Om studenten met een hoog uitvalrisico vroegtijdig te kunnen identificeren, is het noodzakelijk om uitval te voorspellen. Met kunstmatige intelligentie kunnen steeds betere voorspellingen worden gemaakt. Zo gebruikt Irene Eegdeman, onderzoeker aan Hogeschool Windesheim, machine learning om patronen te herkennen in data over schooluitval. Het onderzoek van Eegdeman wijst uit dat vaak al in de eerste weken van het studiejaar duidelijk is welke studenten het meeste risico lopen om uit te vallen. Factoren die daarbij een belangrijke rol spelen zijn de behaalde cijfers in die periode, maar ook de eindexamencijfers van de vorige opleiding of de middelbare school.
Ook het studentnummer blijkt een goede voorspeller van het risico op studieuitval van eerstejaars mbo-studenten. Hoe lager het studentnummer, hoe minder snel de student afhaakt. Want: studenten die overtuigd zijn van hun studiekeuze, melden zich eerder aan en krijgen dus een lager studentnummer.
Lees meer op MBO today en in het overzichtsartikel van het NRO.
