Studietijd is een geliefkoosd onderwerp van onderwijskundigen, docenten en beleidsmakers. Waarom? Net als bij het verwante onderwerp "studiepunten" mogelijk is, kan men de definitie nauw begrenzen en zich beperken tot uitspraken op basis van onderzoek naar de validiteit en betrouwbaarheid van de beschikbare meetinstrumenten. Dus doende echter, zou men voorbijgaan aan het nogal veelzijdige karakter van de factor studietijd; vooral wanneer men deze opvat als een variabele die in onderwijssituaties gemanipuleerd kan worden. Het lijkt derhalve op zijn plaats een bespreking te wijden aan een aantal aspecten, die hier als van onderwijskundige, ideologische, technische en empirische aard zullen worden aangeduid.
In tegenstelling tot de indruk die wellicht bestaat, menen de schrijvers dat de discussie over (het meten van) studietijd niet is afgesloten of tot een bevredigend einde is gebracht. De kloof die er veelal bestaat tussen de hooggespannen verwachtingen t.a.v. het effectueren van kennis over studietijd op zich en de verkregen resultaten, is voldoende om het onderwerp ter discussie te blijven stellen.
De aan de gang zijnde herprogrammering van de universitaire opleidingen maakt dit argument nog aannemelijker en actueler, en is in feitelijke aanleiding tot dit onderzoek geweest.
Het onderzoek bouwt voort op een oude traditie in "huis", in 1972 culminerend in het validatie-onderzoek van Everwijn en Willemsen naar methoden om studietijd te meten.
Bij het onderwerp studietijd pleegt men uit te gaan van een tweetal veronderstellingen, de een explicieter dan de andere, met betrekking tot de (leerpsychologische) zinvolheid ervan:
Het meten van studietijd is een activiteit waaraan tenminste twee risico's zijn verbonden:
Treffen we dus enerzijds diegenen aan, die stellen dat elke student in wezen zijn eigen "normstudent" is en dat het onderwijs daarnaar dient te zijn ingericht, anderzijds zijn er degenen, die bij de inrichting van een stuk onderwijs uitgaan van het beeld dat van de normstudent bestaat en aldus, in de tijd tot de eerste tentamen-mogelijkheid, tempoverschillen bagatelliseren. Twee standpunten, waartussen een middenkoers moet worden gevaren, mede met het oog op de toekomstige gefixeerde duur van de universitaire opleidingen.
Een iets ander aspect dan het typisch onderwijskundige, doch verwant, is van ideologische aard. Nogal een geladen term, maar de kern ervan is, dat maatregelen zoals het meten van studietijd indruisen tegen het eigen-aardige karakter van de relatie tussen onderwijsnemer en onderwijsgever. Ze zijn, in een woord, "onderwijs-onvriendelijk". Nu is het wellicht goed om hier vast te stellen, dat maatregelen om systemen van onderwijs te beheersen in hun algemeenheid niet oneigenlijk of afkeurenswaardig hoeven te zijn (men denke concreet aan de hiervoor genoemde opruiming van knelpunten). Waar bet vooral om gaat is, dat een toepassing van systemen van bedrijfsmanagement in het onderwijs, erg verleidelijk is en zover kan worden doorgetrokken dat ze ongeschikt wordt. We herinneren in dit verband aan de lotgevallen van de accountability-gedachte, zoals die in het Amerikaanse onderwijs invoering heeft gevonden.
Bevindingen van empirische aard, de kunst van het studietijd meten, leveren een gevarieerd beeld op.
Ten eerste, omdat alle resultaten, hoe ook totstandgekomen, wel zeer ver afliggen van het magische herprogrammeringsgetal 1700 en het de vraag is of de zeven-student, laat staan de zes-student qua harde studietijd ooit in de buurt daarvan komt.
Ten tweede, en dat is dan een meer technisch aspect, omdat de uitkomsten van het meten van studietijd wat validiteit en betrouwbaarbeid betreft, sterk methode-gebonden zijn en überhaupt het meten van studietijd, een onderneming met vele contaminerende factoren is (zie voor een opsomming: Hofstee, 1976). In het oog springende voorbeelden daarvan zijn verder: het inherent subjectieve karakter van de taak die studenten wordt voorgelegd, en de resultaten, die door hun aard voornamelijk de tijdsbesteding karakteriseren van de gemiddelde of normstudent, waardoor ze aan flinke interpretatie-beperkingen onderbevig zijn (zie Hannan, in: Blalock, 1971).
