69 urn:lsid:arphahub.com:pub:8D21F818-6EEF-540F-91C7-D50E3E5A13E0 Maandblad voor Accountancy en Bedrijfseconomie MAB 0924-6304 2543-1684 Amsterdam University Press 10.5117/mab.100.199406 199406 Research Article Accountantscontrole (Auditing) No-code software als didactische opstap voor het ontwikkelen van datageletterdheid Derks Koen k.derks@nyenrode.nl https://orcid.org/0000-0002-5533-9349 1 Mensink Lotte https://orcid.org/0009-0001-8321-4690 1 Renes Remko https://orcid.org/0000-0001-5940-9888 1 Nyenrode Business Universiteit, Breukelen, Netherlands Nyenrode Business Universiteit Breukelen Netherlands https://ror.org/018528593

Corresponding author: Koen Derks (k.derks@nyenrode.nl).

Academic editor: Barbara Majoor

 2026 02 09 2026 100 4 201 213 AE7C351D-1CFC-52D6-9AC1-57E5F34EB25F 12 05 2026 24 07 2026 Koen Derks, Lotte Mensink, Remko Renes This is an open access article distributed under the terms of the Creative Commons Attribution License (CC BY-NC-ND 4.0), which permits to copy and distribute the article for non-commercial purposes, provided that the article is not altered or modified and the original author and source are credited.

Datageletterdheid wordt een steeds belangrijkere competentie voor de moderne accountant. In dit artikel wordt de meerwaarde van no-code software beschreven voor het ontwikkelen van deze competentie bij (toekomstige) accountants. Dit type software biedt een grafische interface waarmee kennis over relevante kernprincipes en analyses opgedaan kan worden zonder programmeervaardigheden. Hierdoor ligt de primaire focus op conceptueel begrip in plaats van syntactische en technische complexiteit van programmeren. Met een praktijkcasus over machine learning wordt geïllustreerd hoe no-code software het leerproces actief ondersteunt ten opzichte van programmeertalen. Tot slot worden er aanbevelingen gegeven voor het gebruik van no-code software in een geïntegreerde accountantsopleiding.

 Data-analyse datageletterdheid machine learning no-code software open-source software Relevantie voor de praktijk

No-code software biedt een leeromgeving waarin (toekomstige) accountants een basisniveau van datageletterdheid kunnen ontwikkelen. Door via no-code software kennis te maken met nieuwe data-analyse technieken, zoals machine learning, kunnen accountants de vaardigheden ontwikkelen om dit soort analyses in de praktijk te reviewen. Met het breed aanleren van datageletterdheid bij accountants kan worden ingespeeld op de toenemende behoefte aan datagedreven inzichten in de auditpraktijk.

 1. Inleiding

De auditpraktijk wordt in toenemende mate geconfronteerd met de noodzaak om datagedreven inzichten te benutten ter verbetering van de efficiëntie en effectiviteit van de controle (e.g., Yoon et al. 2015; KPMG 2017; NBA 2019; Deloitte 2021; AFM 2024). Deze ontwikkeling hangt samen met zowel de groei van beschikbare data als de toenemende complexiteit van bedrijfsprocessen (Salijeni et al. 2019). Hierdoor volstaan traditionele auditmethoden steeds minder om relevante risico’s tijdig te identificeren, wat de belangstelling voor (big) data-analyse en kunstmatige intelligentie binnen de auditsector vergroot (Vasan Srinivasan and De Boer 2020; Cardinaels et al. 2024; Damen et al. 2025). De praktische implementatie van deze technologieën blijft echter achter ten opzichte van andere sectoren (Gepp et al. 2018; Kwartiermakers Toekomst Accountancy 2023), waardoor een kloof ontstaat tussen wat technisch mogelijk is en wat in de auditpraktijk daadwerkelijk wordt toegepast. In dit artikel presenteren wij een aanpak om (toekomstige) accountants op te leiden, die beoogt deze kloof te verkleinen. Deze aanpak is zowel relevant voor medewerkers van onderwijsinstellingen als voor professionals die binnen hun eigen organisatie verantwoordelijk zijn voor trainingen.

Datageletterdheid

Een belangrijke voorwaarde om de kloof tussen technische mogelijkheden en praktische implementatie te verkleinen is dat (toekomstige) accountants beschikken over een basisniveau van datageletterdheid. Datageletterdheid verwijst naar het vermogen om data-analyses te beoordelen en hun uitkomsten te vertalen naar zinvolle inzichten (Appelbaum et al. 2021). Accountants vervullen in de praktijk doorgaans de rol van generalist en niet die van technisch specialist, zoals een data scientist. Dit betekent dat zij primair verantwoordelijk zijn voor het begrijpen, interpreteren en beoordelen (ook wel reviewen) van analyses, in plaats van het zelfstandig uitvoeren daarvan. Deze beoordelende rol wordt steeds belangrijker, mede als gevolg van de toenemende automatisering van auditwerkzaamheden en de groeiende inzet van kunstmatige intelligentie. Hierdoor ontwikkelt datageletterdheid zich tot een steeds belangrijkere competentie binnen het accountantsberoep. De accountantsopleiding biedt bij uitstek een geschikte context om deze competentie te ontwikkelen (Booker et al. 2023), en het curriculum stelt dit ook als vereiste (CEA 2021).

Traditioneel onderwijs, gericht op het ontwikkelen van datageletterdheid, is vaak sterk gericht op het aanleren van programmeervaardigheden, zoals Python en R (Müller and Guido 2016; Burger 2018; James et al. 2021; James et al. 2023; Hill et al. 2024). Voor de accountantsopleiding brengt deze aanpak echter een belangrijk nadeel met zich mee. Het ontwikkelen van datageletterdheid samen met programmeervaardigheden verhoogt de cognitieve belasting van studenten aanzienlijk. Hierbij speelt de cognitive load theory (Sweller 1988) een centrale rol, die stelt dat het werkgeheugen op verschillende manieren belast kan worden. Het gelijktijdig aanleren van de hiervoor genoemde combinatie verhoogt vooral de extraneous cognitieve belasting, oftewel de onnodige belasting die niet direct bijdraagt aan het leerproces (Chandler and Sweller 1991). Dat komt omdat tegelijkertijd moet worden nagedacht over statistische concepten én programmeerlogica, waardoor minder capaciteit beschikbaar blijft voor het daadwerkelijk begrijpen van de onderliggende principes van data-analyse. Dit kan de motivatie en leerresultaten negatief beïnvloeden (Guzman et al. 2019), terwijl de geleerde programmeervaardigheden in de beroepspraktijk vaak slechts zeer beperkt nodig zijn. De traditionele aanpak sluit daarmee niet aan bij de behoeften van accountants, die juist vaardigheden nodig hebben om data-analyses te interpreteren en de resultaten ervan toe te passen in hun werk. Er is daarom behoefte aan een didactische benadering die goed aansluit bij de beroepspraktijk, door zich te richten op conceptueel begrip en beoordelingsvaardigheden en die minder tijd en aandacht vereist voor het leren van programmeervaardigheden.

 No-code software

Een veelbelovend alternatief voor het ontwikkelen van datageletterdheid bij accountants is het gebruik van no-code software (Sundberg and Holmström 2023). No-code software omvat alle software met een grafische interface waarmee gebruikers functionaliteit kunnen ontwikkelen of analyses kunnen uitvoeren zonder te hoeven programmeren. Dat betekent dat studenten aan de slag kunnen met de kernprincipes van data-analyse, zoals bijvoorbeeld het trainen en evalueren van machine-learningmodellen, zonder te worden geconfronteerd met de syntactische en technische complexiteit van programmeertalen. Hierdoor wordt cognitieve capaciteit vrijgemaakt voor germane cognitieve belasting, die belangrijk is voor duurzame kennisopbouw. Doordat no-code software het leerproces ook actief ondersteunt, kan het fungeren als een didactische opstap naar het ontwikkelen van datageletterdheid. Dat wil zeggen: het is een leeromgeving die het voor studenten mogelijk maakt om relevante concepten te begrijpen zonder dat zij worden geconfronteerd met de volledige complexiteit van de uiteindelijke vaardigheid. Hoewel no-code software geen volwaardig alternatief vormt voor programmeertalen in de beroepspraktijk, biedt het wel een basisniveau van begrip dat voldoende is om te voldoen aan de vraag uit de praktijk om datagedreven inzichten kritisch te kunnen beoordelen en interpreteren.

