Lerende machines

Big Data, Business Intelligence, Learning Analytics, Machine Learning, Internet Intelligence. Steeds meer bedrijven, instellingen en overheden zien de mogelijkheden van slimme algoritmes die data analyseren om er informatie uit te halen. Dat biedt ongelooflijk veel mogelijkheden, waarschijnlijk meer dan waar we (allemaal) blij van worden.

Het fenomeen van lerende machines fascineert me al een hele tijd. Daarom heb ik de stoute schoenen aangetrokken en ben me er met enkele MOOC's in gaan verdiepen. Inmiddels heb ik een officieel certificaat Machine Learning van Stanford te pakken. Volgens Andrew Ng mag ik me zelf nu een machine learning expert noemen. Zelf denk ik daar toch wel iets anders over, al heb ik wel een hele hoop geleerd. Via video lectures, documentatie en een hoop opdrachten weet ik nu (veel) meer over allerlei toepassingen om informatie uit data te halen en computers op basis daarvan beslissingen te kunnen laten nemen. Linear of Logistic Regression, Neural Networks, Support Vector Machines, Anomaly Detection, K-Means Clustering, noem maar op.

Waar ik met name verbaasd over ben is de relatieve eenvoud waarop al die algoritmes gebaseerd zijn. En de slimheid van die wiskundigen en informatici die in staat zijn geweest leerprocessen in formules en algoritmes te vatten. Om een programma handschriften te leren herkennen of een auto te leren besturen kun je met een zeer beperkt aantal programmeerregels toe. Weliswaar in programma's die in staat zijn grote hoeveelheden data in één keer te kunnen verwerken. Daarvoor is het matrixrekenen uitgevonden. Met één simpele regel kunnen duizenden gegevens worden bewerkt.

Het grootste probleem voor mij waren de programmeeropdrachten. Een formule kan dan wel betrekkelijk eenvoudig zijn, dat heb je nog niet zo snel vertaald in een stukje programma in bijvoorbeeld MatLab of Octave, twee programmeertalen waarmee die grote, complexe berekeningen kunnen worden gemaakt. Het probleem was, dat ik onvoldoende wist van die programmeertalen.Als ik dan na flink wat geworstel de juiste programmaregels vond, dacht vaak: 'ach ja, natuurlijk'. Maar wel achteraf en met hulp van zoon Job die als neurowetenschapper kan lezen en schrijven met MatLab of dochter Mijke, die als datascientist de wiskunde erachter helemaal uit het hoofd kent.
De grootste opbrengst van deze cursus is, dat ik nu snap hoe een computer kan leren teksten herkennen, foto's kan categoriseren en de juiste aanbevelingen doen als ik op internet iets aan het zoeken ben.

Tegelijkertijd maak ik me zorgen over de manier waarop het volstrekt verkeerd gebruikt kan worden, zoals een krantenartikel in de Volkskrant beschreef. In China wil men op basis van data-analyse studenten beoordelen, zogenaamd om hen te helpen. Zolang mensen handelen en zich uiten in lijn met de partijdoctrine kunnen kredietpunten worden verdiend. Laat je wat te kritisch uit op internetfora, kan je dat punten kosten, waarmee het bijvoorbeeld moeilijker wordt een lening aan te gaan. Big Brother is learning...

CVI 2016 - epiloog #cviov

De afgelopen dagen heb ik rondgelopen op de CVI conferentie voor Onderwijsvernieuwing en ICT. Een korte reflectie.

Een conferentie is zoveel meer dan een reeks verhalen van enthousiaste onderwijsmensen over nieuwigheden, ervaringen, lessons learned en hun persoonlijke inspiratie. Juist de veelheid aan verhalen gecombineerd met de mogelijkheid daar met bekenden en (nog) onbekenden over van gedachten te wisselen geeft een zeker emergent effect aan het evenement. Nog los van de gezelligheid en de bijpraatgelegenheden die zo'n conferentie biedt.