Wat nogal eens voorkomt is, dat op basis van de grootte van verschillen in studietijd, de conclusie wordt getrokken, dat een verruiming van de hoeveelheid beschikbare tijd op zichzelf voldoende is voor een verkleining van de verschillen in prestatie. Vergelijk in dit verband ook de conclusie dat, aangezien "studiegedrag" en prestaties niet, of zelfs negatief, correleerden, studiesucces voor een groot deel een kwestie van geluk is of van irrelevante factoren (Crombag, Gaff en Chang, 1975).
Deze twee gevallen lijken illustratief voor de onlogica waarvan men zich bedient, wanneer men beschrijvende uitspraken rechtlijnig vertaalt in voorschrijvende uitspraken. Ook uit een oogpunt van statistisch redeneren lijkt deze handelwijze niet verdedigbaar: wil men conclusies trekken over de causale samenhang van variabelen, dan zijn de correlaties (en zelfs partiële correlaties) tussen die variabelen beslist onvoldoende (zie b.v. Duncan, 1975).
Mede hieruit vloeit voort, dat descriptief en correlationeel onderzoek dienen te worden gevolgd door onderzoek van prospectieve aard; waarbij het er betrekkelijk weinig toe doet of dat onderzoek daadwerkelijk wordt uitgevoerd danwel zich beperkt tot simulatie van de studievoortgang van een cohort (nulde-)jaars studenten.
Bovenstaande argumenten leverden voor de schrijvers het uitgangspunt om het verschijnsel studietijd te benaderen door de voorhanden zijnde theorieën over het institutionele leren (m.n. van Carroll, en Bloom) te gebruiken als de "substantie" van een variant van de zgn. structural equation modellen (voor meer detail daarover, zie Duncan, 1975) en waarvan hieronder een uiteenzetting volgt.
Voor de interpretatie van resultaten van studietijdmeting moeten we beschikken over een theorie, of tenminste een model, voor de wijze waarop tijdbestedings verschillen tussen studenten samenhangen met verschillen in studieprestaties, en verschillen op andere, mogelijk relevante, variab.elen. Een eerste aanzet voor een hopelijk vruchtbare wijze van modelleren zal hier gegeven worden. De gelukkige situatie doet zich voor dat alle relevante aspecten van het probleem onder te brengen zijn in een model dat qua eigenschappen in de literatuur al uitgebreid beschreven is.
Variabelen. De belangrijkste variabele lijkt de inrichting van het onderwijs te zijn; omdat het te presenteren model betrekking heeft op verschillen tussen studenten, moet de inrichting van onderwijs- en beoordelingssituatie als gegeven worden beschouwd. Het effect van beleidsmaatregelen kan onderzocht worden door voor oude en nieuwe situatie de op basis van waarnemingen berekende parameterwaarden van het model te vergelijken. In het model op te nemen variabelen zijn al die verschillen tussen studenten die van belang zijn voor het interpreteren van gevonden verschillen in studieprestaties. Allereerst zijn dat verschillen tussen studenten in voorkennis, intellectuele capaciteit, studiemotivatie of persoonlijkheid. Omdat het bij deze eerste modelopzet van belang is de zaak eenvoudig te houden, kunnen we afspreken alleen bijv. intellectuele capaciteit te hanteren. Vervolgens is van belang dat studenten verschillen in het cijfer waar ze bij de voorbereiding op hun tentamen op mikken, of de mate waarin ze zich de stof eigen willen maken (te vergelijken met Coombs' "ideal point" in de schaalontvouwings techniek). Verschillen in studietijd zijn al genoemd.
X1 = intellectuele capaciteit (hier een exogene variabele)
X2 = streefniveau ('ideal point', niet verwarren met studiemotivatie)
X3 = studietijd besteding (voorbereidingstijd op tentamen)
X4 = studieprestatie (bijv. de ruwe score op het tentamen).