 Didactische meerwaarde

Dit artikel beargumenteert en illustreert de didactische meerwaarde van no-code software voor het aanleren van datageletterdheid in de accountantsopleiding. Hoewel het betoog specifiek gericht is op de accountantsopleiding, is de voorgestelde aanpak ook relevant voor andere opleidingen waarin datageletterdheid een kerncompetentie is, zoals de controllersopleiding. De opzet van dit artikel is als volgt. Allereerst bespreekt paragraaf 2 de didactische afwegingen tussen no-code software en programmeertalen. Vervolgens illustreert paragraaf 3 het gebruik van no-code software aan de hand van een praktische casus over machine learning. Hierin wordt getoond hoe een model kan worden getraind zonder één regel code te schrijven en hoe no-code software het leerproces daarbij actief ondersteunt. Aansluitend presenteert paragraaf 4 aanbevelingen voor het introduceren van no-code software in de accountantsopleiding en paragraaf 5 bevat de conclusie.

 2. Didactische afwegingen met betrekking tot no-code software

In deze paragraaf worden de twee belangrijkste didactische afwegingen besproken met betrekking tot de inzet van no-code software om datageletterdheid te ontwikkelen. Deze afwegingen zijn trade-offs: voordelen op het ene vlak gaan gepaard met beperkingen op een ander vlak. Ze betreffen respectievelijk de balans tussen ingebouwde vangnetten en flexibiliteit enerzijds en de balans tussen de mate waarin de software kennisopbouw ondersteunt en het risico op oppervlakkig begrip anderzijds.

2.1. Weinig risico op cognitieve overbelasting en fouten versus beperkte mate van flexibiliteit

Een belangrijk argument voor het gebruik van no-code software is dat het de technische instapdrempel aanzienlijk verlaagt ten opzichte van programmeertalen. Studenten worden bijvoorbeeld niet geconfronteerd met de syntactische complexiteit en de vaak non-informatieve foutmeldingen en debuggingprocessen die inherent zijn aan Python en R. Dit neemt de cognitieve belasting en frustratie weg die normaliter bij beginners gepaard gaat met het schrijven van code (Stachel et al. 2013; Bosch and D’Mello 2013). Hoewel het gebruik van large language models (LLM’s) zoals ChatGPT deze frustratie tegenwoordig deels kan mitigeren, verplaatst dit probleem zich eerder dan dat het verdwijnt: het overnemen van gegenereerde code leidt niet automatisch tot begrip van de onderliggende processen. No-code software vervangt het schrijven van code door een point-and-click grafische interface, waarin analyses worden uitgevoerd door keuzes te maken in menu’s. Hierdoor wordt de student niet langer belast met programmeerproblemen, waardoor meer cognitieve capaciteit beschikbaar blijft voor het internaliseren van statistische concepten. Dit betekent dat studenten hun aandacht kunnen focussen op conceptuele vraagstukken.

Een ander argument voor het gebruik van no-code software is dat het ingebouwde vangnetten bevat om studenten in goede banen te leiden. Gebruikers leren sneller de functionele voordelen van de techniek ervaren en worden daarbij minder afgeleid en weerhouden door de uitdagingen om zelf programmeren foutloos onder de knie te krijgen. Voorbeelden hiervan zijn gestandaardiseerde workflows, weloverwogen standaardinstellingen, en informatieve foutmeldingen. Dit soort vangnetten begeleiden studenten stap voor stap door het analyseproces en nemen de kans op zowel syntactische fouten als methodologische missers grotendeels weg (bijvoorbeeld onlogische of onmogelijke instellingen) die bij programmeren gemakkelijk kunnen optreden. Dat zorgt voor minder frustratie, wat de motivatie kan vergroten (Pekrun 1992), met name in de beginfase van het leerproces waarin fouten doorgaans de meeste weerstand oproepen.

Deze twee voordelen gaan echter gepaard met een beperking: no-code software biedt in vergelijking met programmeertalen slechts een beperkte mate van flexibiliteit. Doordat studenten met een grafische interface werken, zijn zij gebonden aan de keuzes en restricties die de softwareontwikkelaars hebben vastgelegd. Dit betekent bijvoorbeeld dat niet alle mogelijke instellingen aangepast kunnen worden. Toepassingen van data-analyse die moeten worden geïntegreerd in een bestaande auditworkflow (bijvoorbeeld koppelingen met bronsystemen van een klant) lopen daarom snel tegen de grenzen van no-code software aan. Programmeertalen bieden daarentegen controle over het volledige analyseproces. Daarom is no-code software geen volwaardig alternatief voor het gebruik van programmeertalen in de beroepspraktijk, maar fungeert het primair als didactische opstap voor het ontwikkelen van datageletterdheid.

 2.2. Ondersteuning van kennisopbouw versus risico op oppervlakkig begrip

No-code software biedt drie verschillende functionaliteiten die kennisopbouw actief ondersteunen. Een eerste relevante functionaliteit is de directe feedback die de software doorgaans geeft. Zodra een student een handeling uitvoert, worden bijvoorbeeld de resultaten onmiddellijk geüpdatet of worden foutmeldingen onmiddellijk weergegeven. Daarmee ontstaat een directe koppeling tussen gemaakte keuzes en hun gevolgen voor de uitkomsten. Hierdoor leren studenten sneller de causale relaties tussen instellingen en uitkomsten te herkennen, wat het leerproces versterkt (Hattie and Timperley 2007, p. 98).

Een tweede functionaliteit waarmee no-code software kennisopbouw actief ondersteunt, is geïntegreerde uitleg. Voorbeelden hiervan zijn automatische interpretatie van resultaten, uitgebreide helpbestanden, of korte definities via tooltips. Deze uitleg verschijnt precies op het moment dat studenten de informatie nodig hebben, namelijk als zij deze opvragen, wat aansluit bij het principe van just-in-time learning (Brandenburg and Ellinger 2003). Hierdoor kunnen studenten zelfstandig nieuwe kennis opdoen, terwijl een docent de aandacht kan richten op verdieping in plaats van uitleg. Dit veronderstelt echter wel dat studenten deze geïntegreerde uitleg actief benutten; zonder gerichte begeleiding bestaat het risico dat deze wordt genegeerd.

Een laatste functionaliteit waarmee no-code software de kennisopbouw actief ondersteunt, is de sterke nadruk op visualisatie. No-code software genereert automatisch relevante grafieken die studenten inzicht bieden in de uitkomsten. Doordat deze grafieken abstracte statistische concepten concreet en makkelijk interpreteerbaar maken, krijgen studenten een beter begrip van de uitkomsten. Dit bevordert het leerproces vooral wanneer studenten worden aangezet om actief te verwoorden wat zij zien, omdat dit diepere verwerking stimuleert (Naps et al. 2003).

Hoewel deze drie functionaliteiten van no-code software de kennisopbouw actief ondersteunen, ontstaat hierdoor tegelijkertijd het risico dat studenten een oppervlakkig begrip ontwikkelen. Doordat no-code software veel stappen automatisch uitvoert en complexe berekeningen verhult achter eenvoudig uitziende keuzes, bestaat het risico dat studenten vooral de interface leren bedienen, zonder inzicht te ontwikkelen in de statistische aannames en relaties die een analyse daadwerkelijk sturen (Hitron et al. 2019). Wanneer wijzigingen in instellingen bijvoorbeeld worden doorgevoerd zonder na te denken over het effect daarvan op een analyse, ontstaat een vorm van kennis die voor de beroepspraktijk onvoldoende robuust is, omdat accountants beslissingen moeten kunnen onderbouwen en kritisch moeten kunnen reflecteren op uitkomsten. Het aanleren van deze kennis aan accountants vraagt om een opleidingsomgeving waarin praktijkleren centraal staat. Om dit te bereiken, is het belangrijk dat studenten actief aan de slag gaan met de uitkomsten, wat gefaciliteerd zou moeten worden in de cursus. In paragraaf 4 doen wij een concreet voorstel voor zo’n cursus.

Zoals blijkt uit deze uiteenzetting, vereist de inzet van no-code software een expliciete afweging. De lage technische instap en de actieve ondersteuning van kennisopbouw kunnen het ontwikkelen van datageletterdheid voor (toekomstige) accountants vergemakkelijken. Tegelijkertijd is de flexibiliteit van dit type software beperkt ten opzichte van programmeertalen en bestaat er een risico op oppervlakkig begrip. No-code software fungeert daarom vooral als didactische opstap. Voor generalisten, die voldoende kennis nodig hebben om analyses te kunnen beoordelen, kan deze opstap volstaan. Voor specialisten vormt zij alleen een voorbereiding op technische implementatie in programmeertalen, maar niet het eindpunt van het leerproces. In het volgende hoofdstuk worden de voordelen van het gebruik van no-code software concreet geïllustreerd aan de hand van een praktische casus, waarin wordt getoond hoe dit type software het leerproces actief ondersteunt ten opzichte van programmeertalen.