Met een 'emergent effect' bedoel ik, dat het geheel meer is dan de som van de delen. Door meerdere verhalen met elkaar te combineren ontstaat een beeld van wat er gaande is in het onderwijs. Ik probeer daar door mijn oogharen een paar beelden van te schetsen:

• Gepersonaliseerd leren wordt een serieuze ambitie
  Niets nieuws onder de zon. Maar na de piek van verwachtingen een paar jaar terug (flexibel onderwijs) lijkt het nu het dal van desillusie voorbij te zijn. Veel, zo niet de meeste scholen schrijven deze ambitie in strategische of onderwijsplannen. Wellicht nog even te vroeg!
  Er liggen hier nog grote uitdagingen voor het onderwijs, zoals Michael van de Wetering van Kennis in zijn presentatie over het Trendrapport 2016-2017 liet zien in een Strategic Technology Map (STM) (zie pagina 75 van het rapport). De meeste benodigde technologieën zijn gewoonweg nog niet beschikbaar.
  Het rapport is overigens een absolute aanrader!
• Elektronische leeromgevingen zijn weer in.
  Veel instellingen beschikken wel over een elo al is de implementatie bij veel instellingen blijven hangen in goede bedoelingen.
  Tijdens de conferentie waren er meerdere verhalen over selectie- en implementatietrajecten binnen de onderwijsinstellingen. Vanuit de ambitie naar meer gepersonaliseerd leren biedt een elo blijkbaar houvast om daar handen en voeten aan te geven. Visie op de rol van een elo in het onderwijs, standaardiseren en beperkt beginnen en vooral niet teveel vrijheden bij docenten en teams leggen lijken randvoorwaarden voor een succesvolle invoering. 
• Big Data
  Gartner gaf het al aan: "It's not about Big Data, it's about Big Questions". Business Intelligence (BI), student analytics, learning analytics. Er wordt al lang van gedroomd maar het lijkt er op dat de eerste stappen in die richting nu daadwerkelijk worden gezet. Het zal nog wel een tijd duren voor op basis van slimme algoritmes het personaliseerde leerplan wordt ondersteund en bijgestuurd. Hier zullen we nog wel over de piek van de verwachtingen en het dal van desillusie door moeten. 
• Professionalisering
  Ook al zo'n langlopend thema. In verschillende presentaties komt steeds weer terug dat het zo moeilijk is om docenten te laten professionaliseren op gebied van ICT in het onderwijs. Een aanpak bij ROC de Leijgraaf vind ik dan een prachtig voorbeeld hoe je daar roc-breed vorm aan kunt geven. Ondersteund door het Ixperium Expertisecentrum Leren met ICT van Marijke Kral (HAN) is ook in Oss een Ixperium geopend en zijn designteams aan de slag gegaan om het gebruik van ICT in het onderwijs vorm te geven. Learning by doing, zowel voor de docenten in de designteams als voor de organisatie zelf. 

Als je deze thema's naast elkaar zet, zit daar ook weer een samenhang in. Mooi dat bijna 1000 mensen in vanuit die samenhang weer stappen kunnen zetten in hun eigen organisatie. 

Student Analytics bij het Albeda College op de #cviov

Veel instellingen zijn momenteel bezig om op basis van 'business intelligence' of 'big data' de kwaliteit van het onderwijs en de begeleiding te verbeteren. Wat zou het mooi zijn als je op basis van een intake al kunt voorspellen dat een student in het tweede jaar extra wiskunde nodig zal hebben om de kans op een diploma aanzienlijk te vergroten. Zo ver is het nog (lang) niet.

Het Albeda College is met dat doel in samenwerking met Deloitte een project gestart om op basis van bepaalde kenmerken van studenten het studiesucces te bepalen. Het gaat om kenmerken die bekend zijn bij de start van de opleiding. Daarbij worden geslacht, leeftijd, vooropleiding, taal die thuis gesproken wordt, beschikbaarheid van een computer thuis en dergelijke betrokken maar ook de resultaten van de intake inclusief een intaketoets. Dat levert een berg aan data op die je kunt analyseren. Daarbij kun je proberen een correlatie te vinden tussen bepaalde kenmerken of een combinatie aan kenmerken en het behalen van een diploma.
Op basis van historische data zijn studenten in categorieën onderverdeeld. Elke cel in de honingraat bevat een aantal studenten met dezelfde kenmerken.

