Analytics-dashboards voor academische advisering: op weg naar kunstmatige intelligentie voor studentensucces

Academische advisering is een groeiende beroepspraktijk met een zich ontwikkelend wetenschappelijk veld binnen het Hoger Onderwijs. Academisch advies verwijst naar "de opzettelijke interacties tussen vertegenwoordigers van instellingen voor hoger onderwijs (adviseurs) en studenten (adviseurs), en de manieren waarop adviseurs studenten begeleiden en ondersteunen bij kwesties die verband houden met de persoonlijke groei van de student, academische studies, carrière, en toekomstige ambities” (Chan et al., 2019, p. 59). Het kan gecentraliseerd worden aangeboden (professionele adviseurs in een centrale eenheid), decentraal (facultaire adviseurs) of gedeeld (een combinatie van professionele en facultaire adviseurs) (He & Hutson, 2016).

Analytics-dashboards (ook wel learning analytics-dashboards genoemd) zijn te vinden binnen het domein van Learning Analytics, dat gaat over "het verzamelen van sporen die leerlingen achterlaten en het gebruiken van die sporen om het leren te verbeteren" (Erik Duval in De Laet et al., 2020, p. 1004). Analytics-dashboards in academische advisering gaan over een visuele weergave van deze educatieve sporen "vaak aangevuld met uitkomsten van educatieve datamining of voorspellende analyses" met als doel het identificeren van risicostudenten en recentelijk ook om "adviserende dialogen te ondersteunen" (De Laet et al. , 2020, blz. 1004). De wetenschap op dit gebied komt vaak uit meer technische disciplines zoals informatica of mens-computerinteractie, aangezien de ontwikkeling en het begrip van de voorspellende algoritmen voor machine learning die vaak worden gebruikt om academische adviesdashboards te creëren, de oorsprong van studie in die disciplines situeert. De focus ligt meestal op de evaluatie van deze systemen vanuit een gebruikersontwerp of technisch perspectief.

Op weg is essentieel in deze studie omdat het onderzoek naar het gebruik van academische advisering analytics dashboards (AAAD) een organisch onderdeel vormt van een continuüm van technologiegebruik in academische advisering. Het spectrum varieert van het gebruik van meer algemene communicatietechnologieën tot het gebruik van opkomende kunstmatige intelligentie-geïnformeerde voorspellende adviessystemen, of zelfs autonome EduBots (educatieve chatbots) die mogelijk menselijke adviseurs aan het uiteinde van het spectrum zouden kunnen helpen of zelfs vervangen. De gemengde methodologie (QUAL + quan[1]) aard van de studie creëert een kader voor het bestuderen van de huidige en toekomstige academische adviestechnologieën en de rol die ze spelen in het academische adviesproces. "Towards" wordt heel voorzichtig gebruikt en ik wil er vanaf het begin op wijzen dat er geen inherent techno-utopisme in mijn denken zit. Het is eerder een indicatie van een bewustzijn van de bredere druk en technologische ontwikkelingen en marktgedreven utopieën rond met name kunstmatige intelligentie (denk bijvoorbeeld aan de hype rond de zogenaamde Vierde Industriële Revolutie (4IR) - zie Fataar 2020) in bijna alle industrieën in het algemeen en academische advisering binnen het Hoger Onderwijs in het bijzonder (hoe klein en verborgen het ook lijkt).

Kunstmatige intelligentie, "theorieën en technieken die zijn ontwikkeld om computersystemen in staat te stellen taken uit te voeren die normaal gesproken menselijke of biologische intelligentie vereisen" (Torres Torres et al., 2019, p. 5), wordt opzettelijk gebruikt omdat het wijst op de huidige (en vrijwel zeker toekomstige ) groei van academische adviessystemen. De systemen, zoals AAAD's, zijn vaak afhankelijk van machine learning-algoritmen en hebben zich ontwikkeld van het produceren van beschrijvende analyses tot het leveren van voorspellende analyses. De grotere AI-ontwikkelingen op het gebied van predictive analytics-dashboards zijn ook te zien in de experimentele AAAD-ruimte, met een focus op verklaarbare kunstmatige intelligentie (zogenaamde XAI)-systemen om te proberen meer menselijk vertrouwen op te bouwen in de voorspellingen van AI-systemen (Bodria et al., 2021), of zelfs EduBots als (assistent) academische adviseurs die zijn gebaseerd op recente ontwikkelingen in chatbots die AI-technologie gebruiken, zoals modellen voor het begrijpen van natuurlijke taal in het proces van dialoog met mensen (Khare et al., 2018).

Voor studentensucces is belangrijk omdat het de hele studie bouwt rond het centrale punt om te begrijpen welke rol academisch advies, analysedashboards en opkomende kunstmatige-intelligentiesystemen spelen bij het verbeteren van het succes van meer (en hopelijk mogelijk alle) studenten in het hoger onderwijs. Het concept van studentensucces is afgeleid van het idee van academisch bloeien, dat studentensucces beschouwt als "de mate waarin studenten leerresultaten behalen, cijfers halen en erin slagen om tegelijkertijd de andere levensdomeinen in evenwicht te brengen tijdens hun tijd op de universiteit, bijv. studentenarbeid, welzijn en gezondheid” (Dekker, 2022, p. 7-8). Deze focus brengt ons onderzoek terug naar de ruimte voor hoger onderwijs.