Wanneer we ons beperken tot het afzonderlijke studieonderdeel, zijn een aantal eenvoudige causale verbanden tussen deze variabelen te postuleren. X1 beinvloedt streefniveau X2, de tijd die de student gebruikt X3, en de hoogte van de studieprestatlie. (Als studiemotivatie als extra exogene variabele naast X1 opgenomen wordt, is de relatie tussen exogene variabelen en X2 duidelijker). Omgekeerd is het niet moeilijk aan te nemen dat er geen beinvloeding is van X2, X3, en X4 op intellectuele capaciteit X1. Streefniveau X2 beïnvloedt de tijdbesteding en ook de studieprestatie; omgekeerd is aannemelijk dat studietijdbesteding en studieprestatie geen invloed hebben op X2, althans niet binnen dit ene studieonderdeel. Tenslotte is studietijdbesteding X3 van invloed op studieprestatie X4, en niet omgekeerd. Dat studieprestatie X4 de overige variabelen niet be*iuml;nvloedt is evident vanuit het feit dat X4 in de tijd volgt op alle andere. Overigens moeten we rekening houden met storende variabelen Xu, Xv en Xw, en verwaarlozen we meetfouten.
In formules:
X2 = p21X1 +
p2uXu
X3 = p31X1 +
p32X2 +
p3vXv
X4 = p41X1 +
p42X2 +
p43X3 +
p4wXw
Dit model, een volledig recursive structural equation model, is beschreven in o.a. Duncan 1975. Wanneer alle variabelen gestandaardiseerd zijn, zijn de p's in deze vergelijkingen de padcoefficienten, de structurele parameters van het model. Wanneer voor een groep studenten metingen op alle variabelen beschikbaar zijn, kunnen de correlaties tussen deze variabelen berekend worden, en vervolgens de pad-coefficiënten omdat deze in termen van correlaties uitgedrukt kunnen worden (zie Duncan 1975).
Anders dan de correlaties, geven de pad coefficiënten de directe beïnvloeding van de ene variabele door de andere weer. Het laatste betekent dat bijvoorbeeld de correlatie tussen X2 en X3 nul kan zijn (zoals Everwijn en Willemsen ook vonden), terwijl de directe beïnvloeding van X3 door X1 negatief is (intelligenter? dan minder tijd nodig). Of, de correlatie tussen studietijdbesteding en studieresultaat kan positief zijn, terwijl de pad coefficiënt nul is zodat van directe invloed van X3 op X4 geen sprake is. U ziet, wanneer dit model toepasbaar gemaakt kan worden (door naast intellectuele capaciteiten ook andere relevante persoonlijke variabelen er in op te nemen, rekening te houden met meetfouten, e.d.), zijn er voor het onderwijsbeleid sterke conclusies uit te trekken.
1. Bloom, B.S., Hastings, J.T., Madaus, G.F. Handbook on Formative and Summative Evaluation of Student Learning. McGraw-Hill, New York, 1971.
2. Carroll, J.B. School Learning over the Long Haul. In: Krumboltz, J.D. (ed.). Learning and the Educational Process. Rand McNally, Chicago, 1965.
3. Crombag, H.F., Gaff, J.G., Chang, T.M. Study Behavior and Academic Performance. Tijdschrift voor Onderwijsresearch, 1, (1975), nr. 1, 3-14.
4. Duncan, O.D. Introduction to Structural Equation Models. Academic Press, New York, 1975.
5. Everwijn, S.E.M., Willemsen, A.J.J. Validatieonderzoek naar metoden om studietijd te meten. Utrecht, 1972.
6. Hannan, M.T. Problems of Aggregation. In: Blalock, H.M. Causal Models in the Social Sciences. Aldine Atherton, Chicago, 1971.
7. Hofstee, W.K.B. (1976) Hoe reëel is de norm van 1700 uur? Onderzoek van Onderwijs, nr 4.
De invulling van het model gebeurt met aanvullende gegevens verstrekt door Everwijn (1977), verzameld tijdens het in 1972 door Everwijn & Willemsen gerapporteerde studietijd-onderzoek. De gegevens hebben betrekking op 30 studenten en op het eerste Scheikundevak in de propedeuse Scheikunde (studiejaar 1967/68). De variabelen X1 t/m X4 zijn als volgt geoperationaliseerd.