Vervolgens is gekeken naar de correlatie tussen de categorie waar de studenten ingedeeld waren en bepaalde kenmerken, zoals studiesucces. In onderstaand schema is met retentie weergegeven welk deel van de studenten in de desbetreffende cel na één jaar nog bij het Albeda studeerden (0.8 = 80%). Op basis van dergelijke visualisaties zou je conclusies kunnen trekken over de mate waarin bepaalde bepaalde kenmerken bijdragen aan studiesucces.

Het verhaal laat zien, dat er voortgang wordt geboekt bij het analyseren van studentgegevens om de kwaliteit van het onderwijs en de begeleiding te verbeteren. Ik heb nog wel een paar kanttekeningen / aandachtspunten

• De ambities van het Albedacollege zijn erg hoog. Om vanuit een correlatie zoals weergegeven in bovenstaand schema te komen tot een gericht studieadvies aan een specifieke student is er nog wel een weg te gaan. Dat is een boeiend leertraject wat wel een lange termijn inspanning en daarmee commitment van de hele organisatie vraagt.
• Het onderzoek is gebaseerd op historische data. Dat is op zichzelf geen probleem. De gegevens kun je beschouwen als een 'trainingset'. Dat wil zeggen: een set gegevens die je gebruikt om het algoritme de correlatie tussen verschillende grootheden te laten bepalen. Nu is het niet zo moeilijk om het algoritme een perfecte correlatie te laten vinden. Als je de formule maar ingewikkeld genoeg maakt.
  Het algoritme moet je dus nog een keertje loslaten op een testset. Dat is een andere hoeveel bekende gegevens waarmee je kunt toetsen of het algoritme goed is afgestemd. Vaak zie je daar dan veel grotere afwijkingen dan bij de trainingset. Het is mij niet helemaal duidelijk hoe de validiteit hier is getoetst.
• Er zijn meer roc's bezig met vergelijkbare onderzoeken. Ik merk eigenlijk nog niets van een samenwerking of afstemming. Het wiel wordt dus weer op veel plekken uitgevonden!
  Die aparte initiatieven moeten niet gaan leiden tot een wedstrijdje, wie de hoogste nauwkeurigheid haalt (in dit onderzoek 72%, bij andere instellingen heb ik getallen boven de ruim boven de 80% gehoord). Een zekere nauwkeurig is nodig (anders heb je er niks aan), het nastreven van een te grote nauwkeurigheid is zonde van de moeite in het kader van de 80-20 regel. (80% van het resultaat haal je in 20% van de tijd, het een beetje verder opkrikken van de nauwkeurigheid levert geen beter onderwijs op maar kost wel veel extra tijd). 

Alles bij elkaar een boeiend initiatief om te volgen!

Big data voor duurzame visserij

Een tijd geleden organiseerden een aantal collega's een hackaton om een nieuwe app te maken, die het werken in projecten makkelijker maakt. Nieuwsgierig naar het fenomeen en hoe de ontwikkeling van een app in een scrum-ontwikkelproces verloopt, sloot ik me bij het illustere gezelschap aan. Ik heb er veel van geleerd. Onder andere dat ik nog heel wat moet leren om te kunnen programmeren op het niveau van mijn collega's!

Datathon
Inmiddels heb ik alweer een nieuwe ervaring opgedaan: een datathon. Hoewel een datathon vaak wordt aangekondigd als een hackathon is er genoeg reden om deze twee fenomenen van elkaar te onderscheiden. Je zou kunnen zeggen, dat het bij een hackaton vooral gaat om het maken van tools of apps terwijl het bij een datathon vooral gaat om het analyseren van gegevens. Vaak is de vraag bij een datathon nogal vaag: "Kun je uit deze berg gegevens iets zinvols halen?" Ga er maar aan staan. Op het laatste Gartner-symposium werd dan ook al gezegd: 'It's not about Big Data, it's about Big Questions'. Eigenlijk is een hackathon een logisch vervolg op een datathon. Eerst in een datathon maar eens aan de slag met gegevens die er al dan niet zijn. Vervolgens tools bedenken om nieuwe gegevens te kunnen genereren, te ordenen te bewerken of te verwerken.
In vergelijking met een hackathon is een datathon nu een nog onbekend verschijnsel. Vergelijk de twee termen maar eens met behulp van Google Trend. Dan lijkt het alsof een datathon nog helemaal niet bestaat.


