Problem / Opportunity
De CEDA-pijplijn loopt ingest → prepare → transform → combine → analyze/export. Met data-cleaner, data-scientist en de vier voorspellen-* skills is alles tot en met analyze gedekt. Wat erna komt niet: hoe je een uitkomst duidt, welke nuances je moet benoemen, welke definitiekeuzes de conclusie sturen, en hoe je van uitkomst naar interventie gaat. Er is hiervoor niets — ook niet in branches.
Precies daar loopt onderwijsanalytics in de praktijk vast. Een uitvalprognose die niemand vertaalt naar handelen levert niets op. En een instelling die "uitval" anders definieert dan het model komt tot een tegengestelde conclusie op dezelfde data.
Dit is het grootste inhoudelijke gat in de collectie, en het is ook wat CEDA onderscheidt van een willekeurig analytics-team: het staartstuk van de pijplijn is precies waar domeinkennis het verschil maakt en waar een generieke skill niet bestaat.
Appetite (timebox)
Medium (3-4 dagen) voor de eerste twee; interventie-ontwerp kan later.
Solution
| Skill | ceda-type | Scope |
|---|
definitie-check | reference / knowledge | Veelgebruikte onderwijsdefinities (uitval, switch, rendement, instroom) en wat de keuze doet met de uitkomst |
resultaat-duiden | workflow | Van modeluitkomst naar bevinding: onzekerheid, confounders, wat je niet mag concluderen |
interventie-ontwerp | workflow | Van bevinding naar handeling: wie doet wat, hoe meet je effect, wat is de nulhypothese |
Bouwen met create-skill. Let bij de herkomst-gate op: hier heeft het model weinig achtergrond (1CHO-definities, DUO-leveringen, SIS-eigenaardigheden), dus verzonnen inhoud is slecht herkenbaar als verzonnen. De bron moet een echte sessie, een bestaande analyse of een expert zijn.
Risks / Rabbit holes
definitie-check die één waarheid oplegt. Instellingen hánteren verschillende definities; de skill hoort de keuze en het gevolg expliciet te maken, niet te beslissen welke goed is.interventie-ontwerp dat onderwijskunde gaat herschrijven. Beperken tot: wie handelt, hoe meet je effect, wat is de nulhypothese.
No-Gos
- Geen modelkeuze of feature-engineering; dat dekken de
voorspellen-* skills.
Gevalideerd met
@CorneeldH
Problem / Opportunity
De CEDA-pijplijn loopt ingest → prepare → transform → combine → analyze/export. Met
data-cleaner,data-scientisten de viervoorspellen-*skills is alles tot en met analyze gedekt. Wat erna komt niet: hoe je een uitkomst duidt, welke nuances je moet benoemen, welke definitiekeuzes de conclusie sturen, en hoe je van uitkomst naar interventie gaat. Er is hiervoor niets — ook niet in branches.Precies daar loopt onderwijsanalytics in de praktijk vast. Een uitvalprognose die niemand vertaalt naar handelen levert niets op. En een instelling die "uitval" anders definieert dan het model komt tot een tegengestelde conclusie op dezelfde data.
Dit is het grootste inhoudelijke gat in de collectie, en het is ook wat CEDA onderscheidt van een willekeurig analytics-team: het staartstuk van de pijplijn is precies waar domeinkennis het verschil maakt en waar een generieke skill niet bestaat.
Appetite (timebox)
Medium (3-4 dagen) voor de eerste twee;
interventie-ontwerpkan later.Solution
ceda-typedefinitie-checkresultaat-duideninterventie-ontwerpBouwen met
create-skill. Let bij de herkomst-gate op: hier heeft het model weinig achtergrond (1CHO-definities, DUO-leveringen, SIS-eigenaardigheden), dus verzonnen inhoud is slecht herkenbaar als verzonnen. De bron moet een echte sessie, een bestaande analyse of een expert zijn.Risks / Rabbit holes
definitie-checkdie één waarheid oplegt. Instellingen hánteren verschillende definities; de skill hoort de keuze en het gevolg expliciet te maken, niet te beslissen welke goed is.interventie-ontwerpdat onderwijskunde gaat herschrijven. Beperken tot: wie handelt, hoe meet je effect, wat is de nulhypothese.No-Gos
voorspellen-*skills.Gevalideerd met
@CorneeldH