 3. Demonstratie van een actief ondersteund leerproces in no-code software

In deze paragraaf wordt aan de hand van een praktijkcasus gedemonstreerd hoe no-code software de toepassing van data-analysetechnieken, en daarmee het leerproces, ondersteunt. Eén van de technieken die vaak wordt genoemd wanneer men spreekt over het genereren van datagedreven inzichten is machine learning. Machine learning is een subdomein van kunstmatige intelligentie dat zich richt op het trainen van modellen om patronen in data te herkennen en op basis daarvan voorspellingen te doen voor nieuwe data (James et al. 2023). In een audit kunnen dit soort voorspellende modellen waarde toevoegen ten opzichte van een meer traditionele controleaanpak (Jones and Free 2026). Denk bijvoorbeeld aan een model dat transacties identificeert die afwijken van een normaal patroon (Huang et al. 2022), waarna deze nader kunnen worden onderzocht op mogelijke anomalieën. De toegevoegde waarde van zo’n model ligt in dat geval in het signaleren van mogelijke anomalieën (bijvoorbeeld potentiële fouten of fraude), die bij een meer traditionele controleaanpak onopgemerkt zouden kunnen blijven. De volgende subparagrafen gaan in op de manier waarop no-code software de modelbouw vereenvoudigt en veelvoorkomende methodologische valkuilen voorkomt die bij programmeertalen gemakkelijk kunnen optreden.

3.1. Keuze voor no-code software: JASP

In deze paragraaf gebruiken we JASP (JASP Team 2026) als voorbeeld van no-code software. Hiervoor is gekozen omdat JASP open-source is en daardoor kosteloos beschikbaar voor iedereen.1 Dit betekent dat lezers de hierna beschreven casus zelfstandig kunnen reproduceren met behulp van de bijbehorende databestanden.2 Het open-source karakter van JASP is bovendien relevant voor accountantsopleidingen en auditfirma’s, omdat het ze in staat stelt de software zonder licentiekosten te gebruiken. Er bestaat echter een breed aanbod aan no-code software die geschikt is voor machine learning, waaronder BlueSky (BlueSky Statistics 2026), AutoML (Google Cloud 2026), SPSS (IBM Corp 2026) en Orange Data Mining (Orange 2026).3 Hoewel deze, veelal closed-source, softwarepakketten geschikt zijn, missen zij de specifieke voordelen die JASP voor de Nederlandstalige accountantsopleiding biedt.

JASP combineert een intuïtieve point-and-click grafische interface (Love et al. 2019) met de rekenkracht van de programmeertaal R (R Core Team 2025). De software is ontworpen om statistische analyses toegankelijk te maken voor gebruikers zonder programmeervaardigheden, en wordt wereldwijd toegepast in zowel onderwijs als onderzoek. Zo maakt JASP inmiddels deel uit van het curriculum van honderden universiteiten en ondersteunt het meerdere talen, waaronder Nederlands en Engels. Het pakket bevat een brede set standaardanalyses en kan worden uitgebreid met aanvullende modules, waaronder een module voor machine learning.

 3.2. Voorbeeldcasus: voorspellen van betaalstatus

Om te illustreren hoe JASP het leerproces actief ondersteunt, wordt de volgende praktijkcasus gebruikt. Tijdens de planningsfase van de interim-controle over het boekjaar 2026 richt een auditor zich op de post omzet, gezien het materialiteitsniveau en de risico’s die samenhangen met een juiste periodetoerekening. De klant hanteert relatief lange betalingstermijnen en kent een heterogeen klantenbestand met historisch uiteenlopend betalingsgedrag, waardoor het risico bestaat dat een deel van de omzet te vroeg is verantwoord. Ter ondersteuning van de inschatting van dit risico analyseert de auditor historisch beschikbare gegevens over betalingsgedrag uit voorgaande boekjaren.

Het doel van de analyse is om op basis van de historische gegevens een model te trainen dat voorspelt welke facturen in de relevante periode van 2026 mogelijk niet op tijd betaald zullen worden. De voorspellingen van dit model dienen niet als zelfstandig auditbewijs, maar als ondersteuning bij de risico-inschatting. Facturen met een relatief hoge voorspelde kans op late betaling kunnen bijvoorbeeld aanleiding geven tot gerichte vervolgwerkzaamheden, zoals uitgebreidere afloopcontroles of een kritische beoordeling van de voorziening voor dubieuze debiteuren.

De historische dataset bestaat uit 2.000 facturen, met zowel financiële kenmerken als andere klantindicatoren.4 De dataset bevat bovendien een indicator voor tijdige of te late betaling. Voor de relevante periode in 2026 is een aparte dataset beschikbaar met 500 facturen met dezelfde kenmerken, waarvan de uiteindelijke betaalstatus nog onbekend is.

 3.3. Keuze voor algoritme: <italic>k-nearest neighbors</italic>

Voor het classificeren van de facturen als ‘te laat’ of ‘op tijd’ gebruikt de auditor het k-nearest neighbors (KNN)-algoritme. KNN is relatief eenvoudig en daardoor geschikt voor situaties waarin begrijpelijkheid centraal staat. Het algoritme volgt een intuïtief principe: om een voorspelling te maken voor een ongeziene factuur, zoekt het model naar de meest vergelijkbare historische facturen op basis van alle beschikbare kenmerken en gebruikt het betaalgedrag van deze ‘buren’ als basis voor de voorspelling.

Bij het maken van een voorspelling selecteert het algoritme de k dichtstbijzijnde buren in de historische dataset. De keuze van k is een belangrijke modelparameter: een lage waarde kan leiden tot overgevoeligheid van het model, terwijl een hoge waarde de voorspellingen minder genuanceerd maakt (James et al. 2023, p. 37). De uiteindelijke voorspelling volgt uit een meerderheidsregel (zie Figuur 1).

DAAA673C-9AF8-57A3-BB6E-1AF8D7BFA316

Illustratie van het KNN-algoritme en de invloed van verschillende waarden van k op de voorspelling voor de met de blauwe driehoek aangegeven factuur. Noot: Bij k = 1 voorspelt het model een op tijd betaalde factuur (groene cirkel), bij k = 3 verschuift de meerderheid van de dichtstbijzijnde buren naar te laat betaalde facturen (rode vierkanten) en bij k = 5 keert de voorspelling terug naar een tijdige betaling.

https://binary.pensoft.net/fig/1761568 3.4. Uitwerking van de casus

In deze subparagraaf wordt stap voor stap uitgewerkt hoe het KNN-algoritme in JASP wordt toegepast binnen een realistische auditcasus. Daarbij ligt de nadruk op het vergelijken van no-code software met het werken in programmeertalen met betrekking tot de twee didactische afwegingen in paragraaf 2. Tabel 1 biedt een overzicht van veelvoorkomende fouten die studenten in verschillende fasen van het modelbouwproces kunnen maken. Deze fouten worden in de subparagrafen besproken, evenals de manier waarop diverse softwarepakketten hiermee omgaan.5 In deze tabel vergelijken we JASP met caret (R, Kuhn 2008), mlr3 (R, Lang et al. 2019), kknn (R, Schliep and Hechenbichler 2025) en scikit-learn (Python, Pedregosa et al. 2011), aangezien dit gespecialiseerde machine-learningpakketten zijn die onder meer ondersteuning bieden voor k-nearest neighbors in programmeertalen.

Overzicht van veelvoorkomende fouten en hun afhandeling in verschillende softwarepakketten.

