In het moderne klaslokaal vindt een stille revolutie plaats, gedreven niet door nieuwe tekstboeken of onderwijsmethoden, maar door de onzichtbare brom van data. Scholen worden steeds meer "slimme" omgevingen, gevuld met apparaten die de dagelijkse ritmes van het leren kunnen zien, horen en registreren. Dit zijn de instrumenten van het Internet of Things, een netwerk van verbonden objecten die informatie verzamelen over de wereld om hen heen. In een school kan dit betekenen dat een sensor bijhoudt wanneer een leerling een kamer binnenkomt, een draagbaar apparaat dat betrokkenheid monitort, of een digitaal systeem dat registreert elke keer dat een leerling op een link klikt in een online les. Naast deze sensoren staat de kracht van machine learning, een tak van de informatica waarbij software leert patronen te vinden in enorme hoeveelheden informatie zonder expliciet te worden verteld waarnaar het moet zoeken. Jarenlang hebben docenten vertrouwd op toetsresultaten en aanwezigheidslijsten om te gissen hoe het met een leerling gaat, maar deze gegevens zijn vaak slechts een momentopname uit het verleden. De vraag nu is of we deze vloedgolf aan realtime data kunnen gebruiken om de leerreis van een leerling te begrijpen terwijl deze plaatsvindt, en zo ja, of we de computer kunnen vertrouwen om ons te vertellen wat hij ziet.

Deepali Sharma, een onderzoeker aan de Graphic Era Deemed to be University in India, heeft een nieuwe manier voorgesteld om deze vraag te beantwoorden. Haar werk richt zich op middelbare scholieren, een cruciale tijd waarin leergewoonten worden gevormd, en zij stelt een raamwerk voor dat de data uit slimme klaslokalen combineert met geavanceerde computeralgoritmen om academische prestaties te voorspellen. Het kernidee is eenvoudig maar diepgaand: in plaats van te wachten tot een leerling een toets maakt en faalt, observeert het systeem hun dagelijkse gedrag—hoe vaak ze deelnemen, hoe ze interageren met digitale hulpmiddelen, en zelfs de temperatuur en het geluidsniveau in hun klaslokaal—om hun toekomstige succes te voorspellen. Er is echter een aanzienlijke hindernis. De krachtigste computermodellen die deze voorspellingen kunnen doen, werken vaak als een 'black box'; ze produceren een antwoord, maar niemand weet hoe ze tot dat antwoord zijn gekomen. Docenten kunnen een systeem dat ze niet begrijpen niet vertrouwen, vooral wanneer dat systeem suggereert dat een leerling extra hulp nodig heeft. Sharma's onderzoek pakt dit aan door een derde element in te weven: explainable artificial intelligence (uitlegbare kunstmatige intelligentie). Dit is een reeks technieken die ontworpen zijn om de black box te openen, waardoor de computer wordt gedwongen zijn werk te tonen en precies uit te leggen welke factoren tot zijn voorspelling hebben geleid.

Het raamwerk dat Sharma beschrijft, begint met de verzameling van een rijk tapijt aan data. Stel je een klaslokaal voor waar elke leerling verbonden is met een digitaal ecosysteem. RFID-systemen volgen de aanwezigheid op het moment dat een leerling binnenkomt, terwijl draagbare apparaten en omgevingssensoren de fysieke omstandigheden van de ruimte monitoren, zoals licht en geluid. Tegelijkertijd registreren learning management systemen elke ingeleverde opdracht, elke gemaakte quiz en elke minuut die op een digitaal platform wordt doorgebracht. Al deze informatie stroomt naar een centrale database, wat een gedetailleerd beeld creëert van het schoolleven van een leerling dat veel verder gaat dan een eindcijfer. Voordat de computer hiervan kan leren, moet de data worden schoongemaakt en georganiseerd, waarbij fouten worden verwijderd en hiaten worden opgevuld zodat de patronen duidelijk zijn. De onderzoekers selecteren vervolgens de belangrijkste puzzelstukjes, zoals aanwezigheidspercentages, hoe vaak huiswerk wordt voltooid, en hoe frequent een leerling interactie heeft met het online leersysteem. Deze specifieke details worden de ingrediënten voor de machine learning-modellen.

Om deze complexe data betekenis te geven, maakt de studie gebruik van twee krachtige soorten computeralgoritmen die bekend staan als ensemble-methoden. De ene wordt Random Forest genoemd, die werkt door veel verschillende beslissingsbomen te bouwen en hen te laten stemmen over de uitkomst, vergelijkbaar met een groep experts die een zaak bespreken om tot een consensus te komen. De andere is XGBoost, een methode die een model stap voor stap opbouwt en voortdurend zijn eigen fouten corrigeert om met elke iteratie nauwkeuriger te worden. Beide methoden zijn gekozen omdat ze uitzonderlijk goed zijn in het afhandelen van rommelige, echte data en minder snel worden misleid door willekeurige ruis. Wanneer deze getraind zijn op de verzamelde onderwijsdata, kunnen deze modellen met hoge nauwkeurigheid voorspellen of een leerling waarschijnlijk moeite zal hebben of zal slagen. Maar de voorspelling is slechts de helft van de strijd. Als een docent te horen krijgt dat een leerling "risico loopt", moet hij weten waarom. Is het omdat de leerling te veel lessen heeft gemist? Is het omdat ze gestopt zijn met het inloggen op het huiswerksysteem? Of is het omdat het te luidruchtig was in het klaslokaal?

Dit is waar de explainable artificial intelligence in beeld komt, optredend als de vertaler tussen de complexe computer en de menselijke docent. Het raamwerk gebruikt twee specifieke tools, SHAP en LIME, om de lagen van de voorspelling af te pellen. SHAP kijkt naar het grote plaatje en laat zien welke factoren over het algemeen het belangrijkst zijn voor alle leerlingen, terwijl LIME inzoomt op een individuele leerling om uit te leggen waarom dat specifieke kind een bepaalde voorspelling kreeg. Als het systeem een leerling signaleert die hulp nodig heeft, kan het nu de specifieke kenmerken identificeren die aan die uitkomst hebben bijgedragen, zoals een daling in het voltooien van opdrachten of een gebrek aan recente systeemlogins. Deze transparantie is cruciaal. Het transformeert de computer van een mysterieuze orakel naar een behulpzame assistent die bewijsgestuurde redenen biedt. De docent kan vervolgens kijken naar de uitleg, deze verifiëren aan de hand van de eigen observaties en een gepersonaliseerde interventie ontwerpen die het specifieke probleem aanpakt, in plaats van te gissen wat er mis zou kunnen zijn.

Het onderzoek suggereert dat door de combinatie van deze drie pijlers—realtime data van het Internet of Things, de voorspellende kracht van ensemble machine learning en de helderheid van explainable AI—scholen kunnen overgaan van reactief naar proactief onderwijs. Het verwachte resultaat is een systeem dat leerlingen die moeite hebben eerder identificeert dan ooit tevoren, niet door te wachten op een slecht cijfer, maar door subtiele verschuivingen in gedrag op te merken die eraan voorafgaan. Het belooft docenten een duidelijk zicht te geven op de factoren die hun leerlingen beïnvloeden, waardoor ze hun ondersteuning kunnen afstemmen op de individuele behoeften van elk kind. Hoewel de studie momenteel een voorgesteld raamwerk is en nog niet is getest in een live klaslokaal met echte leerlingen, is de logica solide en het potentieel aanzienlijk. Het biedt een pad naar een toekomst waarin technologie de docent niet vervangt, maar deze juist in staat stelt met een dieper, directer begrip van het leerproces, om ervoor te zorgen dat geen enkele leerling ongemerkt door de mazen van het net valt.