Ervaren regeldruk rond kwaliteitszorg in het hoger onderwijs

Onderzoek naar welke regels, activiteiten en processen rond kwaliteitszorg medewerkers in het hoger onderwijs als meest belastend ervaren, uitgevoerd na afspraken in de sectorakkoorden van 2018. Op basis van interviews, zes werksessies en een enquete onder medewerkers blijkt dat vooral de voorbereiding van opleidingsaccreditaties en toetsing (zelfevaluaties, toetsmodellen, nakijkwerk, dossiers) tijd kosten. De wet en het NVAO-kader zelf stellen weinig specifieke eisen; regeldruk ontstaat trapsgewijs doordat panels, evaluatiebureaus en instellingen de ruime kaders operationaliseren. Vijf mechanismen zijn bepalend, waaronder cumulatie van lasten, het zware belang van accreditatie en onvoorspelbaarheid van panels. Aanbevelingen: rolvastheid, peer review als gewoon instrument, ontwikkelingsgericht visiteren, meer paneltraining en verdiend vertrouwen.

Veranderende wet- en regelgevingGovernance en verslaggevingOrganisatiecultuur

Waarom deze indeling: Het onderzoek gaat over de druk die wet- en regelgeving (WHW, NVAO-kader) en de continue aanpassingen daarin opleveren voor onderwijsprofessionals (laws). Kern is het stelsel van kwaliteitszorg, accreditatie en verantwoording en de rolvastheid van actoren daarin (governance). Als dieperliggende oorzaak wijst het rapport op onvoldoende zelfvertrouwen en een kwaliteitscultuur waarin peer review ontbreekt (culture).

Toegekend met een AI-model (Fable 5) op basis van de zestien thema's van Risk in Focus; niet door mensen gevalideerd. Om de labels beter te onderbouwen gaan we ze gefaseerd herbeoordelen met een tweede, onafhankelijk model van een andere aanbieder (OpenAI naast Anthropic); vanwege tokenlimieten gebeurt dat stapsgewijs. Ziet u een fout? Laat het weten.

Ministerie

Ministerie van Onderwijs, Cultuur en Wetenschap

Bron

Onderzoeken en evaluaties: Andersson Elffers Felix

Toegepaste standaard

Extern onderzoek

Datum

2019-06 (alleen de maand is bekend)

Het rapport zelf

originele publicatie

Omschrijving

samenvatting door een AI-model (Fable 5) op basis van de publicatie

Risicolabels

toegekend met een AI-model (Fable 5) volgens de zestien thema's van Risk in Focus (ECIIA), niet door mensen gevalideerd

Bijgewerkt

augustus 2026