Fout JASP caret (R) mlr3 (R) kknn (R) scikit-learn (Python)
1. Onbedoeld niet schalen ✓ Automatisch opgelost (standaardinstelling) X Niet opgevangen X Niet opgevangen ✓ Automatisch opgelost (standaardinstelling) X Niet opgevangen
2. Verkeerd meetniveau doelvariabele ✓ Automatische correctie ✓ Automatische correctie ✓ Informatieve foutmelding (uitvoer) X Voert regressie uit ✓ Automatische correctie
3. Tekstvariabele als feature ✓ Automatische transformatie naar factor ✓ Automatische transformatie naar factor X Non-informatieve foutmelding ✓ Automatische transformatie naar factor X Non-informatieve foutmelding
4. Onlogische datasplitsing ✓ Informatieve foutmelding (invoer) X Mogelijk, geen waarschuwing X Mogelijk, geen waarschuwing X Niet ondersteund ✓ Informatieve foutmelding (uitvoer)
5. k = 0 ✓ Informatieve foutmelding (invoer) ✓ Informatieve foutmelding (uitvoer) X Non-informatieve foutmelding ✓ Informatieve foutmelding (uitvoer) ✓ Informatieve foutmelding (uitvoer)
6. k > aantal trainingsobservaties ✓ Informatieve foutmelding (uitvoer) X Crash / Aanpassing naar maximum ✓ Informatieve foutmelding (uitvoer) ✓ Informatieve foutmelding (uitvoer) X Non-informatieve foutmelding
7. Evaluatie / validatie op trainingsset ✓ Niet mogelijk X Mogelijk, geen waarschuwing X Mogelijk, geen waarschuwing X Mogelijk, geen waarschuwing X Mogelijk, geen waarschuwing
8. Inconsistent schalen bij voorspellen ✓ Niet mogelijk X Mogelijk, geen waarschuwing X Mogelijk, geen waarschuwing X Mogelijk, geen waarschuwing X Mogelijk, geen waarschuwing
<italic>3.4.1. De gebruikersinterface</italic>

De toepassing van het KNN-algoritme begint met het openen van de historische dataset in JASP en het selecteren van de ‘K Dichtste Buren’-analyse (wanneer de interface op Nederlands staat ingesteld) binnen de machine learning module. In de bijbehorende gebruikersinterface kan een student de relevante variabelen eenvoudig naar de bijbehorende invoervelden slepen. De wijze waarop deze invoeropties en bijbehorende feedback worden gepresenteerd heeft directe gevolgen voor zowel kennisopbouw als gebruiksgemak.

3.4.1.1. Ondersteuning van kennisopbouw

JASP ondersteunt kennisopbouw door de interface af te stemmen op statistische concepten en hun onderlinge samenhang. Hierdoor worden studenten geholpen bij het interpreteren van zowel invoerkeuzes als modeluitvoer. Zo geeft de interface bijvoorbeeld per invoerveld aan welk meetniveau wordt verwacht en biedt het de mogelijkheid om verschillende tabellen en grafieken op te vragen voor de uitvoer. Voor elke optie is gedetailleerde uitleg beschikbaar via het ‘i’-symbool in de rechterbovenhoek. JASP bevat bovendien een databibliotheek met uitgewerkte voorbeelden die de interpretatie van relevante uitvoer stap voor stap toelichten. Dit is functionaliteit waarvan in paragraaf 2 is beargumenteerd dat het de kennisopbouw ondersteunt.

3.4.1.2. Ingebouwde vangnetten

Naast ondersteuning biedt de interface ingebouwde vangnetten die studenten behoeden voor veelvoorkomende methodologische fouten. Zodra de variabelen zijn gespecificeerd, voert JASP bijvoorbeeld automatisch de benodigde berekeningen uit. Studenten doorlopen daarbij vanzelf een gestandaardiseerde workflow (dataschaling en datasplitsing → modeltraining en parameteroptimalisatie → modelevaluatie → voorspellingen maken voor nieuwe data). Deze workflow fungeert als een didactisch vangnet doordat het de volgorde van stappen bewaakt, wat voorkomt dat studenten fasen overslaan of deze onbedoeld verwisselen. Denk bijvoorbeeld aan het per ongeluk evalueren van het model op de testset tijdens de optimalisatiefase; een fout die in een programmeertaal gemakkelijk kan ontstaan door bijvoorbeeld een typfout.

De gegenereerde JASP-uitvoer (Figuur 2) documenteert het volledige modelbouwproces. De bovenste tabel in deze uitvoer toont het geoptimaliseerde model. In de volgende subparagrafen wordt stap voor stap toegelicht hoe dit model tot stand komt en hoe JASP het leerproces voor de student daarin actief ondersteunt.

A793C5CC-48F2-5D6D-B847-1F83A045160F

Snapshot van de JASP-uitvoer van de ‘K-Dichtste Buren’ analyse.

https://binary.pensoft.net/fig/1761569 <italic>3.4.2. Fase 1: Dataschaling en datasplitsing</italic>

De eerste fase in het modelbouwproces is het schalen van de historische dataset (James et al. 2023, p. 185) en het splitsen van deze data in een trainings-, validatie- en testset (James et al. 2023, p. 28, 202). De trainingsset wordt gebruikt om het model te fitten, terwijl de validatieset dient om de optimale waarde van k te bepalen. De testset blijft volledig buiten het optimalisatieproces en levert daardoor een onafhankelijke schatting van de uiteindelijke prestatie van het model.

3.4.2.1. Ingebouwde vangnetten

JASP schaalt automatisch alle numerieke variabelen en voert daarna meteen de datasplitsing uit volgens gangbare richtlijnen, namelijk 80% voor training (inclusief validatie) en 20% voor testen (e.g., James et al. 2023, p. 446).6 Dit zijn twee voorbeelden van weloverwogen standaard­instellingen die als vangnet functioneren (paragraaf 2) en daarmee het risico op fouten verminderen ten opzichte van programmeertalen. Ter illustratie, in programmeertalen moet een student bij sommige pakketten zelf de data schalen en bij sommige pakketten niet (zie Tabel 1, regel 1). Zo voert de functie kknn uit het kknn-pakket (die JASP aanroept onder de motorkap) standaard intern de dataschaling uit, tenzij dit expliciet wordt uitgezet, terwijl de functie knn3 in het caret pakket dat niet ondersteunt. Wanneer een student hier niet alert op is, kan dit ertoe leiden dat de dataschaling onbedoeld niet wordt uitgevoerd.

Daarnaast blokkeert JASP in deze fase onlogische invoer en geeft het informatieve foutmeldingen, terwijl dat in programmeertalen niet altijd het geval is. Zo worden de doelvariabele (Tabel 1, regel 2) en de features (Tabel 1, regel 3) automatisch naar de juiste datatypen getransformeerd, terwijl dit in programmeertalen niet consistent wordt afgevangen. Wanneer een student daarna bij de datasplitsing bijvoorbeeld een onlogische splitsing selecteert, zoals 100% testdata en 0% trainingsdata, blokkeert JASP deze keuze en geeft het de foutmelding: “De waarde moet ≥ 5 en ≤ 95 zijn”. Ter vergelijking: de functie createDataPartition in caret, die de datasplitsing doet, accepteert een trainingspercentage van 0% en geeft vervolgens een lege uitvoer zonder enige waarschuwing of foutmelding (Tabel 1, regel 4).

3.4.2.2. Ondersteuning van kennisopbouw

Na het uitvoeren van de datasplitsing maakt JASP automatisch een grafische weergave van de omvang van de drie sets: 1.280 facturen in de trainingsset, 320 in de validatieset en 400 in de testset (zie Figuur 2). Dit vormt opnieuw een voorbeeld van functionaliteit waarvan in paragraaf 2 is beargumenteerd dat het de kennisopbouw actief ondersteunt. De visuele terugkoppeling ondersteunt het leerproces doordat studenten direct inzicht krijgen in de relatieve grootte en de functie van elke set. Wanneer een student bijvoorbeeld cross-validatie toepast in plaats van de standaard datasplitsing, past de visualisatie zich daarop aan en wordt duidelijk zichtbaar dat de training- en validatieset in dat geval dezelfde functie vervullen.

3.4.2.3. Beperkte flexibiliteit

Het gebruik van de interface brengt echter ook beperkingen met zich mee voor de wijze waarop de datasplitsing kan worden uitgevoerd. Zo biedt createDataPartition de mogelijkheid om meerdere trainingssets te genereren, terwijl deze functionaliteit niet beschikbaar is in JASP. Daarnaast schaalt JASP numerieke variabelen standaard naar een gemiddelde van nul en een standaardafwijking van één, zonder dat de gebruiker deze instelling kan aanpassen. Wanneer dergelijke flexibiliteit nodig is, zijn studenten daarom aangewezen op een programmeertaal.

 <italic>3.4.3. Fase 2: Modeltraining en parameteroptimalisatie</italic>

De tweede fase in het modelbouwproces betreft het trainen van het model en het bepalen van de optimale waarde voor k. JASP vergelijkt hiervoor automatisch de nauwkeurigheid op de validatieset voor verschillende waardes van k. Uit dit optimalisatieproces blijkt dat een model met k = 3 de hoogste nauwkeurigheid behaalt op de validatieset (0,8281).

