Jeroen Donkers, Universiteit Maastricht, O&O Profanalytics.blogspot.nl
4 x per jaar, 8000 studenten geneeskunde in 5 instellingen tegelijkertijd 200 MCQ vragen (met vraagteken) over de hele stof Relatieve normering
Relatie tussen het gebruik van ProF en de voortgangstoets-resultaten 1.Bepalen wat te meten 2.Aanpassen van het ProF systeem om te meten 3.Verzamelen van data 4.Analyse en datamining 5.Vertaling van de resultaten Vervolg: longitudinale effecten, visualisatie
Multidisciplinair team: ◦ Jeroen Donkers - kennistechnoloog ◦ Arno Muijtjens – statisticus / psychometrist ◦ Robert Peperkamp - ontwikkelaar ◦ Jean van Berlo - kennistechnoloog ◦ Danielle Verstegen – onderwijskundige ◦ Guido Tans – studieadviseur ◦ Case Builders BV - ontwikkelaars
Brainstormsessie ◦ Hoeveel wordt prof eigenlijk gebruikt? ◦ Welke vormen van gebruik zien we? ◦ Relatie studieresultaten en gebruik van ProF zowel in frequentie als aard?
Gebruiksdata verzameld via webanalytics tool Piwik in periode mei-juni De gebruiksdata is gekoppeld met de uitslagen van de voortgangstoets van mei
Preprocessing en formatting (Perl) Exploratieve analyse met behulp van RapidMiner, Kmine (data mining) ProM 6.1 (process mining) Projet R Logboek
Lengte van sessies Kijken naar detailscore
De gang door het ProF systeem is een proces. mbv ProM6.1 en Fuzzy Mining abstraheren:
Gemiddeld gebruik 14.7% Interventie jaar 1 UM helpt Veel studenten kijken alleen naar 1 e pagina Goede studenten gebruiken ProF vaker - studenten met onvoldoende langer Onvoldoende gebruik van analysemogelijkheden van ProF -> Adviezen aan de WIV
Piwik is een handige tool gebleken Privacybescherming is nog een issue Interactieve datamining tools niet altijd even handig -> R (of Matlab, Java, C, Python…) We kunnen nog een hele tijd door met analyse van deze data, we gaan ook door met data verzamelen Nadenken over terugkoppeling naar studenten en stafleden Uitbreiden Learning analytics: andere domeinen