Big data, minder schoolverlaters

Een voorspellingsmodel helpt meer jongeren op school te houden, waar generieke interventies nauwelijks slagen

Jaarlijks maken ruim 35.000 jongeren hun opleiding niet af. Zij komen daardoor zonder startkwalificatie op straat te staan. Dit heeft voor veel van deze jongeren grote gevolgen voor de rest van hun leven: van langdurige (jeugd)werkloosheid tot sociale problematiek en criminaliteit. Het lukt grote steden niet goed om te identificeren welke jongeren nu echt hulp nodig hebben, waardoor de aanpak blijft hangen in generieke interventies.

Met dit als uitgangspunt heeft data science bureau Ynformed met machinelearning-technologie een voorspellingsmodel ontwikkeld. Het model berekent voor elke individuele jongere de kans of hij/zij, zonder specifieke inzet van school of gemeente, hun startkwalificatie gaan halen. Dit is een voorspelling met bijna 85% zekerheid of een jongere een startkwalificatie haalt. Het ontwikkelde risicomodel geeft de benodigde input om gericht in te kunnen zetten op de jongeren die de begeleiding het hardst nodig hebben. Met deze informatie kunnen gemeenten scholen en andere betrokken partijen gerichter inzetten op begeleiding van individuele jongeren.

Één van de toepassingen is om op basis van de voorspelde kans te bepalen of een verzuimende leerling een risico-­‐leerling is of niet. Als dit het geval is, kan er extra begeleiding ingezet worden, zoals bijvoorbeeld een huisbezoek. De overige verzuimers (zonder risico-­‐indicatie) krijgen de bestaande standaardaanpak. Op deze manier biedt men iets extra’s aan voor de risico-­‐leerlingen zonder een andere groep begeleiding te ontzeggen. Dit model kan voor elke regio/gemeente op maat worden gemaakt, zodat de unieke voorspellende kenmerken van elke gemeente worden meegenomen.

Het model wordt inmiddels in meerdere regio’s in Nederland ontwikkeld en/of toegepast. Doordat in dit model alleen gebruikt gemaakt wordt van schoolloopbaan-­gerelateerde data ligt het gebruik van data veel minder gevoelig, in tegenstelling tot data over  demografische en andere persoonskenmerken van een leerling. Dit vergroot de kans op succes aanzienlijk. Mede hierdoor kan dit type classificatie-­‐model een transformatie ondersteunen van generiek beleid en algemene maatregelen naar gerichte, adequate hulp aan jongeren die dat echt nodig hebben.