3.4.3.1. Ingebouwde vangnetten

Een centrale keuze in het optimalisatieproces is welke waarden van k worden geprobeerd. JASP gebruikt hiervoor standaard een maximumaantal voor k van tien. Dit is een standaardinstelling die beginners ondersteunt door het proces niet onnodig complex te maken. Een mogelijke fout in het optimalisatieproces is namelijk het kiezen van een onlogische waarde voor k. Denk hierbij aan k = 0 door een typfout (Tabel 1, regel 5), of een waarde van k die groter is dan het aantal observaties in de trainingsset door een gebrek aan begrip van de betekenis van k (Tabel 1, regel 6). JASP voorkomt dit soort fouten door onlogische waardes te blokkeren. Bij k = 0 verschijnt hetzelfde soort informatieve foutmelding als in de vorige subparagraaf. Wanneer een te grote waarde wordt ingevoerd, bijvoorbeeld 10.000, geeft JASP bovendien de informatieve foutmelding: “U heeft meer naaste buren gespecificeerd dan er observaties in de trainingsset zitten. Kies a.u.b. een getal lager dan 1.280.” Deze foutmelding is een voorbeeld van een didactisch vangnet (zie paragraaf 2), omdat studenten daardoor onmiddellijk begrijpen wat er misgaat en waarom de ingevoerde waarde niet geldig is. Dit staat in contrast met bijvoorbeeld knn3, die een waarde als 10.000 zonder waarschuwing accepteert en stilzwijgend corrigeert naar 1.280, wat de indruk kan wekken dat k = 10.000 gebruikt is. In het geval van k = 0 geeft deze functie wel een informatieve foutmelding (“k = 0 must be at least 1”). Ter vergelijking, de functie kknn geeft in beide gevallen informatieve foutmeldingen (“k must > 0” bij k = 0 en “k must be smaller or equal [sic] the number of rows of the training set” bij k > aantal trainingsobservaties).

3.4.3.2. Ondersteuning van kennisopbouw

Studenten kunnen het maximumaantal voor k eenvoudig aanpassen, bijvoorbeeld naar 100, waarna JASP direct toont hoe deze keuze de optimale waarde van k en de modelprestaties beïnvloedt. Zoals beargumenteerd is in paragraaf 2, bevordert dergelijke directe feedback het begrip van de causale relatie tussen deze keuze en de modelprestatie. JASP maakt daarnaast automatisch een grafiek die dit proces visualiseert door de nauwkeurigheid op de validatieset voor verschillende waarden van k te laten zien (zie Figuur 2). Dit is wederom een voorbeeld van een functionaliteit die kennisopbouw actief ondersteunt. Hoewel deze grafiek namelijk geen nieuwe inhoudelijke informatie toevoegt, is deze didactisch waardevol omdat studenten in één oogopslag kunnen zien dat het model de beste prestatie levert bij een relatief lage waarde van k.

3.4.3.3. Beperkte flexibiliteit

Hoewel JASP het volledige optimalisatieproces automatiseert en daarmee complexiteit wegneemt, brengt dit ook beperkte flexibiliteit met zich mee. Zo kan er uitsluitend worden geoptimaliseerd op nauwkeurigheid. Voor optimalisatie op andere maatstaven is het gebruik van een programmeertaal noodzakelijk.

3.4.3.4. Risico op oppervlakkig begrip

Daarnaast is er een risico op oppervlakkig begrip, omdat studenten niet zelf het modelgedrag bij verschillende waardes van k ervaren. Hierdoor bestaat er een risico dat ze oppervlakkig inzicht ontwikkelen in de rol van k, bijvoorbeeld dat een lage waarde de voorspellingen van het model overgevoelig kan maken. Daarom is het belangrijk dat docenten het gebruiksgemak van de software benutten om studenten actief te laten nadenken over verschillende modellen, bijvoorbeeld door hen met één druk op de knop de voorspellingen voor verschillende waarden van k te laten visualiseren.

 <italic>3.4.4. Fase 3: Modelevaluatie</italic>

De derde fase bestaat uit het evalueren van het geoptimaliseerde model op de testset. De bovenste tabel in Figuur 2 toont dat de testnauwkeurigheid 0,8950 bedraagt, wat betekent dat bijna 90% van de voorspellingen correct is. De nauwkeurigheid geeft alleen geen volledig beeld, omdat de verdeling van betaalstatus in deze casus ongelijk is (329 tijdige en 71 late betalingen). De output in Figuur 2 toont een precisie van 0,94 voor ‘op tijd’ en 0,70 voor ‘te laat’, terwijl de recall respectievelijk 0,93 en 0,72 bedraagt. Het model presteert daarmee sterk voor tijdige betalingen, maar detecteert te late betalingen minder goed.

3.4.4.1. Ingebouwde vangnetten

JASP produceert automatisch de verwarringsmatrix waarin de voorspelde betaalstatus wordt afgezet tegen de werkelijke betaalstatus van de facturen (zie Figuur 2); een voorbeeld van een weloverwogen standaardinstelling zoals besproken in paragraaf 2. Dit voorkomt bijvoorbeeld de mogelijke fout dat een student de verwarringsmatrix baseert op de trainingsset; een fout die in programmeertalen gemakkelijk wordt gemaakt (Tabel 1, regel 7). In programmeertalen vereist het maken van een verwarringsmatrix daarnaast meerdere handmatige stappen, wat relatief foutgevoelig is. Bijvoorbeeld, het direct toepassen van de ingebouwde functie confusionMatrix uit caret na het trainen van het KNN-model geeft de foutmelding “Error: data and reference should be factors with the same levels”. Deze melding is voor studenten nauwelijks informatief en vereist bovendien dat ze eerst begrijpen dat de gegevens handmatig moeten worden omgezet naar de factor-datastructuur. Voor studenten zonder program­meerervaring kan het hierdoor lastig zijn om te doorgronden hoe deze fout dient te worden aangepakt.

3.4.4.2. Risico op oppervlakkig begrip

Omdat JASP automatisch alle maatstaven berekent, bestaat het risico dat studenten deze uitkomsten klakkeloos overnemen zonder eerst te overwegen welke maatstaf relevant is voor het specifieke vraagstuk. Dit vergroot de kans op oppervlakkig begrip van de prestatie van het model. Daarom is het belangrijk dat docenten studenten actief laten nadenken over welke maatstaf in de gegeven context het meest betekenisvol is (zoals recall in deze casus). In programmeertalen doet dit probleem zich minder snel voor, omdat gebruikers daar expliciet moeten aangeven welke maatstaven zij willen opvragen, waardoor zij gedwongen worden bewust die keuze te maken.

 <italic>3.4.5. Fase 4: Voorspellingen maken voor nieuwe data</italic>

De laatste stap in deze casus bestaat uit het toepassen van het eindmodel op de dataset van 2026. Nadat het geoptimaliseerde model is opgeslagen en de nieuwe dataset is geopend, kan binnen JASP de analyse ‘Voorspellen’ worden geselecteerd. Na het inladen van het eindmodel en het invoeren van de variabelen worden de 500 facturen uit 2026 automatisch geclassificeerd. De uitvoer (Figuur 3) laat zien dat 18 facturen (3,6%) worden voorspeld als ‘te laat’. Omdat dit slechts een klein deel van de totale populatie betreft, kan het risico op te vroeg verantwoorde omzet voor 2026 waarschijnlijk lager worden ingeschat dan wanneer deze analyse niet zou zijn uitgevoerd.

6BE43352-C5E6-5B4F-B213-00F796FCEB11

Snapshot van de JASP-uitvoer van de ‘Voorspellen’ analyse.

https://binary.pensoft.net/fig/1761570

3.4.5.1. Ingebouwde vangnetten

Een belangrijk aandachtspunt bij het maken van voorspellingen is dat de nieuwe data op dezelfde wijze worden geschaald als de data waarop het model is getraind. In programmeertalen vereist dit dat gebruikers de gemiddeldes en standaardafwijkingen in de trainingsdata opslaan en deze opnieuw toepassen tijdens het schalen van de nieuwe dataset. Dit proces is foutgevoelig, zeker voor beginners: het vergeten van één regel code kan leiden tot onlogische voorspellingen. JASP neemt dit gehele proces uit handen door de juiste schalingsparameters op te slaan met het getrainde model en automatisch opnieuw toe te passen. Dit vormt opnieuw een didactisch vangnet dat studenten behoedt voor subtiele maar impactvolle methodologische fouten die bij het werken met programmeertalen snel kunnen ontstaan (Tabel 1, regel 8).