Dat is maar schijn, als je de Google Trend alleen op 'datathon' loslaat, zie je dat er sinds 2005 een klein beetje belangstelling voor is.


Waarschijnlijk komt dat alleen maar doordat de naam en niet zozeer het event nieuw is. Veel hackatons zou je nu waarschijnlijk eerder een datathon noemen. What's in a name?

Duurzame visserij
Xomnia is een klein bedrijf, dat is gespecialiseerd in Big Data-vraagstukken. Het bedrijf is voortdurend op zoek is naar nieuw talent. Het organiseren van een datathon is een manier om naamsbekendheid te krijgen bij met name AI-studenten (AI: artificial intelligence), die snappen hoe je met dit soort dingen moet omgaan.
Ik kreeg een uitnodiging om een (kleine) rol te spelen in een datathon over duurzame visserij.
Vijf teams gingen 24 uur onafgebroken aan de slag met een groot aantal databestanden met als vraag of ze beleidsmakers aan inzichten konden helpen waarmee de visserij duurzamer gemaakt konden worden. Tegen het einde heb ik met een select gezelschap van deze brains een workshop 'pitching' gedaan: hoe breng je je resultaat in een paar minuten goed over het voetlicht?

Twee teams analyseerden bestanden met gegevens van de maaginhoud van vissen. Dan weet je wat ze eten en kun je een voedselketen samenstellen. Vergelijk dat met vangstgegevens en je kunt een advies geven over vangstquota. Een ander team bestudeerde een Filipijns rapport dat de effecten beschreef van het instellen van beschermde gebieden als kraamkamer voor de aanwas van populaties. Door de kenmerken van dat onderzoeksgebied te projecteren op andere delen van de wereld waren ze in staat om kansrijke gebieden aan te wijzen waar het instellen van dergelijke beschermingszones een goede kans maken. Weer een ander team benaderde het vraagstukken vanuit economische prikkels bij consumenten. Uit de gegevens bleek namelijk een afnemende vangst tonijn bij een hogere prijs. Jammer dat zij pas op het laatste moment doorkregen dat correlatie nog niet hetzelfde is als een causaliteit. De vangst nam waarschijnlijk niet af door een stijgende prijs, het is waarschijnlijker dat de prijs omhoog gaat doordat tonijn zeldzamer wordt...

Alles bij elkaar waren het geen wereldschokkende resultaten. Het zou teveel zijn om dat van een event als dit te verwachten. Maar elke stap is er weer één. Ook het inzicht, dat er op een bepaald gebied nog data ontbreken om verder te komen, kan leiden tot een stap waarbij die data verzameld en geregistreerd gaan worden.

Hackathons en datathons bieden veel kansen. Het is een combinatie van crowdsourcing en wisdom of the crowd. Het gebeurt tegenwoordig voor tal van thema's: MS, terrorismebeschrijding, gezondheid, milieu, klimaat, noem maar op. Misschien eens een hackdatathon organiseren over learning analytics!

Informatiebeveiliging is belangrijk, maar laten we niet overdrijven!

Onderwijsinstellingen besteden de laatste jaren in opdracht van het Ministerie van OC&W meer aandacht aan het thema Informatiebeveiliging. Dat is helemaal niet verkeerd als je er van uit gaat dat er steeds meer met ICT gewerkt wordt en er ook steeds meer ICT buiten de deur wordt gezet. In dat kader heeft Sambo-ICT voor het MBO in samenwerking met Kennisnet en Surf een framework rondom Informatiebeveiliging en Privacy (IBP) opgezet dat instellingen kunnen gebruiken bij het inrichten van hun eigen informatieveiligheid. Het framework is gebaseerd op ISO 27001 en ISO 27002. Naast dat framework organiseert Sambo-ICT masterclasses georganiseerd voor mensen, die binnen de onderwijsinstellingen met dit thema aan de slag willen. Kennisnet wil het framework nog vertalen naar het voortgezet en primair onderwijs.

