Kun je op dag één van een studiejaar al voorspellen wie van de eerstejaars over vier of vijf jaar met een diploma buiten staan? En wie binnen twee jaar zullen uitvallen? Met de statistieken in je hand kun je een globale voorspelling doen over gemiddelden. Maar een school zelf kan ook al relatief snel een accurate voorspelling doen over de slagingskans van individuele studenten. En de studieresultaten zijn dan niet eens de doorslaggevende indicatoren.

In 2016 behaalden in Nederland 73.964 HBO-studenten hun diploma. Dat is ongeveer de helft van de studenten die vijf jaar eerder begonnen. Het percentage ‘studiesucces’ schommelt de laatste jaren rond de 50. Wel is het percentage flink lager dan een jaar of 10 geleden: van 58,4% bij het instroomjaar 2001 is het gedaald naar 49,6% bij instroomjaar 2012. Verder blijkt ruim 15 procent van het totale aantal studenten in het eerste jaar uit te vallen. Dat zijn de algemene gegevens, gerekend over het hele Nederlandse HBO. Per school kunnen die cijfers heel anders liggen.

Statistiek en maatschappelijke factoren

Als je wat dieper inzoomt op de data, dan zie je dat er een aantal opvallende uitvalfactoren zijn.  Mannen vallen bijvoorbeeld vaker uit dan vrouwen, studenten die doorstromen vanuit vwo naar hbo vallen minder vaak uit dan vanuit andere vooropleidingen. Verder blijkt dat de postcode van thuis een indicator is voor de uitvalkans: in sommige straten en wijken zijn de demografische en sociale omstandigheden minder gunstig voor studiesucces. Ook de reisduur speelt een rol: hoe langer je moet reizen van huis naar school, des te groter de uitvalkans. Zelfs het leenstelsel blijkt een factor te zijn, omdat daardoor minder eerstejaars op kamers gaan wonen. Dat leidt tot minder binding met opleiding en medestudenten en tot een verlaagde slagingskans. Voeg je de actuele aan- en afwezigheidscijfers en resultaten toe, dan wordt de voorspellende waarde steeds accurater.

Dat zijn de statistische en maatschappelijke factoren. Veel specifieker zijn de indicatoren op de school zelf. Wat is het verzuimcijfer van die student, neemt dat toe? Hoe vaak logt hij of zij in op de digitale leeromgeving? Onderwijsinstellingen beschikken over een enorme hoeveelheid digitale  gegevens: uit de onderwijsadministratie, digitale leeromgeving, van toegangs- en betaalpasjes, browsegegevens, gegevens van sensoren en wifiverbindingen. Als je alles bij elkaar voegt tot een logisch en bruikbaar geheel, heb je een redelijk compleet profiel van een student. Dat profiel geeft een goed beeld van de slagingskans van de betreffende student.

Versla je eigen voorspellingen

De slagingskans vroegtijdig en redelijk accuraat voorspellen is met alle beschikbare data en geavanceerde technologie als machine learning steeds beter mogelijk. De grote vraag is dan natuurlijk: wat doe je ermee? Het gevaar is dat de voorspellingen vooral selffulfilling profecies zijn: dat je je neerlegt bij iemand met meer verzuim omdat dat nu eenmaal past in het profiel. Je moet je juist richten op de omstandigheden waar je als onderwijsorganisatie wel invloed op kunt uitoefenen. Geef de studenten de tools om de statistische tegenwind om te buigen. Maak gebruik van de profielen en uitval statistieken om heel gericht en positief te ondersteunen. Doe voorspellingen vooral om je eigen voorspellingen onderuit te halen!

Mark Wegman, Key accountmanager bij Winvision