3.4.5.2. Beperkte flexibiliteit

Waar no-code oplossingen echter tegen hun grenzen aanlopen, is in het vertalen van voorspellingen naar vervolgacties. In een programmeertaal kan bijvoorbeeld een koppeling worden gemaakt met de bronsystemen van de klant, waarna facturen die interessant zijn voor nadere inspectie automatisch kunnen worden geëxtraheerd. Een dergelijke integratie is niet makkelijk mogelijk in no-code software, wat de toepassingsmogelijkheden in de praktijk aanzienlijk beperkt.

De uitwerking van deze voorbeeldcasus met no-code software laat zien hoe een machine learning model kan worden opgebouwd, geëvalueerd en geïnterpreteerd zonder dat programmeervaardigheden nodig zijn.7 De casus illustreert bovendien dat no-code software het leerproces actief ondersteunt via een gestandaardiseerde workflow, ingebouwde vangnetten en automatisch gegenereerde visualisaties en tabellen die het begrip van het model en de prestaties versterken. Tegelijkertijd toont de casus ook de beperkingen van no-code software, waardoor deze weliswaar een didactische opstap vormt, maar geen volwaardig alternatief voor programmeertalen is. Daarentegen helpt deze casus studenten wel de benodigde kennis te ontwikkelen om de uitkomsten van machine-learningtechnieken te kunnen interpreteren en beoordelen.

 4. Aanbevelingen voor het integreren van no-code software in de accountantsopleiding

In de inleiding van dit artikel wordt gesteld dat er een kloof bestaat tussen de technische mogelijkheden en de beschikbaarheid van data enerzijds en anderzijds wat in de auditpraktijk daadwerkelijk wordt toegepast. Het onderwijs kan bijdragen om deze kloof te overbruggen. Wij hebben voor programmamanagement en docenten in accountantsopleidingen de volgende drie aanbevelingen:

Neem nieuwe data-analysetechnieken, zoals machine learning, op in een cursus in de accountantsopleiding, zodat studenten vroegtijdig kennismaken met de principes, mogelijkheden en beperkingen hiervan.

Gebruik no-code software als didactische opstap naar datageletterdheid, zodat studenten de relevante kennis kunnen opdoen zonder programmeervaardigheden.

Integreer het leertraject in de praktijk door studenten eerst conceptueel begrip te laten opbouwen en daarna dit begrip te vertalen naar implementaties in hun eigen werkomgeving, opdat deze leerervaring bijdraagt aan hun reviewvaardigheden.

Los van de geschetste technische kloof staan ook de studeerbaarheid en aantrekkelijkheid van de accountantsopleiding onder druk (NBA/CEA 2022; Kwartiermakers Toekomst Accountancy 2023; Expertgroep Educatie 2023). Een toekomstbestendige en studeerbare accountantsopleiding vereist integratie van de theorieopleiding en praktijkopleiding, zodat theoretische en cognitieve kennis worden geïntegreerd met competenties en vaardigheden voor de beroepspraktijk. Idealiter worden in een geïntegreerde opleiding beroepsproducten uit de dagelijkse beroepspraktijk verzameld in een portfolio dat gestileerde theoretische opdrachten en tentamens vervangt. Het leren van accountants in de opleiding staat centraal, maar wel in de beroepspraktijk bij de accountantsorganisatie waar zij werken. Daarnaast is er sprake van een toenemend gebruik van nieuwe technieken en generatieve AI-toepassingen waardoor steeds meer eenvoudige controlewerkzaamheden worden geautomatiseerd. AI-agents leveren in korte tijd resultaten waar controleteams eerder lange tijd aan moesten werken. Het effectief kunnen beoordelen en interpreteren van deze uitkomsten, ook wel reviewen, vereist veel kennis en ervaring. Om accountants in opleiding te leren beoordelen en interpreteren moeten zowel de conceptuele kennis van de toepassing van nieuwe technieken als de technische uitvoering en risico’s worden aangeleerd. Het gebruik van no-code software biedt een oplossing voor deze leervraag.

Om de drie aanbevelingen in dit hoofdstuk concreet te maken, bespreken we een voorbeeld van een mogelijk ontwerp voor een cursusprogramma voor machine learning dat aansluit bij de voorgestelde integratie tussen theorie en praktijk (Tabel 2). Deze cursus is vormgegeven als (keuze)vak binnen een post-masteropleiding in accountancy en bestaat uit acht dagdelen. Het doel van de cursus is het ontwikkelen van datageletterdheid in het algemeen aan de hand van het leren werken met machine learning tijdens de accountantscontrole. De specifieke leerdoelen zijn het begrijpen, kunnen toepassen en evalueren van nieuwe technieken, zoals machine learning, in de praktijk alsmede het kunnen evalueren van de voordelen en nadelen en het identificeren van kansen en risico’s van het toepassen van deze technieken.

Mogelijk ontwerp voor een geïntegreerd cursusprogramma voor machine learning in de accountantsopleiding.

Dagdeel Collegevorm Onderwerp
1 Werkcollege Basisconcepten machine learning; typen auditdata en soorten analyses, data inlezen in JASP; variabelen herkennen; beschrijvende statistiek berekenen en interpreteren.
2 Intervisie Bespreking van proces(verslag) over praktijkdata verkrijgen en inlezen in casussituaties.
3 Werkcollege Opzetten van eenvoudige classificatie- en regressiemodellen in JASP; interpreteren van de modeloutput in auditcontext.
4 Intervisie Bespreking van proces(verslag) over toepassen classificatie- of regressiemodel op praktijkdata.
5 Werkcollege Clusteren van transacties; identificeren van anomalieën; toepassing op journaalposten.
6 Intervisie Bespreking van proces(verslag) over toepassing van clusteren of anomaliedetectie op praktijkdata.
7 Werkcollege Belang van transparantie in audit; interpreteren van variabele-invloed en uitleggen hoe voorspellingen tot stand komen.
8 Intervisie Bespreking van proces(verslag) over evalueren van toegepaste modellen en reflecteren op succesfactoren voor toekomstig eigen gebruik.

Om deze leerdoelen te bereiken, worden werkcolleges afgewisseld met intervisiesessies. Voor de werkcolleges wordt een flip-the-classroom-opzet gebruikt, waarbij studenten eerst zelfstandig met theorie aan de slag gaan in een gestileerde casus. Als ondersteunende literatuur bevelen wij de boeken van James et al. (2021) of James et al. (2023) aan, die gratis online beschikbaar zijn. Vervolgens bespreekt de docent tijdens de werkcolleges vergelijkbare casuïstiek en gaan de studenten zelf hiermee aan de slag in JASP. Daarvoor kunnen bestaande casussen en databestanden worden gebruikt die eerder zijn gepubliceerd op accountant.nl (Derks 2024a, 2024b; Derks and Mensink 2024), net als de casus uit paragraaf 3, of docenten kunnen eigen casuïstiek ontwikkelen. Na afloop van de werkcolleges gaan de studenten de zojuist geleerde theorie toepassen bij een eigen klant met een dataset uit de praktijk van die klant. Studenten werken dan met de nieuwe techniek in hun eigen beroepspraktijk. Het proces, inclusief eventuele obstakels, en de voorlopige resultaten, leggen zij vast in een verslag, dat vóór aanvang van de eerstvolgende intervisiesessie wordt ingeleverd en wordt opgenomen in de portfolio.

Tijdens de intervisiesessie presenteren studenten hun voortgang, bespreken ze obstakels en ontvangen ze feedback van de docent. De intervisie tussen studenten draagt bij aan de ervaring die nodig is om werkzaamheden die door anderen of door AI-agents zijn uitgevoerd te reviewen. Wanneer studenten bij de praktijkopdracht in hun eigen beroepspraktijk met no-code software tegen uitdagingen of problemen aanlopen, biedt de intervisiebijeenkomst ook de mogelijkheid dat de docent kan laten zien welke extra mogelijkheden zelf programmeren heeft ten opzichte van de no-code software. Na afloop van de laatste intervisiesessie wordt ook het eindproduct met de (geanonimiseerde) resultaten van de toepassing van machine learning in de controle bij hun eigen klant aan het portfolio toegevoegd en beoordeeld. Op deze manier worden zowel het leerproces als de leeruitkomst vastgelegd, waarbij de nadruk ligt op het proces van leren en niet uitsluitend op het eindproduct (scoren van voldoende of onvoldoende).

Na afloop van de voorgestelde cursus hebben studenten geleerd en ervaren hoe de theorie en concepten van bijvoorbeeld nieuwe technieken als machine learning gebruikt kunnen worden, aan de hand van eenvoudig te gebruiken no-code software en hebben ze inzicht in kansen en risico’s die dit oplevert voor de beroepspraktijk van accountants. Goede intervisie tussen studenten stimuleert de kritische vaardigheden die nodig zijn om de kwaliteit van deze werkzaamheden te kunnen reviewen.

