1. Variabelen
1.1. Data
1.1.1. Machine Learning Model centrisch
1.1.1.1. Data die hierop gebaseerd is
1.1.1.2. Minimalistisch / essentie van LAP?
1.1.2. Databronnen school: basis + niet ML-afgeleiden
1.1.2.1. Digitap
1.1.2.2. Webuntis
1.1.2.3. ECTS
1.1.2.4. ...
1.1.3. In-dashboard user-generated content (UGC)
1.1.3.1. studiesuccesvariabelen
1.1.3.2. studentenwelzijn
1.1.3.3. data die engagement met app vergroot
1.2. Benadering (UX!)
1.2.1. Rapporterend
1.2.1.1. Strikt dashboard / plug-in
1.2.1.2. Nuchter
1.2.1.3. One-way
1.2.2. Interactief
1.2.2.1. Vrije vorm / eigen app? / plug-in
1.2.2.2. Speels
1.2.2.3. Meerwegs
1.2.2.4. Feedback waarop kan gehandeld worden
1.3. Doelgroep
1.3.1. Student
1.3.2. Docent
1.4. Organiseren
1.4.1. Micro => Macro / 3 modi / bvb:
1.4.1.1. Mezelf
1.4.1.2. Mezelf in de opleiding
1.4.1.3. Mezelf in de school
1.4.2. Klassiek
1.4.2.1. OLOD
1.4.2.2. Jaar
1.4.2.3. Opleiding
1.4.2.4. Leerdoel?
2. Student-scenario's
2.1. Scenario S1
2.1.1. Rapporterend
2.1.2. MLM-centrisch
2.2. Scenario S2
2.2.1. Rapporterend
2.2.2. Databronnen school + MLM
2.3. Scenario S3
2.3.1. Interactief
2.3.2. UGC
2.4. Scenario S4
2.4.1. Interactief
2.4.2. UGC + MLM
2.5. Scenario S5
2.5.1. Interactief
2.5.2. UGC + MLM + Databronnen school
3. Nodig
3.1. Vergadering - groot genoeg - week 22-26 maart
3.2. tussentijds nog even aftoetsen samen - kijken naar Figma prototype
4. Docent-scenario's
4.1. Scenario D1
4.1.1. Rapporterend
4.1.2. MLM-centrisch
4.2. Scenario D2
4.2.1. Rapporterend
4.2.2. MLM + UGC
4.3. Scenario D3
4.3.1. Rapporterend
4.3.2. Databronnen school + MLM + UGC
4.4. Scenario DX
4.4.1. Afhankelijk van keuzes student-scenario's