Lecturers’ Use and Perceptions of Machine Learning Informed Educational Interventions for the Early Identification of Learning Difficulties among Students with Intellectual Disabilities in Nigerian Universities

Technische Samenvatting: Gebruik en Percepties van Docenten met betrekking tot Machine Learning-geïnformeerde Educatieve Interventies voor de Vroege Identificatie van Leerproblemen bij Studenten met Intellectuele Beperkingen in Nigeriaanse Universiteiten

Probleemstelling
Ondanks de ratificatie van internationale kaders door Nigeria (VN-SDG's 4 en 10) en nationale beleidsmaatregelen die inclusief onderwijs bevorderen, blijft de implementatie van inclusieve praktijken in het hoger onderwijs gefragmenteerd. Specifiek berust de vroege identificatie van leerproblemen bij studenten met intellectuele beperkingen zwaar op handmatige, episodische en subjectieve beoordelingspraktijken. Deze conventionele methoden resulteren vaak in vertraagde interventies, marginalisering van de betrokken studenten en slechte onderwijsuitkomsten. Hoewel Kunstmatige Intelligentie (AI) en Machine Learning (ML) een transformerend potentieel bieden voor datagestuurde vroege screening, blijft hun toepassing in Nigeriaanse universiteiten grotendeels conceptueel. Er is een kritieke kloof in het begrip van hoe docenten ML-geïnformeerde benaderingen waarnemen en gebruiken als besluitvormingsondersteuning om de kloof tussen traditionele diagnostische kaders (DSM-5, ICD-11, AAIDD) en opkomende voorspellende analyses te overbruggen. Bovendien ontbreekt het de bestaande literatuur aan empirisch bewijs over de bereidheid van docenten om deze tools te adopteren voor vroege identificatie en het bevorderen van betrokkenheid in deze specifieke context.

Methodologie

• Onderzoeksontwerp: De studie maakte gebruik van een beschrijvend survey-onderzoeksontwerp. Cruciaal is dat de auteurs verduidelijken dat ML strikt werd gebruikt als een conceptueel en interpretatief kader, niet als een empirische computationele methodologie. Er werden geen ML-algoritmen ontwikkeld, getraind of getest; er werden geen datasets gepartitioneerd en geen prestatie-indicatoren (bijv. nauwkeurigheid, F1-score) berekend.
• Deelnemers: De populatie bestond uit 600 docenten van Faculteiten voor Onderwijs en Afdelingen voor Speciale Behoeften uit 12 geselecteerde federale en staatsuniversiteiten in de Zuid-Zuid geopolitieke zone van Nigeria. Deelnemers werden geselecteerd via accidentele (gemakkelijke) steekproef, waarbij ervaring met studenten met intellectuele beperkingen en bekendheid met onderwijstechnologie vereist was.
• Instrumentatie: Gegevens werden verzameld met behulp van de Machine Learning-Based Educational Interventions for Early Identification of Learning Difficulties Questionnaire (MLEIDQ). Het instrument bevatte 20 items op een 4-punts Likert-schaal die mat: (i) de mate van gebruik van ML-tools voor vroege identificatie, en (ii) de perceptie van de impact van ML-interventies op vroege detectie en academische betrokkenheid.
• Data-analyse: Beschrijvende statistiek (gemiddelde, standaarddeviatie) en inferentiële statistiek (onafhankelijke t-testen, meervoudige lineaire regressie) werden geanalyseerd met behulp van SPSS versie 26. De studie testte drie nulhypothesen met betrekking tot geslachtverschillen, verschillen in institutioneel type en de voorspellende kracht van ML-gebruik op academische betrokkenheid.