 5. Conclusie

In dit artikel is beargumenteerd dat no-code software een effectieve didactische opstap vormt voor het ontwikkelen van een basisniveau van datageletterdheid bij (toekomstige) accountants. De lage technische instapdrempel maakt het mogelijk dat studenten zich kunnen concentreren op het begrijpen van de fundamentele concepten van data-analyse, zonder te worden afgeleid door de syntactische en technische complexiteit van programmeertalen. Functionaliteiten zoals ingebouwde vangnetten, directe feedback, geïntegreerde uitleg en automatische visualisaties ondersteunen dit leerproces actief. Hoewel no-code software minder flexibiliteit biedt dan programmeertalen zoals Python of R, en een risico bestaat op oppervlakkig begrip wanneer reflectie ontbreekt, biedt het een goede mogelijkheid om datageletterdheid te ontwikkelen en daarmee te voldoen aan de vraag hiernaar vanuit de praktijk.

Voor een student die de fundamentele concepten beheerst en zich verder wil ontwikkelen als technisch specialist is de overstap naar programmeertalen een logische vervolgstap, waarmee zowel de toepasbaarheid als de diepgang van analyses wordt vergroot. Eerder onderzoek suggereert dat een gefaseerde aanpak waarin no-code software gecombineerd wordt met programmeertalen tot betere leerresultaten leidt dan uitsluitend programmeeronderwijs (Gresse von Wangenheim et al. 2021; Sundberg and Holmström 2024). Toekomstig onderzoek moet echter uitwijzen in hoeverre deze bevindingen kunnen worden gegeneraliseerd naar accountantsopleidingen. Een dergelijke empirische toetsing valt buiten de reikwijdte van dit artikel, dat primair een conceptuele en methodologische bijdrage levert. De evaluatie van didactische effectiviteit vraagt om een onderwijskundige onderzoeksopzet, die een waardevolle aanvulling kan vormen op de hier gepresenteerde analyse.

Samenvattend biedt no-code software een laagdrempelige manier voor opleiders om in te spelen op de groeiende behoefte aan een datagedreven controleaanpak. Niet elke accountant hoeft een data scientist te worden, maar accountants moeten wel de werkzaamheden die door specialisten worden uitgevoerd kunnen beoordelen en interpreteren (reviewen). Aanleren van deze vaardigheden met no-code software in de dagelijkse beroepspraktijk levert voordelen op voor zowel de individuele accountant als voor accountantsorganisaties en onderwijsinstellingen, die hierdoor beter in staat zijn om een datagedreven controleaanpak structureel te integreren in zowel de praktijk als de opleiding. Dit is in lijn met de vraag naar een brede integratie van theorie en praktijkopleiding.

Dr. K.P. Derks – Koen is universitair docent bij Nyenrode Business Universiteit en lid van de Stuurgroep Statistical Auditing van het Limperg Instituut. Daarnaast ontwikkelt hij de modules voor auditing en machine learning in JASP.

L. Mensink MSc – Lotte is promovenda bij Nyenrode Business Universiteit waar zij onderzoek doet naar de toepassing van Bayesiaanse statistiek in de audit.

Drs. R.M. Renes RA – Remko is universitair docent bij Nyenrode Business Universiteit en academic director van de Nyenrode accountancy opleidingen.

 Noten

JASP kan gratis gedownload worden via https://jasp-stats.org.

De bestanden zijn te vinden in de online appendix op https://doi.org/10.17605/OSF.IO/G4D9A.

Zowel Python als R beschikt over uitgebreide bibliotheken voor machine learning, waaronder scikit-learn (Pedregosa et al. 2011) en PyTorch (Paszke et al. 2019) voor Python, caret (Kuhn 2008) en mlr3 (Lang et al. 2019) voor R en TensorFlow voor beide programmeertalen (Abadi et al. 2015).

De variabelen omvatten onder andere het factuurbedrag, de duur van de klantrelatie en het aandeel eerdere facturen dat te laat is betaald. Daarnaast bevat de dataset risicofactoren zoals sectorrisico, de mate van kredietlimietbenutting, de frequentie van factuurgeschillen en de omzetgroei van de klant als mogelijke proxy voor druk op omzetdoelstellingen.

De online appendix bevat R en Python scripts om deze foutmeldingen te reproduceren.

JASP ondersteunt, naast het gebruik van een validatieset voor parameteroptimalisatie, verschillende vormen van cross-validatie, waaronder leave-one-out en k-fold (James et al. 2023, pp. 204–208).

Ter vergelijking: het implementeren van dezelfde toepassing in Python vergt minimaal 54 regels code en in R ten minste 35 regels code. Zie hiervoor de R en Python scripts in de online appendix.