Er speelt van alles. Examenfraude, DDoS-aanvallen, cijfers, die aangepast worden, dossiers op straat. Met als consequentie imago-schade of zelfs een behoorlijke boete. Je zou er als bestuurder van wakker moeten liggen. Toch?

Wat is nu wijsheid?
Wanneer je het ISO-normenkader erbij pakt, dan kom je zo'n 114 aandachtspunten tegen, verdeeld over 14 aandachtsgebieden (bron: wikipedia). Het IBP Framework heeft dit teruggebracht tot zo'n 85 aandachtspunten, waarbij je er bij een eerste check zo'n 30 moet nalopen om een beetje beeld te krijgen van waar je staat. De echte vraag ontstaat na zo'n eerste check: wat ga je er aan doen?

De neiging bestaat om beleid te gaan formuleren voor alle 30 (of 85) aandachtspunten. En dat is jammer. Gewoon, omdat dat ook helemaal niet nodig is. Laten we het even op een rijtje zetten:

Alles even belangrijk?

Niet alle aandachtspunten zijn even belangrijk. Surf heeft in een Cyberdreigingsbeeld de belangrijkste risico's voor het HO op een rijtje gezet. Haal daar de onderzoekskolom (de middelste) uit en je hebt een aardig beeld van de cyberdreiging voor het MBO en VO.  
De belangrijkste dreigingen zijn dan Identiteitsfraude (iemand anders maakt jouw examen) en Manipulatie van data (ongeoorloofd inloggen en cijfers aanpassen).

Alles even zwaar?

Moet je voor de verschillende aspecten een zo hoog mogelijk maurityniveau nastreven (bronnen: Hoezo p27, Kuiper p8) ? We kennen er 5 (6, als je 0 ook meetelt).

1. Ad hoc (informal): alleen achteraf iets repareren als er iets misgegaan is. 
2. Herhaalbaar (repeatable): er liggen duidelijke afspraken over hoe om te gaan met bepaalde risico's. Gebaseerd op de kennis van de mensen.
3. Gedefinieerd (defined): maatregelen zijn ingebed in processen en niet meer persoonsafhankelijk. 
4. Gecontrole erd (managed): er zijn doelstellingen die gemeten worden en waarop bijgestuurd wordt.
5. Geoptimaliseerd (optimised): zeg maar volledig in control.

Laten we nu eens als uitgangspunt nemen, dat de lage risico's alleen op niveau 1 of hooguit 2 worden aangepakt. Vervelend als het zich voordoet, maar dat valt wel te overleven. 

Middelmatige risico's worden in elk geval op niveau 2 en eventueel niveau 3 aangepakt.

Hoge risico's moeten minimaal op niveau 3 worden aangepakt waarbij gestreefd wordt naar niveau 4. Daar ga je als instelling niet mee sollen. 

Wat betekent dat voor een aanpak?

Zeker voor kleinere instelling betekent het oppakken van informatiebeveiliging een flinke kluif. Het is dan lastig om iemand voldoende te faciliteren met opleiding en uren om het IBP handen en voeten te geven. Een pragmatische aanpak in 5 stappen. 

1. Begin met een quickscan om de bestaande risico's en actuele stand van zaken in kaart te brengen. Projecteer dat op de belangrijkste (primaire, secundaire én tertiaire) processen van de organisatie, zodat je weet waar en bij wie de belangrijkste risico's voorkomen. 
2. Ga aan de slag met een awareness campagne. Zo'n campagne vroeg in het traject heeft meerdere voordelen. Mensen vormen immers de zwakste schakel (zie bijvoorbeeld dit filmpje). Bovendien worden andere maatregelen, die wellicht minder prettig zijn alvast in een zekere context geplaatst. Bedenkwel, dat awareness iets is dat permanent aandacht vergt totdat men onbewust bekwaam is!
3. Neem de nodige maatregelen die uit de quickscan naar voren kwamen. Waar je met techniek bepaalde dingen kunt afdwingen, moet je dat zeker niet laten, ook al vinden mensen dat lastig.
4. Ga daarna pas aan de slag met de langere termijn zaken als het borgen van maatregelen en informatiebeveiligingsbeleid en dan ook alleen nog maar op die onderdelen waar de instelling serieus risico loopt. 
5. Denk na over het borgen van maatregelen door middel van peerreviews, audits en de pdca-cyclus.

