Een artificiële neurale netwerkanalyse van academische prestaties in het hoger onderwijs

Door een sterker begrip te ontwikkelen van factoren die academische prestaties beïnvloeden, kan van de kwaliteit van het hoger onderwijs verbeterd worden. Hiervoor wordt doorgaans gebruik gemaakt traditionele statistische technieken, waarbij onderwijsonderzoekers mogelijk de complexe relatie tussen academische prestaties en de voorspellers ervan negeren. Het opkomende gebied van onderwijskundige datamining (EDM) heeft aangetoond dat artificiële neurale netwerken een krachtig hulpmiddel zijn om tegemoet te komen aan de beperkingen van traditionele technieken, vooral wanneer grote hoeveelheden gegevens worden geanalyseerd. Vanwege een algemeen gebrek aan kennis blijven deze artificiële neurale netwerken echter onbekend bij onderwijsonderzoekers. Dit proefschrift heeft als doel om het gebruik van artificiële neurale netwerken uit te breiden om academische prestaties in het hoger onderwijs te analyseren, zowel op conceptueel als op methodologisch vlak.

Dit proefschrift bestaat uit een inleiding, gevolgd door een systematisch literatuuronderzoek, drie empirische studies, waarna een algemene discussie volgt. Hoofdstuk 2 omvat een mixed method systematische review studie die inzicht biedt in de relatie tussen SES en academische prestaties in het hoger onderwijs. Vervolgens kaderen drie empirische studies het gebruik van artificiële neurale netwerken door academische prestaties in het hoger onderwijs te classificeren, voorspellen en clusteren. Om dit te doen, wordt een unieke dataset geanalyseerd die afkomstig is uit de Colombiaanse onderwijsomgeving en is aangeleverd door het Colombiaanse Instituut voor Educatieve Evaluatie. Deze dataset bevat informatie van een cohort van 162.030 Colombiaanse studenten over academische prestaties in het hoger onderwijs, socio-economische status, eerdere academische prestaties, kenmerken van de middelbare school en hun werkstatus.

In hoofdstuk 3 werden systematisch multilayer perceptron (MLP's) ontworpen om academische prestaties in het hoger onderwijs te classificeren. De bevindingen toonden aan dat het mogelijk is om academische prestaties nauwkeurig te classificeren als hoog of laag, om de kwaliteit van de classificatie te beoordelen door middel van verschillende kwaliteitsmaatregelen en om de voorspellende bijdrage van de onderzochte voorspellers vast te stellen. In hoofdstuk 4 maken radial basis function neurale netwerken (RBFNN's) het mogelijk om academische prestaties op een nauwkeurige en interpreteerbare manier te voorspellen. Met name werd vastgesteld dat eerdere academische prestaties sterk gerelateerd zijn aan academische prestaties in het hoger onderwijs, ongeacht de invloed van SES op eerdere academische prestaties. In hoofdstuk 5 worden self-organizing maps (SOM's) gebruikt om studenten te clusteren op basis van de onderzochte voorspellers. Uit de analyse kwamen interessante patronen voort uit eerdere academische resultaten, SES en academische prestaties. Verder werden drie statistisch verschillende groepen studenten geïdentificeerd. Het laatste hoofdstuk van dit proefschrift vat de belangrijkste bevindingen van dit onderzoek samen, beschrijft de belangrijkste bijdragen aan het gebied van de pedagogische wetenschappen en schetst ideeën voor het toekomstig gebruik van artificiële neurale netwerken in onderwijskundig onderzoek.