 Literatuur Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, Corrado GS, Davis A, Dean J, Devin M, Ghemawat S, Goodfellow I, Harp A, Irving G, Isard M, Jozefowicz R, Jia Y, Kaiser L, Kudlur M, Levenberg J, Mané D, Schuster M, Monga R, Moore S, Murray D, Olah C, Shlens J, Steiner B, Sutskever I, Talwar K, Tucker P, Vanhoucke V, Vasudevan V, Viégas F, Vinyals O, Warden P, Wattenberg M, Wicke M, Yu Y, Zheng X (2015) TensorFlow: Large-scale machine learning on heterogeneous systems. Geraadpleegd op 17 maart 2026. https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/45166.pdf Appelbaum D, Showalter DS, Sun T, Vasarhelyi MA (2021) A framework for auditor data literacy: A normative position. Accounting Horizons 35(2): 5–25. https://doi.org/10.2308/HORIZONS-19-127 AFM [Autoriteit Financiële Markten] (2024) State of the Auditing and Reporting Industry. Geraadpleegd op 17 maart 2026. https://www.afm.nl/~/profmedia/files/rapporten/2024/report-state-of-the-auditing-and-reporting-industry-2024.pdf BlueSky Statistics (2026) BlueSky Statistics [Computerprogramma]. https://www.blueskystatistics.com Booker DD, Pelzer JR, Richardson JR (2023) Integrating data analytics into the auditing curriculum: Insights and perceptions from early-career auditors. Journal of Accounting Education 64: 100856. https://doi.org/10.1016/j.jaccedu.2023.100856 Bosch N, D’Mello S (2013) Sequential patterns of affective states of novice programmers. CEUR Workshop Proceedings 1009: 1–10. Brandenburg DC, Ellinger AD (2003) The future: Just-in-time learning expectations and potential implications for human resource development. Advances in Developing Human Resources 5(3): 308–320. https://doi.org/10.1177/1523422303254629 Burger SV (2018) Introduction to Machine Learning with R: Rigorous Mathematical Modeling. O’Reilly. Cardinaels E, Künneke J, Sandu I, Széles M (2024) Empowering accounting with artificial intelligence. Maandblad voor Accountancy en Bedrijfseconomie 98(3): 75–78. https://doi.org/10.5117/mab.98.125065 CEA [Commissie Eindtermen Accountantsopleiding] (2021) Eindtermen Accountantsopleidingen. https://www.cea.nl/siteassets/archief/eindtermen/eindtermen-accountantsopleidingen/actuele-eindtermen/rapport-eindtermen-2016-versie-1.4-geldig-vanaf-01-09-2021.pdf Chandler P, Sweller J (1991) Cognitive load theory and the format of instruction. Cognition and Instruction 8(4): 293–332. https://doi.org/10.1207/s1532690xci0804_2 Damen V, Wiersma M, Aydin G, Van Haasteren R (2025) Explainable AI for EU AI Act compliance audits. Maandblad voor Accountancy en Bedrijfseconomie 99(4): 231–242. https://doi.org/10.5117/mab.99.150303 Deloitte (2021) Internal Audit Digital and Analytics Survey 2021. Geraadpleegd op 17 maart 2026. https://www.deloitte.com/content/dam/assets-zone2/uk/en/docs/services/risk-advisory/2023/deloitte-uk-deloitte-internal-audit-digital-analytics-survey-2021.pdf Derks K (2024a) Machine learning in de audit: voorspellen van klantverloop. Accountant.nl. https://www.accountant.nl/vaktechniek/2024/5/machine-learning-in-de-audit-voorspellen-van-klantverloop/ Derks K (2024b) Machine learning in de audit: uitschieters bij vastgoedwaardering. Accountant.nl. https://www.accountant.nl/vaktechniek/2024/6/machine-learning-in-de-audit-uitschieters-bij-vastgoedwaardering/ Derks K, Mensink L (2024) Machine learning in de audit: stratificeren van bedrijfslocaties. Accountant.nl. https://www.accountant.nl/vaktechniek/2024/11/machine-learning-in-de-audit-stratificeren-van-bedrijfslocaties/ Expertgroep Educatie (2023) Tijd voor heldere keuzes. Advies over ontwerp beroepsprofielen en (stelsel van) opleidingen tot accountant en register auditor. https://open.overheid.nl/documenten/a55aeec7-5aac-4691-a513-54ec7e0050c9/file Gepp A, Linnenluecke MK, O’Neill TJ, Smith T (2018) Big data techniques in auditing research and practice: Current trends and future opportunities. Journal of Accounting Literature 40(1): 102–115. https://doi.org/10.1016/j.acclit.2017.05.003 Google Cloud (2026) Train a model with AutoML (Vertex AI). Geraadpleegd op 18 maart 2026. https://cloud.google.com/vertex-ai/docs/training-overview Gresse von Wangenheim C, Hauck JCR, Pacheco FS, Betonceli Bueno MF (2021) Visual tools for teaching machine learning in K-12: A ten-year systematic mapping. Education and Information Technologies 26: 5733–5778. https://doi.org/10.1007/s10639-021-10570-8 Guzman LM, Pennell MW, Nikelski E, Srivastava DS (2019) Successful integration of data science in undergraduate biostatistics courses using cognitive load theory. CBE - Life Science Education 18(4): 1–10. https://doi.org/10.1187/cbe.19-02-0041 Hattie J, Timperley H (2007) The power of feedback. Journal of Educational Research 77(1): 81–112. https://doi.org/10.3102/003465430298487 Hill C, Du L, Johnson M, McCullough BD (2024) Comparing programming languages for data analytics: Accuracy of estimation in Python and R. WIREs Data Mining and Knowledge Discovery 14(3): e1531. https://doi.org/10.1002/widm.1531 Hitron T, Orlev Y, Wald I, Shamir A, Erel H, Zuckerman O (2019) Can children understand machine learning concepts? The effect of uncovering black boxes. In: Proceedings of the Conference on Human Factors in Computing Systems. ACM, Paper 415, 1–11. https://doi.org/10.1145/3290605.3300645 Huang F, Gyun No W, Vasarhelyi MA, Yan Z (2022) Audit data analytics, machine learning, and full population testing. The Journal of Finance and Data Science 8: 138–144. https://doi.org/10.1016/j.jfds.2022.05.002 IBM Corp (2026) SPSS Statistics (Versie 30.0) [Computerprogramma]. https://www.ibm.com/products/spss James G, Witten D, Hastie T, Tibshirani R (2021) An Introduction to Statistical Learning with applications in R. Springer. https://doi.org/10.1007/978-1-0716-1418-1 James G, Witten D, Hastie T, Tibshirani R, Taylor J (2023) An Introduction to Statistical Learning with applications in Python. Springer. https://doi.org/10.1007/978-3-031-38747-0 JASP Team (2026) JASP (Versie 0.96)[Computerprogramma]. https://jasp-stats.org Jones S, Free C (2026) What accountants need to know about artificial intelligence and machine learning: a review and call for future research. Journal of Accounting Literature 48(5): 133–158. https://doi.org/10.1108/JAL-12-2025-0693 KPMG (2017) Audit 2025, The Future Is Now. Forbes Insights. Geraadpleegd op 18 maart 2026. https://assets.kpmg.com/content/dam/kpmg/us/pdf/2017/03/us-audit-2025-final-report.pdf Kuhn M (2008) Building predictive models in R using the caret package. Journal of Statistical Software 28(5): 1–26. https://doi.org/10.18637/jss.v028.i05 Kwartiermakers Toekomst Accountancy (2023) Druk en Tegendruk: Slotrapportage Kwartiermakers Toekomst Accountancy. Geraadpleegd op 17 maart 2026. https://open.overheid.nl/documenten/92348e83-becb-4988-bdfc-4312f5a288c0/file Lang M, Binder M, Richter J, Schratz P, Pfisterer F, Coors S, Au Q, Casalicchio G, Kotthoff L, Bischl B (2019) mlr3: A modern object-oriented machine learning framework in R. Journal of Open Source Software 4(44): 1903. https://doi.org/10.21105/joss.01903 Love J, Selker R, Marsman M, Jamil T, Dropmann D, Verhagen J, Ly A, Gronau QF, Šmíra M, Epskamp S, Matzke D, Wild A, Knight P, Rouder JN, Morey RD, Wagenmakers E-J (2019) JASP: Graphical statistical software for common statistical designs. Journal of Statistical Software 88(2): 1–17. https://doi.org/10.18637/jss.v088.i02 Müller AC, Guido S (2016) Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly. Naps TL, Rößling G, Almstrum V, Dann W, Fleischer R, Hundhausen C, Korhonen A, Malmi L, McNally M, Rodger S, Velázquez-Iturbide JÁ (2003) Exploring the Role of visualization and engagement in computer science education. ACM SIGCSE Bulletin 35(2): 131–152. https://doi.org/10.1145/960568.782998 NBA [Nederlandse Beroepsorganisatie voor Accountants] (2019) NBA-handreiking 1141: Data-analyse bij de Controle: Uitdagingen en Vooral Kansen. Geraadpleegd op 17 maart 2026, van. https://web.archive.org/web/20240626153234/https://www.nba.nl/siteassets/wet--en-regelgeving/nba-handreikingen/1141/nba-handreiking-1141-data-analyse---18-juni-2019.pdf NBA/CEA [Nederlandse Beroepsorganisatie voor Accountants /Commissie Eindtermen Accountantsopleiding] (2022) Stip aan de horizon. Contouren van een toekomstbestendige en studeerbare accountantsopleiding. https://www.cea.nl/siteassets/archief/themas/stip-aan-de-horizon/rapport-project-stip-aan-de-horizon---contouren-van-een-toekomstbestendige-en-studeerbare-opleiding.pdf Orange (2026) Orange Data Mining [Computerprogramma]. https://orangedatamining.com Paszke A, Gross S, Massa F, Lerer A, Bradbury J, Chanan G, Killeen T, Lin Z, Gimelshein N, Antiga L, Desmaison A, Kopf A, Yang E, DeVito Z, Raison M, Tejani A, Chilamkurthy S, Steiner B, Fang L, Bai J, Chintala S (2019) Pytorch: An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems 32. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Blondel M, Prettenhofer P, Weiss R, Dubourg V, Vanderplas J, Passos A, Cournapeau D, Brucher M, Perrot M, Duchesnay É (2011) Scikit-learn: Machine learning in Python. Journal of Machine Learning Research 12(85): 2825–2830. Pekrun R (1992) The impact of emotions on learning and achievement: Towards a theory of cognitive/motivational mediators. Applied Psychology 41(4): 359–376. https://doi.org/10.1111/j.1464-0597.1992.tb00712.x R Core Team (2025) R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://cran.r-project.org/ Salijeni G, Samsonova-Taddei A, Turley S (2019) Big data and changes in audit technology: Contemplating a research agenda. Accounting and Business Research 49(1): 95–119. https://doi.org/10.1080/00014788.2018.1459458 Schliep K, Hechenbichler K (2025) kknn: Weighted k-Nearest Neighbors, R package version 1.4.1. https://doi.org/10.32614/CRAN.package.kknn Sundberg L, Holmström J (2023) Democratizing artificial intelligence: How no-code AI can leverage machine learning operations. Business Horizons 66(6): 777–788. https://doi.org/10.1016/j.bushor.2023.04.003 Sundberg L, Holmström J (2024) Teaching tip: Using no-code AI to teach machine learning in higher education. Journal of Information Systems Education 35(1): 56–66. https://doi.org/10.62273/CYPL2902 Stachel J, Marghitu D, Brahim TB, Sims R, Reynolds L, Czelusniak V (2013) Managing cognitive load in introductory programming courses: A cognitive aware scaffolding tool. Journal of Integrated Design and Process Science 17(1): 37–54. https://doi.org/10.3233/jid-2013-0004 Sweller J (1988) Cognitive load during problem solving: Effects on learning. Cognitive Science 12(2): 257–285. https://doi.org/10.1207/s15516709cog1202_4 Vasan Srinivasan A, De Boer M (2020) Improving trust in data and algorithms in the medium of AI. Maandblad Voor Accountancy en Bedrijfseconomie 94(3/4): 147–160. https://doi.org/10.5117/mab.94.49425 Yoon K, Hoogduin L, Zhang L (2015) Big data as complementary audit evidence. Accounting Horizons 29(2): 431–438. https://doi.org/10.2308/acch-51076