Kortom, laat je vooral niet onnodig bang maken en accepteer een zeker restrisico. 

Met dank aan Jaap de Mare voor de inspiratie!

Onderwijslogistiek: meer dan plannen en roosteren alleen!

De MBO-academie verzorgt al jaar en dag allerlei scholingsprogramma's. Daarbij komt onderwijslogistiek steeds opnieuw terug op het programma onder de titel: Onderwijslogistiek, meer dan roosteren alleen!. De training wordt al even lang gegeven door Peter Verdaasdonk van Advitrae, geen onbekende op dit gebied.

Ik ben het volkomen eens met de stelling, nou ja, de titel: onderwijslogistiek gaat over veel meer dan roosteren alleen. Een goed rooster begint al in het onderwijsontwerp. Er zijn vervolgens enkele vertaalslagen nodig om dat onderwijsontwerp in een rooster te krijgen.



Je kunt de blokjes ook andere titels geven:

• Onderwijsontwerp
• Strategische planning (meerjarenplanning)
• Tactische planning (jaarplanning)
• Operationele planning (roosteren)
• Onderhouden operationele planning (dagroosteren)

Er is veel te vertellen over het goed inrichten van deze keten om tijdig goede en stabiele roosters te krijgen. Maar behalve het goed inrichten van deze keten zijn er ook nog tal van andere processen en besluiten in de organisatie waar de onderwijslogistieke keten wel van afhankelijk is. Toch wordt er in de praktijk bij die processen en besluiten nauwelijks of geen rekening gehouden met de deadlines in de onderwijslogistieke keten. 

Waar merk je het aan, als dat niet goed loopt? Dan klopt het rooster niet en zijn er dus weer roosterwijzigingen nodig. Het aantal roosterwijzigingen is dus een maat voor de kwaliteit van het onderwijslogistieke proces. 

In de praktijk zie ik het regelmatig misgaan. Daarom zou ik de stelling uit de introductie willen uitbreiden: 

Onderwijslogistiek: meer dan plannen en roosteren alleen!

Een paar voorbeelden waar ik het fout zie gaan.

• MBO-instellingen zijn druk bezig met het de Herziening Kwalificatie Structuur (HKS).
  Kort gezegd komt het er op neer, dat alle opleidingen opnieuw ontworpen en ingericht moeten worden. Vanaf 1 augustus 2016 moeten die opleidingen gaan draaien. Iedereen zal blij zijn als in juni het herontwerp klaar is. Vaak wordt er in het project helemaal geen rekening gehouden met het feit, dat die resultaten nog verwerkt moeten worden in een nieuw rooster, sterker nog, het roosterbureau of de onderwijslogistieke organisatie is helemaal niet betrokken bij de projectplanning. Het gevolg is, dat eind juni het resultaat bij het roosterbureau over de schutting zal worden gegooid. 
• Het onderwijs verandert voortdurend. Steeds opnieuw zijn er allerlei projecten waar docenten bij ingezet worden. Hoewel de wat grotere projecten al ruim voor de zomervakantie bekend zijn, wordt de inzet van die docenten vaak pas na de zomervakantie bepaald. Met roosterwijzigingen tot gevolg. 
• Een grote bron van onzekerheid zijn de aanmeldingen van nieuwe studenten en daarmee de formatie die daarmee gemoeid is. Vaak worden die formatiebesprekingen echter pas gepland op een moment, dat de jaarplanning eigenlijk al rond zou moeten zijn. 

In de workshops, die ik bij onderwijsinstellingen houdt rondom dit thema, komen deze problemen steeds weer boven tafel. Daarbij komt ook steeds weer naar boven, dat met een paar niet zo moeilijke maatregelen er veel winst te halen valt.