Belangrijkste Resultaten

1. Mate van Gebruik: Docenten rapporteerden een laag niveau van gebruik (Cluster Gemiddelde = 2,37, gecategoriseerd als "Laag Mate") met betrekking tot ML-geïnformeerde digitale tools. Specifieke gebieden van lage adoptie waren het toepassen van ML op individuele leerbehoeften (Gemiddelde = 1,29), curriculumintegratie (Gemiddelde = 1,58) en routinematig interventiegebruik (Gemiddelde = 1,83). Docenten rapporteerden echter een hogere betrokkenheid bij institutionele ondersteuning voor ML (Gemiddelde = 3,29) en het volgen van studentenprogressie (Gemiddelde = 3,16).
2. Perceptie van Effectiviteit: Ondanks het lage werkelijke gebruik, hadden docenten positieve percepties van ML-interventies (Cluster Gemiddelde = 3,02, gecategoriseerd als "Grote Mate"). Zij percipieerden ML als effectief in het verbeteren van de aandacht, motivatie, communicatie en taakvoltooiing van studenten. Ongeveer 70% van de perceptie-indicatoren overschreed het benchmarkgemiddelde van 3,0.
3. Voorspellende Analyse:
   • Hypothese 1 (Geslacht): Er werd geen significant verschil gevonden in ML-toolgebruik op basis van geslacht ($p > 0,05$). Geslacht was geen significante voorspeller van ML-gebruik in het regressiemodel ($\beta = -0,04, p = 0,398$).
   • Hypothese 2 (Institutioneel Type): Er werd geen significant verschil gevonden in de perceptie van ML-ondersteuning op basis van universiteitstype (Federaal vs. Staats) ($p > 0,05$). Institutioneel type was geen significante voorspeller van academische betrokkenheid ($\beta = 0,03, p = 0,450$).
   • Hypothese 3 (Voorspelling van Betrokkenheid): De nulhypothese werd verworpen. Het gebruik van ML-geïnformeerde interventies door docenten was de sterkste en enige significante voorspeller van academische betrokkenheid bij studenten met intellectuele beperkingen ($\beta = 0,60, p < ,001$). Het regressiemodel verklaarde 38% van de variantie in betrokkenheid ($R^2 = 0,38$).

Belangrijkste Bijdragen

• Conceptuele Verheldering: De studie biedt een gestructureerd conceptueel kader dat illustreert hoe ML kan functioneren als een besluitvormingsondersteuningsmechanisme voor vroege screening zonder de formele klinische diagnose (DSM-5/ICD-11) te vervangen. Het schetst de route van voorspellende indicatoren naar professionele verwijzing en geïndividualiseerde onderwijsplannen (IEP).
• Empirisch Bewijs van de "Perceptie-Gebruik Kloof": Het onderzoek benadrukt een significante discrepantie in het Nigeriaanse hoger onderwijs: terwijl docenten de potentiële waarde van ML voor inclusief onderwijs erkennen, wordt de praktische implementatie belemmerd door beperkte training, infrastructuur en technische competentie.
• Determinanten van Betrokkenheid: De studie stelt vast dat de praktijk van het gebruik van ML-tools een belangrijkere determinant is voor de academische betrokkenheid van studenten dan demografische factoren (geslacht, rang) of institutionele structuren (Federaal vs. Staat).

Betekenis en Claims
Het artikel claimt dat de bevindingen bijdragen aan de opkomende wetenschap over AI-gestuurd inclusief onderwijs door inzichten op basis van bewijs te bieden over de gereedheid van docenten in een ontwikkelingscontext. Het betoogt dat de adoptie van ML niet louter een technologische uitdaging is, maar een capaciteitsopbouw-imperatief. De studie concludeert dat voor ML effectief te kunnen ondersteunen bij de vroege identificatie van leerproblemen en het bevorderen van academische betrokkenheid, er een strategische focus moet liggen op:

1. Het versterken van de capaciteit van docenten door middel van AI-geletterdheid en training in data-analyse.
2. Het verbeteren van de digitale infrastructuur en institutionele ondersteuningssystemen.
3. Het ontwikkelen van ethische governance-kaders die ML-screening integreren met gevestigde diagnostische en interventiepaden.

De auteurs nemen een bescheiden houding aan door te erkennen dat hun bevindingen gebaseerd zijn op zelfgerapporteerde gegevens en gemakkelijke steekproeven, wat de generaliseerbaarheid beperkt. Zij benadrukken dat ML dient als een aanvullend hulpmiddel voor screening en verwijzing, en niet als vervanging voor professioneel klinisch oordeel, en pleiten voor toekomstig onderzoek met waarschijnlijkheidssteekproeven en longitudinale empirische evaluaties van werkelijke ML-systemen.