Machine Learning-Based Prediction of Circular Economy Implementation Effectiveness in Education for Sustainable Development (ESD) Programs: Empirical Evidence from Indonesia

Stel je de wereld voor als een enorme, rommelige werkplaats waar we constant dingen bouwen, gebruiken en ze vervolgens weer weggooien. Lange tijd hebben we gewerkt als een eenrichtingsweg: grondstoffen nemen, producten maken en de restjes dumpen. Maar wetenschappers en pedagogen proberen dit nu te veranderen in een enorme, draaiende carrousel die een Circulaire Economie wordt genoemd. In plaats van afval wordt alles gerecycled, hergebruikt of omgevormd tot iets nieuws, waardoor de grondstoffen in een gelukkige cirkel blijven draaien in plaats van te verdwijnen op een stortplaats. Om dit te laten gebeuren, moeten we mensen leren om in lussen te denken. Hier komt Onderwijs voor Duurzame Ontwikkeling (ODW) kijken. Zie ODW als het schoolcurriculum dat onze hersenen traint om de wereld te zien als een verbonden systeem waarin niets verloren gaat. Maar hier zit de crux: alleen omdat een school zegt deze ideeën te onderwijzen, betekent dat niet dat het ook echt werkt. Hoe weten we of de "circulaire" lessen beklijven? Dat is de grote vraag. In plaats van leraren alleen maar te vragen: "Heb je een goed werk geleverd?", besloot een nieuwe studie een super-slimme digitale detective genaamd Machine Learning te gebruiken om achter het gordijn te kijken en te zien wat deze programma's echt doet slagen of falen.

---

De Digitale Detective en de Schoolloop

Een team onderzoekers uit Indonesië besloot een detective te spelen met een zeer specifieke puzzel: hoe goed implementeren scholen in Jakarta en Banten deze "circulaire economie"-ideeën eigenlijk? Ze gokten niet zomaar; ze verzamelden een enorm team van 505 mensen, inclusen leraren, studenten, schoolbestuurders en overheidsbeleidsmakers, om een enquête in te vullen. Ze wilden zien of de "circulaire" lessen daadwerkelijk effectief waren of dat het slechts modewoorden op een schoolbord waren.

Om dit op te lossen, bouwden ze een Machine Learning-model. Als je de gegevens uit de enquête voor je ziet als een enorme stapel puzzelstukjes, dan is traditionele wiskunde als het proberen te passen van de stukjes door er één voor één naar te kijken. Machine Learning is echter als een robot die de hele stapel in één keer kan bekijken en zo verborgen patronen en verbindingen vindt die het menselijk oog zou kunnen missen. De onderzoekers voerden hun puzzelstukjes aan drie verschillende soorten robot-detectives: een Decision Tree (die een reeks ja-of-nee-vragen stelt), een Random Forest (die lijkt op een heel bos aan bomen die over het antwoord stemmen), en een Support Vector Machine (die probeert de beste mogelijke lijn te trekken om "goede" programma's van "slechte" te scheiden).

Wat ze vonden: Het is een teaminspanning, geen solo-act

De resultaten waren een beetje verrassend. Ten eerste was de "effectiviteit" van deze programma's geen wilde achtbaan van hoogtes en dieptes. Meestal bevonden de programma's zich precies in het midden — matig. Het was geen ramp, maar het was ook geen perfecte utopie. De scores schommelden rond een middenweg, wat suggereert dat hoewel scholen hun best doen, ze de kunst van de circulaire lus nog niet helemaal beheersen.

Vervolgens vroegen de onderzoekers de robots: "Wat maakt het verschil?" Ze verwachtten misschien één grote factor, zoals het hebben van een hippe nieuwe computerkamer of een superstreng beleid, als de toverstaf. Maar de robots zeiden: "Nee, het is een teaminspanning."

De modellen ontdekten dat er geen enkele factor was die de dienst uitmaakte. In plaats daarvan werkten een heleboel zaken samen:

• Docentcompetentie: Hoe goed leraren deze concepten kunnen uitleggen.
• Institutionele ondersteuning: Of de schoolleiding het programma daadwerkelijk steunt.
• Curriculumintegratie: Hoe goed de circulaire ideeën in de eigenlijke lessen zijn verwerkt.
• Studentbetrokkenheid: Of de kinderen daadwerkelijk opletten en deelnemen.
• Beleidsafstemming: Of de overheidsregels overeenkomen met wat de school doet.
• Technologische ondersteuning: Het hebben van de juiste hulpmiddelen en technologie.

De studie suggereert dat als je alleen de technologie aanpast maar de leraren negeert, of als je geweldige leraren hebt maar geen schoolondersteuning, het programma niet goed zal werken. Het is als het proberen te bakken van een cake met alleen eieren en zonder bloem; je hebt al die ingrediënten nodig om een goed resultaat te krijgen.

Het oordeel van de Robot

Wat betreft het voorspellen van hoe goed een programma zou presteren, lieten de resultaten zien dat de verschillende robot-detectives op vrij vergelijkbare niveaus presteerden. Hoewel het Random Forest-model iets stabielere resultaten liet zien en een kleine voorsprong had in nauwkeurigheid (het voorspelde de effectiviteit ongeveer 85% van de tijd in tests), merkt het artikel op dat geen enkel model een duidelijk dominante prestatie heeft getoond over alle metrieken. De Decision Tree en de Support Vector Machine waren ook zeer capabel, wat suggereert dat de onderliggende data complex is en dat verschillende tools vergelijkbare inzichten kunnen bieden in plaats van één "ster-detective" die de zaak alleen oplost.

Interessant genoeg wezen de robots, wanneer ze keken naar welke factor de belangrijkste was, naar Docentcompetentie als de zwaargewichtkampioen, gevolgd door Institutionele ondersteuning en Curriculumintegratie. Dit suggereert dat het hebben van een vaardige docent die weet hoe hij deze complexe ideeën moet onderwijzen, iets crucialer is dan het hebben van het perfecte beleid of de nieuwste gadgets. Het verschil was echter niet enorm; alle factoren speelden een rol.

De essentie

Deze studie heeft geen magische knop gevonden die duurzaamheidsonderwijs onmiddellijk oplost. In plaats daarvan suggereert het dat het werkend krijgen van circulaire economieprogramma's een beetje is als het dirigeren van een orkest. Je hebt de docenten (de violisten), de schoolleiders (de dirigenten), het curriculum (de bladmuziek) en de studenten (het publiek) nodig die allemaal in sync spelen. Als één sectie vals speelt, lijdt het hele nummer eronder.

De onderzoekers gebruikten deze digitale tools om ons te laten zien dat we weliswaar vooruitgang boeken, maar dat er nog veel werk te doen is. De "matige" scores betekenen dat we op de goede weg zijn, maar dat we onze instrumenten moeten blijven stemmen. Door deze slimme computermodellen te gebruiken, kunnen onderwijzers en beleidsmakers nu precies zien waar ze hun energie op moeten richten — waarschijnlijk op het trainen van leraren en het ondersteunen van scholen — in plaats van te gissen. Het is een herinnering dat het redden van de planeet niet alleen over grote ideeën gaat; het gaat over de kleine, onderling verbonden details van hoe we onderwijzen en leren.