Ga naar de inhoud

Data & AI voor het hoger onderwijs

Een hogeschool of universiteit verzamelt veel gegevens, maar zelden op één plek.

Aanmeldingen, inschrijvingen, studieresultaten, roosters, zaalgebruik, onderzoeksdata en de financiële administratie staan in verschillende systemen, per faculteit of academie soms weer anders ingericht. Wie een vraag heeft over een opleiding, begint daardoor met zoeken en samenvoegen. Data en AI brengen die bronnen samen, zodat opleidingsmanagers, roostermakers en onderzoekers met dezelfde cijfers werken.

Uitdagingen,

Hogescholen en universiteiten krijgen te maken met schommelende instroom, met studenten die in het eerste jaar afhaken of switchen, en met opleidingen die hun kwaliteit en studiesucces moeten kunnen verantwoorden. Roosters en zalen moeten elke periode opnieuw passen, voor duizenden studenten tegelijk. Onderzoekers werken met eigen datasets die vindbaar en herbruikbaar moeten blijven. En het gaat om gegevens van studenten en medewerkers, waar je zorgvuldig mee omgaat en waarvoor per rol duidelijk moet zijn wie wat mag zien.

Hoe wij ondersteunen,

Wij brengen studentadministratie, aanmeldingen, leeromgeving, roosters en financiën samen in één datafundament, en bouwen daarop rapportages voor opleidingsmanagers en bestuur over instroom, studiesucces en doorstroom per opleiding. Met een model dat zaalgebruik en studentaantallen per periode vooruit schat, kunnen roostermakers eerder plannen. Voor onderzoeksgroepen richten we een dataplatform in waar datasets met beschrijving en eigenaar te vinden zijn. En we helpen medewerkers sneller de juiste informatie te vinden in regelingen en onderwijs- en examenreglementen. Dit zijn enkele voorbeelden van wat er mogelijk is. Welke oplossing het beste past, hangt altijd af van de uitdaging en de instelling.

Bekijk alle oplossingen →

DSL in cijfers,

40

Data experts

10+

Jaar ervaring

200+

Projecten gerealiseerd

8,7

Klantwaardering

Neem contact op met onze experts,

Wil je weten wat wij voor jouw organisatie kunnen betekenen?

Younes Seghrouchni

Younes Seghrouchni

Managing Consultant GenAI & Data Strategy
Carmen Wolvius

Carmen Wolvius

Managing Consultant Data Science & AI
Stef Stoelwinder

Stef Stoelwinder

Business Development

Waar we dat doen,

Bekijk alle cases

Laatste blogs,

Lees hier onze laatste inzichten.

Bekijk alle blogs

Drie lessen uit onze AI-projecten

In twee jaar tijd begeleidden we tientallen AI-projecten, van een eerste verkenning tot een model dat elke nacht draait. Sommige liepen precies zoals…

Drie lessen uit onze AI-projecten

Responsible AI van principes tot praktijk

Artificial Intelligence ontwikkelt zich razendsnel. Vrijwel elke week verschijnen er nieuwe modellen en steeds meer organisaties experimenteren met…

Responsible AI van principes tot praktijk

De organisaties die dat doen,

Agrocare
Athlon
DPG Media
Rijkswaterstaat
Brocacef
WUA
Fokker
The Cirqle
Zorginstituut Nederland
AWVN
Independer
Gemeente Hollands Kroon

Veelgestelde vragen,

AI kan aanmeldingen en zaalgebruik per periode vooruit schatten, laten zien bij welke opleidingen studenten in het eerste jaar vastlopen, en regelingen en reglementen direct doorzoekbaar maken. Zo hebben opleidingen, roostermakers en studieadviseurs eerder zicht op wat er speelt.

Bij één vraag die elke periode terugkomt, zoals hoeveel eerstejaars er per opleiding instromen, waar studenten in het eerste jaar vastlopen of hoe vol de zalen op een campus zitten. Met de gegevens die er al zijn, is snel te zien wat een rapportage of voorspelling toevoegt aan hoe het nu gaat.

Die pagina gaat over het onderwijs in het algemeen. Hier gaat het om hogescholen en universiteiten: grote aantallen studenten over faculteiten of academies heen, aanmeldingen en de overstap naar het eerste jaar, onderzoeksdata naast onderwijsdata, en zalen en roosters op een campus.

Ja. Door studieresultaten, inschrijvingen en uitschrijvingen per cohort samen te brengen, zie je per opleiding hoeveel studenten doorstromen, switchen of stoppen, en in welke periode dat gebeurt. Studieadviseurs en opleidingsmanagers zien dan eerder waar extra begeleiding nodig is. Wie gegevens per student mag zien, leggen we per rol vast.

Door een dataplatform in te richten waar datasets met een beschrijving, een eigenaar en afspraken over toegang staan. Zo blijven ze vindbaar en herbruikbaar, ook als een promovendus of onderzoeker vertrekt. Analyses en modellen draaien dan op dezelfde, gecontroleerde versie van de data.

Door per vraag te bepalen welke gegevens echt nodig zijn, waar mogelijk met geaggregeerde of gepseudonimiseerde gegevens te werken en toegang per rol te regelen. Een opleidingsmanager ziet de eigen opleiding, het bestuur het totaalbeeld. Vooraf stemmen we met de functionaris gegevensbescherming af wat er gebeurt.