie uur per week besteedt aan video’s kijken, maar een leerling kijkt er maar twee uur na, dan scoort die leerling een score van 0.67. En een leerling die er juist een uur langer dan gemiddeld naar kijkt, scoort een 1.33. Die scores matchen de wetenschappers vervolgens met leerlingen van eerdere cursussen, om daar patronen in te kunnen ontdekken. Waren er bij het eerste lesprogramma ook leerlingen die een 0.67 scoorden? En vielen die inderdaad bovengemiddeld vaak uit? Aan de hand van die resultaten voorspelden de knappe koppen de mate van uitval in het derde lesprogramma. Wat blijkt? De voorspellingen waren verdomde nauwkeurig.

De volgende stap is het matchen van de resultaten met individuele leerlingen. Dus in plaats van met klassengemiddelden te werken, te kijken naar een leerling die een jaartje hoger zit en die te matchen met iemand die exact (of zoveel mogelijk) dezelfde score heeft. Die voorspellingen zijn nog een tikkie nauwkeuriger, al scheelt het niet heel veel. De MIT-mannen zijn nog niet uitgerekend, maar het gaat op den duur in elk geval veel uitgetelde MOOC-studenten voorkomen.

Foto: Devin Stein
You may also like
Koud? Deze armband zorgt dat je weer warm wordt
Intrepid MIT
Beha slaat alarm bij aanranding met MIT’s Intrepid
Ivyrevel
Fashion meets data: H&M en Google maken de perfecte jurk met behulp van jouw data
Audi A4 met Traffic Light Information
Audi weet wanneer het verkeerslicht op groen springt

Leave a Reply