Visokoškolske ustanove su se povijesno oslanjale na retrospektivno izvješćivanje kako bi razumjele trendove upisa i rezultate studenata. Prijemne kancelarije su proučavale prošlogodišnje stope prinosa; registratori su pratili zadržavanje od semestra do semestra; timovi za akademske poslove sastavljali su statističke podatke o diplomiranju nakon činjenice. Dok su ove prakse proizvele korisne sažetke, nisu ponudile prediktivno dno. Umesto da jednostavno opisuju „šta“, prediktivni sustavi pokušavaju predvideti što će se verovatno dogoditi sledeće, i, ključno, da informiraju odluke koje mogu saviti krivulju studentske trajektorije. Ovaj deo istražuje statističke temelje prediktivnog modeliranja u visokom obrazovanju, specifične aplikacije koje su pokazale merljivu vrednost i institucionalne uslove potrebne da ti sustavi pouzdano rade. The Statistical Architecture of Enrollment Forecasting Statistička arhitektura predviđanja upisa Modeli predviđanja upisa obično rade na dva različita vremenska horizonta, od kojih svaki zahtijeva drugačiji matematički alat. Modeli kratkog dometa, koji pokrivaju nadolazeći semestar ili akademsku godinu, uvelike se oslanjaju na metriku konverzije tunela: stope upita do primjene, stope upisa do primjene i, konačno, stope prinosa od prihvata do upisa. Ovi modeli unose signale u realnom vremenu kao što su tempo volumena aplikacija, stope prihvaćanja nagrada za finansijsku pomoć i rokovi depozita stanova kako bi generirali intervale predviđanja. Demografski podaci od tijela kao što su Zapadna međudržavna komisija za visoko obrazovanje (WICHE), projekcije diplomaca srednje škole po državama i okrugu, korelirajući makroekonomske pokazatelje kao što su lokalne stope nezaposlenosti s "stop-out" rizicima ili rast diplomskih škola, i faktoring u pomicanju cenovnu osjetljivost regionalnog tržišta u ove prognoze. regresivni pristupi i dalje su uobičajeni za dugoročni rad, ali praktikanti koji rade na tržištima koja doživljavaju brze demografske promene sve više su istražili ensemble metode kombinirajući gradient boost sa demografskim vremenskim serijama podataka kao potencijalno odgovorniju alternativu tradicionalnoj regresiji sam - pristup vrijedi razmotriti kao dio šire strategije modeliranja. Jedan ustrajni izazov je model recalibration. model prinosa obučeni na pre-pandemskih podataka će pogrešno procijeniti ponašanje u post-pandemskom krajoliku gde su studentske odluke vremenske linije proširene i relevantnost "posjeta kampusu" je izgubio svoj status kao primarni prediktor namere. Institucije koje tretiraju prediktivne modele kao statičke artefakte, ažuriraju ih samo tokom godišnjih ciklusa pregleda, dosljedno se nalaze nadmašeni od onih koji koriste validaciju valjanjem protiv "holdout uzoraka" (podaci model još nije vidio) da recalibrate funkcije težine u realnom vremenu. Student Success Modeling: From Risk Scores to Intervention Logic Modeliranje uspeha studenata: od rezultata rizika do logike intervencije Modeli uspeha studenata pokušavaju identificirati pojedince na povećanom riziku od loših akademskih rezultata: neuspeh kritičnog portala, pad ispod pragova zadovoljavajućeg akademskog napretka, zaustavljanje prije završetka studija ili neuspeh diplomiranja unutar definiranog vremenskog okvira. Prvo, sama varijabilna ishod je često slabo definirana. Rani sistemi "ranije upozorenja" često nisu uspjeli jer su tretirali "rizik" kao binarno stanje. Student može biti na niskom riziku od neposrednog povlačenja, ali na visokom riziku od akumulacije kreditnog deficita koji odgađa diplomiranje za godinu dana. Tretiranje svih nepovoljnih ishoda kao ekvivalentno, što su mnogi sistemi ranog upozorenja učinili, proizvodi ocene rizika koje su teško operativizovati jer odgovarajuća intervencija uvelike zavisi od specifičnog putanja rizika. Drugo, neravnoteža klase je značajan tehnički problem. U većini institucionalnih skupova podataka, učenici koji se povuku ili zaustave predstavljaju relativno mali deo ukupne populacije. Naivni klasifikator obučeni bez rješavanja neravnoteže klase postići će visoku ukupnu točnost jednostavno predviđanjem da će svi uspjeti, dok potpuno ne identificiraju učenike kojima je stvarno potrebna podrška. Tehnike kao što su SMOTE pretjerivanje uzoraka, učenje osjetljivo na troškove i optimizacija praga zasnovana na F-beta ocjenama umjesto