LMS-FAIR-India: A FAIR Compliant Synthetic LMS Interaction Dataset from a Private University for Privacy Preserving Learning Analytics

In de moderne klaslokaal vindt leren zelden in isolatie plaats. Het ontvouwt zich op digitale platforms waar studenten inloggen om colleges te bekijken, leesmateriaal te downloaden, opdrachten in te leveren en quizzen te maken. Elke klik, elke pauze en elke inzending laat een digitale voetafdruk achter, wat een enorme registratie creëert van hoe mensen leren. Onderzoekers noemen dit veld learning analytics, en zij geloven dat ze door deze patronen te bestuderen kunnen begrijpen wat studenten helpt te slagen en wat hen een risico brengt. Er staat echter een aanzienlijke barrière in de weg van deze vooruitgang. De gegevens die deze patronen zouden onthullen, bevatten diep persoonlijke informatie over echte studenten. Wetten die ontworpen zijn om de privacy te beschermen, zoals die in India en Europa, maken het illegaal om deze ruwe gegevens openlijk te delen. Dit creëert een moeilijke situatie: wetenschappers willen de gegevens bestuderen om het onderwijs te verbeteren, maar ze kunnen de gegevens niet aanraken zonder de privacy van de individuen die zij beschrijven te schenden.

Om dit dilemma op te lossen, heeft een onderzoeker genaamd Sanjay Agal van Parul University een nieuw soort hulpbron gecreëerd. In plaats van echte studentengegevens te delen, wat een schending van vertrouwen en de wet zou zijn, heeft het team een volledig kunstmatige dataset gegenereerd die het gedrag van echte studenten nabootst. Deze collectie, genaamd LMS-FAIR-India, is een enorme bibliotheek van verzonnen interacties die er precies hetzelfde uitzien en aanvoelen als de werkelijkheid, maar geen echte mensen bevatten. Het stelt onderzoekers in staat om hun ideeën te testen en betere educatieve tools te bouwen zonder ooit de naam of het cijfer van een echte student te hoeven zien. Het werk demonstreert dat het mogelijk is om de wetenschap van het leren te bevorderen terwijl de privacyrechten strikt worden geëerbiedigd.

De kern van dit project is een synthetische dataset, wat in essentie een door de computer gegenereerde simulatie van een universitair semester is. De onderzoekers bouwden een model van een typische particuliere universiteit in India, compleet met tienduizend virtuele studenten, honderdvijftig cursussen en een academisch semester van zes maanden. Ze hebben geen echte studentengegevens gebruikt om dit model te creëren. In plaats daarvan vertrouwden ze op publieke regels over hoe Indiase universiteiten functioneren, algemene statistieken over hoe studenten zich doorgaans online gedragen, en advies van docenten om ervoor te zorgen dat de simulatie authentiek aanvoelde. Het resultaat is een verzameling gegevens die demografische details, cursusinformatie en meer dan 1,7 miljoen geregistreerde gebeurtenissen bevat, zoals logins, het bekijken van video's en quizpogingen. Elk stukje informatie in deze dataset werd gecreëerd door een computerprogramma dat statistische regels volgde, wat betekent dat er nul risico is op identificatie van een echt persoon, omdat er nooit een echt persoon bij betrokken was.

De dataset is gestructureerd om de complexiteit van een echte leeromgeving te weerspiegelen. Het somt niet alleen willekeurige gebeurtenissen op; het verbindt ze logisch. Zo laat de data bijvoorbeeld zien welke studenten ingeschreven staan voor welke cursussen, hoe lang ze op het platform hebben doorgebracht en welke scores ze hebben behaald voor hun opdrachten. De onderzoekers hebben ervoor gezorgd dat de patronen in deze kunstmatige data overeenkomen met wat in het echte leven wordt gezien. In de simulatie hadden studenten met een sterkere academische achtergrond vóór de start van het semester de neiging om actiever te zijn op het platform, een patroon dat de werkelijkheid weerspiegelt. De data legt ook het ritme van het studentenleven vast, waarbij de activiteit piekt tijdens het midden van de dag op werkdagen en aanzienlijk daalt in het weekend. Door deze natuurlijke gedragingen te reproduceren, biedt de dataset een realistisch testveld voor onderzoekers die tools willen ontwikkelen om te voorspellen welke studenten moeite kunnen hebben of om betere manieren te ontwerpen om leerders te betrekken.

Een van de belangrijkste aspecten van dit werk is hoe het omgaat met de kwestie van privacy. In het verleden probeerden onderzoekers soms echte gegevens te beschermen door namen te verwijderen of specifieke details te verbergen, een proces dat anonimisering wordt genoemd. Experts hebben echter aangetoond dat zelfs geanonimiseerde gegevens soms herleid kunnen worden naar individuen als ze gecombineerd worden met andere informatie. Deze nieuwe aanpak vermijdt dat risico volledig. Omdat de gegevens vanaf nul zijn gegenereerd met behulp van willekeurige distributies en statistische modellen, is het onmogelijk om enig record terug te leiden naar een echte student. De onderzoekers testten dit door te proberen een computer te misleiden om te denken dat een verzonnen student echt was, en de computer slaagde er niet in een enkele connectie te vinden. Deze "privacy by design"-methode betekent dat de gegevens vrij gedeeld kunnen worden met iedereen in de wereld, waardoor open samenwerking mogelijk is zonder de angst voor juridische of ethische schendingen.

Om de gegevens bruikbaar te maken voor de wereldwijde wetenschappelijke gemeenschap, volgden de onderzoekers een reeks principes bekend als FAIR, wat staat voor Findable (Vindbaar), Accessible (Toegankelijk), Interoperable (Interoperabel) en Reusable (Herbruikbaar). De dataset wordt gehost in een publiek online archief met een permanent digitaal adres, zodat deze gemakkelijk gevonden en geciteerd kan worden. Het is gratis beschikbaar onder een licentie die iedereen toestaat de gegevens te gebruiken, te wijzigen en te delen, mits men de makers vermeldt. De gegevens zijn georganiseerd in duidelijke, standaard bestanden die door bijna elk computerprogramma kunnen worden geopend, en het wordt geleverd met een gedetailleerde gids die precies uitlegt wat elke kolom en elk getal betekent. Bovendien hebben de onderzoekers de computercode die werd gebruikt om de gegevens te creëren, publiekelijk beschikbaar gemaakt. Deze transparantie stelt andere wetenschappers in staat om de resultaten te verifiëren, de simulatie aan te passen aan hun eigen universiteiten, of nieuwe datasets te genereren die zijn afgestemd op verschillende educatieve contexten.

De waarde van deze dataset werd bewezen door een reeks tests die bedoeld waren om te zien of het echte research kon ondersteunen. De onderzoekers gebruikten de kunstmatige data om computermodellen te trainen om studentbetrokkenheid te voorspellen en om studenten te identificeren die mogelijk hun cursussen voortijdig verlaten. De modellen presteerden op deze nepdata net zo goed als soortgelijke modellen in eerdere studies op echte data hebben gepresteerd. Bijvoorbeeld, toen de onderzoekers probeerden te voorspellen welke studenten hun cursussen zouden afronden, identificeerde het systeem studenten met een verhoogd risico met een hoge mate van nauwkeurigheid. Ze bevestigden ook dat de relatie tussen hoe vaak een student inlogt en de uiteindelijke cijfers behouden bleef in de simulatie, wat overeenkomt met de bevindingen uit real-world studies. Deze resultaten suggereren dat de synthetische data een betrouwbare vervanging is voor echte data bij het ontwikkelen en testen van nieuwe educatieve technologieën.

Dit werk adresseert een kritieke kloof in het veld van learning analytics, met name voor de context van het hoger onderwijs in India. Hoewel er enkele publieke datasets zijn uit westerse landen, weerspiegelen deze vaak andere onderwijssystemen en culturele contexten. De LMS-FAIR-India dataset vult dit gat door een grootschalige, realistische simulatie van een Indiase particuliere universiteit te bieden. Het biedt een unieke kans voor onderzoekers om te bestuderen hoe studenten in deze specifieke omgeving leren en met technologie interageren. Door een hulpmiddel te bieden dat zowel privacy-veilig als wetenschappelijk robuust is, maakt het project een nieuwe golf van innovatie in het onderwijs mogelijk. Het stelt wetenschappers in staat om moeilijke vragen te stellen over het succes van studenten en antwoorden te vinden zonder de waardigheid of veiligheid van de individuen die zij bestuderen in gevaar te brengen.

De implicaties van dit werk reiken verder dan slechts één dataset. Het demonstreert een praktisch pad voorwaarts voor het gehele veld van educatief onderzoek. Door aan te tonen dat hoogwaardige, privacy-beschermende gegevens openlijk gegenereerd en gedeeld kunnen worden, hebben de onderzoekers een grote hindernis weggenomen die de vooruitgang jarenlang heeft vertraagd. Andere instellingen kunnen nu dezelfde methoden gebruiken om hun eigen synthetische datasets te creëren, afgestemd op hun specifieke behoeften, zonder complexe juridische hindernissen te hoeven navigeren. Deze aanpak bevordert een cultuur van openheid en samenwerking, waarbij de focus blijft liggen op het verbeteren van leerresultaten voor alle studenten. De dataset staat als een testament voor het idee dat het beschermen van privacy en het bevorderen van wetenschap geen tegenovergestelde doelen zijn, maar eerder complementaire ambities die samen kunnen worden bereikt door zorgvuldig en creatief ontwerp.