Hoeveel studenten starten volgend jaar met een specifieke opleiding? En aan de universiteit als geheel? Met behulp van 'machine learning' ontwikkelde de universiteit een prognosemodel dat behoorlijk nauwkeurig antwoord geeft op die vragen.

Voor cursuscoördinatoren en docenten is het enorm handig om te weten hoeveel nieuwe studenten zij volgend jaar kunnen verwachten. Immers: hoeveel docenten zijn er precies nodig, en moet er een grote of een kleine collegezaal gereserveerd worden?

‘Voorheen was pas bekend hoeveel studenten er precies aan een opleiding waren begonnen als ze al in de collegebanken zaten’, zegt Han Werts, hoofd van de afdeling Institutional Research van de Radboud Universiteit. ‘Het is natuurlijk veel beter als opleidingen zich daar ruimer van tevoren op voor kunnen bereiden.’

Ook voor het college van bestuur en faculteiten is informatie over de toekomstige instroom van belang. Bijvoorbeeld omdat de financiering van de universiteit mede wordt bepaald door studentenaantallen.

Voorspellingen

Medewerkers van Institutional Research hebben daarom een prognosemodel ontwikkeld, waarin iedereen kan opzoeken hoeveel studenten er volgend academisch jaar aan een opleiding, faculteit of aan de universiteit als geheel naar verwachting beginnen. Het model geeft ook andere informatie, zoals het aantal internationale studenten dat volgend collegejaar naar Nijmegen komt.

Het model werkt voor het aankomende collegejaar en voor eerstejaarsstudenten. Nu is dus de instroom voor het collegejaar 2024/2025 te zien. Vanaf september doet het model voorspellingen voor het collegejaar daarna.

Dat opleidingen voorheen geen goed beeld hadden van hun toekomstige instroom, kwam omdat ze die alleen konden baseren op de zogenoemde vooraanmeldingen. Die geven echter een vertekend beeld, omdat toekomstige studenten zich bij meerdere opleidingen kunnen aanmelden – en dat vaak ook doen. Pas later schrijven ze zich definitief in.

Machine learning

De vraag is: hoe hebben de medewerkers van Institutional Research een model weten te bouwen dat wel een nauwkeurige voorspelling doet? ‘Daarvoor zijn we tot 2011 terug in de vooraanmeldcijfers gedoken’, zegt data-analist Amir Khodaie. ‘Dat zijn heel wat historische gegevens. Daar hebben we een machine learning­-model op losgelaten dat een verband legt tussen het aantal vooraanmeldcijfers en de daadwerkelijke inschrijvingen.’

Om die voorspelling nog wat aan te scherpen, legt Khodaie uit, rekent het systeem per vooraanmelding ook nog apart uit hoe groot de kans is dat iemand zich daadwerkelijk inschrijft. ‘Dat doen we met allerlei aanvullende gegevens, bijvoorbeeld de woonplaats.’ Statistisch is de kans groter dat een scholier uit Wijchen of Elst daadwerkelijk naar de universiteit komt dan een student uit Rotterdam, weten ze bij Institutional Research.

‘Zelfs in oktober doet het model al behoorlijk goede voorspellingen’

Het prognosemodel draait op de vooraanmeldcijfers, die vanaf september binnendruppelen voor het jaar daarop. Naarmate de weken verstrijken neemt het aantal vooraanmeldingen toe en wordt de prognose accurater. ‘Maar zelfs in oktober doet het model al behoorlijk goede voorspellingen’, zegt Werts. ‘Dat hebben we uitgebreid getest met historische gegevens.’

Uitbouwen

Nu het prognosemodel online staat, is het werk voor de ontwikkelaars niet klaar. De medewerkers van Institutional Research willen het de komende jaren gaan uitbouwen. De eerste stap: niet alleen de instroom voorspellen, maar ook de totale studentenpopulatie – inclusief ouderejaars dus.

Maar Werts en Khodaie hebben ook andere plannen. ‘Er is een grote behoefte om verder vooruit te kijken dan één jaar’, zegt Werts. Op dat vlak vaart de universiteit nu op de referentieramingen van het ministerie, maar die hebben bewezen niet altijd even accuraat te zijn. En dat is vervelend, want als de daadwerkelijke instroom tegenvalt, krijgt de universiteit minder geld dan waarop ze had gerekend.

Bovendien gaan die ramingen alleen maar over de instellingen als geheel en niet over faculteiten of opleidingen. Khodaie: ‘Wij zijn nu aan het testen of we per opleiding de vooraanmeldcijfers voor de komende jaren kunnen voorspellen.’ Ook dat kan op basis van historische gegevens, zegt hij, maar mogelijk moeten er ook externe databronnen worden aangeboord, zoals demografische databases van het CBS.

‘Hoe verder je vooruit wilt kijken, hoe groter de onzekerheidsmarge’, nuanceert Werts. ‘Maar ik heb goede hoop dat we over een tijdje zeker voorspellingen kunnen doen voor verder in de toekomst.’