sirove točnosti potrebne su za proizvodnju modela koji značajno rade u proizvodnji. Treće, a možda i najkritičnije, ocjena rizika je korisna samo ako izazove definirani odgovor. Institucije koje su uložile u izgradnju tehnički sofisticiranih modela, ali nisu uspostavile infrastrukturu intervencije kako bi djelovale na svoje rezultate vide ograničen uticaj. Statistički rad i kapacitet savjetovanja moraju biti „sudobno dizajnirani“. Model koji generira rizikovu zastavu tri sedmice prije datuma kritičnog povlačenja studenata, ali čiji izlazi sjede u instrumentalnoj ploči koju niko ne prati, ne poboljšava rezultate. Integrating Models into Institutional Decision Systems Uključivanje modela u institucionalne sisteme odlučivanja Najčešći način neuspeha u analitici visokog obrazovanja je razlika između razvoja modela i operativne integracije.Istraživački tim gradi robustan model logističke regresije koji dobro funkcionira na istorijskim podacima, predstavlja rezultate institucijskom vodstvu, prima odobrenje za nastavak, a zatim raspoređuje model kao samostalni izveštaj koji savjetnici pristupaju samo kada se sjećaju da ga pogledaju.Tjedni ili meseci kasnije, model je tiho napušten jer nije generisao detektivne promene u ponašanju savjetovanja. Učinkovita integracija zahtijeva ugradnju izlaza modela izravno u tokove rada u kojima se donose odluke. Za savjetovanje, to obično znači prikazivanje pokazatelja rizika unutar informacijskog sistema studenata ili platforme za upravljanje slučajevima koje konzultanti koriste svakodnevno, a ne zahtijevanje navigacije u odvojeno analitičko okruženje. Za upravljanje upisima, to znači povezivanje izlaza modela prinosa sa tokovima rada za pakiranje finansijske pomoći kako bi se omogućile odluke o dodjeli „just-in-time“ informirane predviđenom verovatnošću upisa u skoro realnom vremenu. Upravljanje podacima je preduvjet za ovu vrstu integracije. Modeli koji se oslanjaju na osetljive varijable, uključujući podatke o financijskoj pomoći, akademske zapise o uspješnosti ili upotrebu usluga mentalnog zdravlja, zahtijevaju formalne sporazume o korišćenju podataka, jasno dokumentirane kontrole pristupa i revizijske staze koje instituciji omogućuju da dokaže usklađenost sa FERPA-om i srodnim propisima. Institucije koje grade svoje programe prediktivnog modeliranja bez rješavanja infrastrukture upravljanja na kraju će naići na ograničenja pristupa koja prisiljavaju djelomičnu rekonstrukciju modela. Measuring What Actually Changes Mjerenje onoga što se zapravo menja Odgovarajuća mera uspjeha za program prediktivnog modeliranja nije preciznost modela, već da li se institucionalni rezultati poboljšavaju. Model predviđanja upisa koji smanjuje grešku predviđanja sa plus ili minus 8% na plus ili minus 3% je tehnički impresivan, ali relevantno pitanje je da li je to poboljšanje omogućilo bolju alokaciju resursa, preciznije finansijsko planiranje ili ciljaniju investiciju u zapošljavanje. Za modele uspjeha studenata, institucije bi trebale pratiti da li su stope intervencija među studentima visokog rizika povećane, da li su te intervencije povezane s mjerljivim promjenama u zadržavanju ili završetku kursa, i da li populacije koje su povijesno podređene sistemima savjetovanja vide pravičan pristup modelom izazvanom raspodjeli. Institucije visokog obrazovanja sjede na nekim od najbogatijih uzdužnih skupova podataka o ponašanju u bilo kojem sektoru. Studenti generiraju signale kroz obrasce registracije kursa, angažovanje u sistemu upravljanja učenjem, interakcije finansijske pomoći, korištenje biblioteke, sastanke za tutoring i desetak drugih kontaktnih tačaka koji, zajedno, sadrže značajne predviđajuće signale o trajektoriji i ishodima. Institucije koje uče da izvuku taj signal sa statističkom rigoroznošću, povezuju ga sa ljudima i procesima koji mogu djelovati na njemu, i kontinuirano potvrđuju da njihovi modeli rade kako je predviđeno imat će pravu i trajnu prednost u upisivanju i uspjehu studenata. Taj rad nije ni jednostavan ni brz, ali je među najvišim investi

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

Ovaj audio je proizveden na originalnom jeziku priče!

Sistemi Prediktivno modeliranje za upis i uspeh studenata u institucionalnim sistemima odlučivanja

About Author

KOMENTARI

HANG TAGS

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps