Open Universiteit

Please use this identifier to cite or link to this item: http://hdl.handle.net/1820/9157
Title: Verkennen en transformeren van draadloze netwerkdata in het hoger onderwijs
Other Titles: Aanwezigheidspatronen voor lesroostering
Authors: Penterman, Lisette
Issue Date: 29-Jun-2017
Publisher: Open Universiteit Nederland
Abstract: De aanwezigheid van studenten in de klas bij lessen en bij zelfwerkzaamheid is een van de factoren voor studiesucces. Aanwezigheid is geen garantie voor studiesucces, maar afwezigheid van studenten zorgt voor slechte studieresultaten. Vroege opsporing van afwijkingen in aanwezigheidspatronen van studenten in vergelijking met het lesrooster kan mogelijk het gedrag van studenten beïnvloeden. Studenten in het Hoger Onderwijs zijn meestal niet verplicht om aanwezig te zijn in de lessen. Daarom vormen draadloze netwerkdata een bron van objectieve informatie over de aanwezigheid van studenten. In dit onderzoek gebruiken wij deze data om clusters van studenten te ontdekken die aanwezig zijn tijdens de ingeroosterde lesuren en clusters die afwijken van het rooster. Clusters zijn groepen studenten met bijna hetzelfde aanwezigheidspatroon.Wij hebben in dit onderzoek ontdekt dat de structuur van een aanwezigheidspatroon voor een deel overeenkomt met de structuur van een lesrooster. Wij stellen een proces ter ondersteuning van lesroostering voor waarbij gebruik gemaakt wordt van draadloze netwerkdata. De aanwezigheidspatronen, die met dit proces zijn gevonden, zijn mogelijk te gebruiken als soft constraints (wensen) voor het lesrooster. Hiervoor kan een verzameling van de volgende methodes gebruikt worden om aanwezigheidspatronen te vinden: pseudonimisering, methodes voor datareductie, filteren, integreren, aggregeren en normaliseren van data voor verkrijgen van attributen, K-means voor clustering, validiteitsmethodes, visuele inspectie van clusters en transformatie van aanwezigheidspatronen naar soft constraints voor lesroostering.We hebben in de eerste case study van een lesweek de volgende 9 clusters gevonden: een ideale cluster met veel aanwezigheid en drie clusters met weinig aanwezigheid; bij drie clusters is er een voorkeur voor een 3-dagen-klas en bij twee clusters een voorkeur voor een 4-dagen-klas. Deze case study is herhaald voor twee andere lesweken. Wij hebben gevonden dat bij een bijna gelijk lesrooster de voorkeuren ook bijna gelijk zijn. We hebben ontdekt dat de verschillende aanwezigheidspatronen afhankelijk zijn van studieroute en studielocatie. De meeste patronen zijn niet te verklaren met het lesrooster. De aanwezigheid in de ochtend is beter dan de aanwezigheid in de middag, zodat er waarschijnlijk geen voorkeur is voor middagklassen.Analyse van de clusters kunnen wij gebruiken om studenten persoonlijk advies te geven. Een andere mogelijkheid is om kritischer naar de lesroosters te kijken. Als deze verbeterd worden,dan kan dit mogelijk zorgen voor een betere aanwezigheid van studenten. Het proces ter ondersteuning van lesroostering waarbij gebruik gemaakt wordt van draadloze netwerkdata is complex en tijdrovend. Vervolgonderzoek kan onder andere gericht worden op vereenvoudigen van het proces. De validiteit kan verbeterd worden door het verrijken van het proces met data uit enquêtes en/of interviews.
URI: http://hdl.handle.net/1820/9157
Appears in Collections:MSc Computer Science

Files in This Item:
File Description SizeFormat 
2017-l.penterman-scriptie.pdf5.78 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons