De docenten willen ook meer met video’s gaan werken. Lazar: “De huidige studenten zijn opgegroeid met beeld. Ik zet nu tijdens mijn colleges nu en dan een video op als ik merk dat studenten hun aandacht er niet meer bij kunnen houden, maar het liefst wil je dat die video’s integraal onderdeel gaan uitmaken van de collegereeks.” De docenten denken er aan om tijdens een college theorie van een experiment te behandelen en vervolgens ‘live’ via een videoverbinding te laten zien hoe dat experiment er in het laboratorium uitziet. 

Bovendien willen ze de studenten laten werken met praktijkgerichte challenges. Lazar: “Je kunt studenten een softwareprobleem laten oplossen met getallen, maar je kunt ze ook laten berekenen hoe ze met een auto de snelste rondetijd kunnen neerzetten.” Hij wil nog dit collegejaar aan het eind van het vierde kwartiel een challenge toevoegen aan de reguliere vragen om zo te testen hoe dit uitpakt.

Over ongeveer twee jaar moeten alle veranderingen bij de twee vakken, met behulp van student-assistenten, zijn doorgevoerd.

Het kost studenten die vakken volgen op het gebied van beeldanalyse of machine learning, aardig wat tijd om datasets voor te bereiden en experimenten op te zetten. En docenten kost het op hun beurt tijd om de set-up te controleren, want een kleine afwijking in de code kan voor een grote afwijking in de resultaten zorgen. Tijd die de docenten - en studenten - liever anders besteed willen zien. Ook twintig presentaties beluisteren van groepjes studenten is behoorlijk tijdsintensief, vertelt Mitko Veta, één van de projectindieners en universitair docent bij de onderzoeksgroep Medical Image Analysis. Hij stelde het projectvoorstel op met Veronika Cheplygina (universitair docent Medical Image Analysis) en Joaquin Vanschoren (universitair docent Machine Learning). Veta: “Studenten zien elkaars presentatie bovendien niet, kunnen niet van elkaar leren of in een eerder stadium samenwerken en ideeën uitwisselen.”

Een oplossing voor deze ‘problemen’, deels veroorzaakt door de toegenomen studentaantallen, zien de projectindieners in een online platform. Met een druk op de knop moeten data en voorbeelden klaarstaan, zodat de studenten zich daar niet meer om hoeven te bekommeren en ze zich kunnen focussen op de opdrachten en de analyse. Bovendien moeten de data uit de praktijk komen en met de realiteit corresponderen, vertelt Veta. De data en beelden die bij de vakken worden gebruikt, richten zich onder meer op de detectie van kanker en de analyse van bloedvaten. Daar komt bij dat er een gezamenlijke werkomgeving wordt gecreëerd, waarbij ideeën, oplossingen en modellen kunnen worden uitgewisseld. Dat heeft ook als voordeel dat studenten tussentijds feedback krijgen en eerder weten of ze op de goede weg zijn.

Platform

De projectindieners willen dit voorstel bij elf vakken implementeren, en verwachten dat het ook in het bacheloreindproject en verschillende masterprojecten kan worden ingezet. Ze willen hierbij gebruikmaken van OpenML, een platform dat aan de TU/e is ontwikkeld en waarmee onderzoekers experimenten, data en algoritmes op het gebied van machine learning kunnen delen en bediscussiëren. De basis daarvan is al goed, stelt Veta, maar er moeten verschillende functionaliteiten aan worden toegevoegd. Op dit moment wordt een geschikte programmeur gezocht om dat uit te voeren. Als alles volgens planning verloopt, is het vernieuwde platform in een jaar klaar voor gebruik.

Maar liefst 34 indieners van digitale en innovatieve onderwijsprojecten krijgen binnen de TU/e de mogelijkheid om onder de vlag van BOOST aan de slag te gaan. De meeste van die projecten zitten nu in de opstartfase. Door de afschaffing van de basisbeurs en invoering van het sociale leenstelsel is er ook geld van OCW, de zogeheten studievoorschotmiddelen, om de projecten financieel te ondersteunen. Eerder schreef Cursor al over BOOST, wat staat voor Be the Owner of your Own Study. De projecten zijn zeer divers van aard en volgende week komen er nog twee aan bod.