X1: intelligentie volgens Heim;
X2: prestatiemotivatie PMT Hermans;
X3: totale studietijd;
X4: tentamencijfer behaald bij 1e gelegenheid.
De correlaties zijn:
r12 = .17 (n.s.)
r13 = .00 (n.s.)
r14 = .22 (n.s.)
r23 = .26 (n.s.)
r24 = -.02 (n.s.)
r34 = .40 (.05)
De padcoëfficiënten zijn:
Uit de docentencursus Cesuurbepaling (1977):
FIGUUR 6.6.1 Denkmodel voor het interpreteren van verschillen tussen studenten in toetsscores. (voor details van dit soort modellen, zie de literatuur over causale of structural equation modellen).
Coleman, J. S. (1975). Methods and results in the IEA studies of effects of school on learning. Review of Educational Research, 45, 355-386. JSTOR read free online [kan ook via KB JSTOR]
Dit artikel is voor mij relevant omdat het is opgebouwd rond een volledig recursief model, het wybertjes-model zeg maar. Alleen, nu wordt het model gebruikt voor verschillen tussen scholen. Coleman is in 1975 nog niet in staat zelf de multilevel analyse uit te vinden die hij eigenlijk zou hebben willen gebruiken (neem ik maar even aan). Coleman gebruikt hier ook een leuke analogie; die van de bootrace, waar de kansen gelijk worden gemaakt door het werken met handicaps.
Bovenstaand model is opgesteld door Marjon Bruinsma (2003), chapter 4 http://dissertations.ub.rug.nl/FILES/faculties/ppsw/2003/m.bruinsma/c4.pdf (gebroken link? Vraag mij de pdf). Het zal nog knap lastig zijn dit model te vergelijken met het eenvoudige volledig recursieve model, Marjon Bruinsma heeft die vergelijking in ieder geval niet gemaakt. Wat lijkt te ontbreken is de tijdbesteding. Die zou door de factor 'involvement' gedekt kunnen zijn.
The course was organised in such a way that I was stimulated to study regularly from the start of the course.
I did the assignments and preparations when asked to
I attended ...... % of the lectures (1 "76-100", .... . 4 "0-25")
Marjon Bruinsma (2003). Effectiveness of higher education. Factors that determine outcomes of university education. GION/COWOG Rijksuniversiteit Groningen.
M. van den Berg & A. Hofman (2000). Studievoortgang in het wetenschappelijk onderwijs. Tijdschrift voor Onderwijsresearch, 24, 288-307. online
Er zit een studieresultatenmodel in.
Maribeth Gettinger & M. A. White (1979). Which Is the Stronger Correlate of School Learning? Time to Learn or Measured Intelligence? Journal of Educational Psychology, 71, 405-412. abstract
(Heb ik een kopie? Ha, nee, die heb ik in 1999 weggegooid. Voorbarig? Ik denk het niet. Kopie van Gettinger (1984) Achievement as a function of time spent in learning and time needed for learning, in AERJ heb ik (2014) gezien en ook maar weggegooid. 171 lln in klas 4 en 5 BO )
Timothy Z. Keith (1982). Time spent on homework and high school grades: a large sample path analysis. Journal of Educational Psychology, 74, 248-253. abstract
Students' Thinking About Effort and Ability: The Role of Developmental, Contextual, and Individual Difference Factors. Katherine Muenks, David B. Miele. First Published February 11, 2017 RER {no pdf yet: paywalled] abstract + references
Axel Grund, Nina Katrin Brassler & Stefan Fries (2014). Torn Between Study and Leisure: How Motivational Conflicts Relate to Students' Academic and Social Adaptation. Journal of Educational Psychology, 106: 242. abstract
Students' Thinking About Effort and Ability: The Role of Developmental, Contextual, and Individual Difference Factors. Katherine Muenks, David B. Miele First Published February 11, 2017 abstract & references
http://www.benwilbrink.nl/publicaties/77StudietijdORD.htm
http://goo.gl/RZNzd