Kern van die oplossingen is steeds: niet wachten tot je vrijwel zeker bent van de planningsgegevens maar neem eerder in de keten bepaalde besluiten. Een paar eenvoudige voorbeelden:

• Bij het herontwerp (HKS) hoef je helemaal niet tot eind juni te wachten om planningsgegevens aan te leveren. Op de eerste plaats heeft het herontwerp betrekking op de nieuwe opleidingen dus op de nieuwe eerste jaars. Alle gegevens van de hogere jaars zijn volgend jaar grotendeels nog geldig.
  Voor de nieuwe opleidingen gaat het dus om de alleen om de eerste jaars. In het proces van de jaarplanning gaat het in feite ook nog alleen maar om de planning en het rooster van de eerste jaars in de eerste periode. Neem daarom in april al een besluit over het lesprogramma van de van de eerste jaars in eerste periode. De rest in de periode tot de zomervakantie afgewerkt worden zonder dat het roosterproces daar hinder van ondervindt. Mocht later blijken, dat er in het programma nog iets wijzigt, kan dat vanaf de tweede periode worden meegenomen.
• Maak een projectenkalender en deel die met het roosterbureau en de opleidingsmanagers!
• Hetzelfde geldt in feite ook voor de formatie en werkverdeling. Neem tijdig besluiten over het (voorlopig) aantal groepen in de eerste periode en de formatie die daarbij hoort zodat ook de werving van docenten tijdig kan starten. 

Onderwijslogistiek is een vrij nieuwe tak van sport. Het onderwijslogistieke denken zijn we nog aan het leren...

Een onderwijslogistiek model dat alles oplost?

Gert Idema gaf tijdens de Sambo-ICT conferentie een interactieve presentatie over de Special Interest Group (SIG) Onderwijslogistiek van Surf.  De special interest group Onderwijslogistiek omschrijft onderwijslogistiek als...

...het geheel van processen, systemen en informatiestromen die het mogelijk maken dat het onderwijs op hogescholen en universiteiten gestroomlijnd verloopt.

Je zou zeggen dat het MBO niet in dit rijtje zou misstaan. Toch zie je regelmatig dat onderwijslogistiek in het MBO wat beperkter wordt geïnterpreteerd. Daar bestaat de onderwijslogistieke keten vooral uit de hele keten van onderwijsplanning: onderwijs ontwikkelen - meerjarenplanning - jaarplanning - operationele planning (roosteren). Binnen het HO omvat onderwijslogistiek ook de hele keten van onderwijsuitvoering (instroom - doorstroom - uitstroom). Het is belangrijk om je dat onderscheid te realiseren omdat dat ook consequenties heeft voor de inrichting van de organisatie.
Onderwijslogistiek heeft vooral betrekking op ketenprocessen. In elk proces levert een product dat weer de input vormt in één of meerdere andere processen. Als de samenhang tussen die processen niet goed geregeld is, gaan er dingen fout. Hoe zorg je voor die samenhang. Nou, op de eerste plaats door die inzichtelijk te maken.

Tijdens de presentatie kwam het onderwijslogistieke model aan bod dat door de SIG is gemaakt. Dat model wordt goed beschreven in een artikel in een nummer van OnderwijsInnovatie van de OU.
Het model moet vooral de samenhang tussen alle processen laten zien. Nu is een model altijd een benadering van de werkelijkheid (dat geldt zelfs voor een fotomodel). Dus wat is nu het waarheidsgehalte van dit model? Of de bruikbaarheid? Als je het bijgaande plaatje bekijkt, kun je je immers ook andere indelingen voorstellen.

En laat dat nu juist de kracht van dit model zijn!
De SIG heeft het model in de vorm van een puzzel uitgebracht. Een ondergrond met een honingraat en de

verschillende elementen als een los puzzelstukje daarbij. Door groepen van verschillende stakeholders met elkaar aan het puzzelen te zetten ontstaat inzicht in de samenhang en met name de afhankelijkheid tussen de verschillende processen, inzicht in de informatieketen en het belang van afstemming en samenwerking. Dat er uit de puzzel een ander plaatje uit komt dan wat hierboven is weergegeven, is dan ook helemaal niet erg.
Het is dus zeker geen onderwijslogistiek model dat alles oplost maar het kan wel het begrip in onderwijslogistiek vergroten.

Natuurlijk ben je er niet met het spelen van het puzzelspel. Met de resultaten van de puzzels en de discussies moet de organisatie verder aan de slag. Dat kan dan leiden tot een eigen onderwijslogistiek model.