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.

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.

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.

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.

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.

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.

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.

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).

Figuur 1.

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.

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.

3.4.1. De gebruikersinterface

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.

Figuur 2.

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

3.4.5. Fase 4: Voorspellingen maken voor nieuwe data

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.

Figuur 3.

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

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.