Studentprognose¶
Studentprognose voorspelt hoeveel eerstejaars zich uiteindelijk inschrijven — maanden vooruit, op basis van je eigen (voor)aanmelddata. Het is een open-source tool van CEDA/Npuls die tijdreeksmodellen (SARIMA), machine learning (XGBoost) en een ratio-model combineert tot één ensemble-voorspelling.
Van vooraanmelders op een peilmoment naar het verwachte aantal inschrijvingen — voorbeeld op de meegeleverde demodata.
Snel beginnen¶
uv tool install studentprognose # zie Installeren voor uv/pip/Windows
studentprognose init # projectmap aanmaken
studentprognose # eerste prognose (op demodata)
Er zit demodata in de installatie, dus je kunt direct draaien zonder eigen data. Details in Installeren en de Snelstart (5 minuten).
Wat doet de tool?¶
Je kiest een peilweek en een collegejaar, en de tool geeft een prognose van het uiteindelijke aantal inschrijvingen. Onder water lopen tot drie sporen, afhankelijk van je data:
| Modus | Vlag | Databron | Wat het doet |
|---|---|---|---|
| Cumulatief | -d c |
Studielink-telbestanden | Trekt de aanmeldcurve door naar het einde van het seizoen |
| Individueel | -d i |
Osiris/Usis per student | Schat per aanmelder de inschrijfkans, telt die op |
| Beide | -d b |
Beide bronnen (standaard) | Combineert beide sporen tot één ensemble-voorspelling |
Zie Methodologie voor de uitleg per model en Begrippen voor onbekende termen.
Zo ziet de output eruit¶
Naast Excel-bestanden genereert de tool desgewenst interactieve dashboards (--dashboard):
Zie Output lezen voor uitleg van elk cijfer en wanneer je een prognose wel of niet moet vertrouwen.
Voor wie is deze documentatie?¶
Voor data-analisten en onderzoekers bij Nederlandse onderwijsinstellingen. Je hebt géén machine learning-expertise nodig. De focus ligt niet alleen op hoe je de tool gebruikt, maar ook op waarom het model werkt zoals het werkt — inclusief aannames, beperkingen en wanneer je de output kritisch moet interpreteren.
Liever experimenteren dan lezen?
In notebooks/ staan zeven uitvoerbare Jupyter-notebooks die de methodologie stap-voor-stap doorlopen op de demodata — van 00_overzicht.ipynb tot 06_output_interpreteren.ipynb. Zie de notebooks-README.
In de praktijk¶
Dit model is oorspronkelijk ontwikkeld door Radboud Universiteit en vervolgens samen met CEDA open source gemaakt. VOX Nijmegen schreef hierover: De universiteit heeft nu haar eigen glazen bol.
Verhouding tot de Radboud-implementatie
De productie-implementatie van Radboud draait intern en is niet publiek. Deze CEDA-versie is de publieke, generieke variant: dezelfde methodologie, maar zonder Radboud-specifieke configuratie. Methodologische keuzes zijn hier gedocumenteerd, en Radboud-specifieke logica is generiek gemaakt zodat andere instellingen er direct mee aan de slag kunnen.