고등 교육 기관은 역사적으로 등록 추세와 학생 결과를 이해하기 위해 후기 보고에 의존해 왔습니다. 입학 사무실은 작년 수익률을 검토했으며; 등록자는 학기별 보유를 추적했으며; 학문적 업무 팀은 사실 이후 졸업 통계를 컴파일했습니다.이 관행은 유용한 요약을 제공했지만 예측적 인 부담을 제공하지 않았습니다. 정적 데이터에 패턴이 표시되었을 때 의미있는 개입을위한 창은 거의 항상 닫혔습니다. 예측 모델링을 향한 현재의 돌파구는 단순히 기술 업그레이드가 아니라 기관 철학의 근본적인 변화입니다.단순히 "어떤 것"을 설명하는 대신, 예측 시스템은 다음에 일어날 가능성이 무엇인지 예측하고, 중요한 것은 학생의 궤도의 곡선을 구부릴 수있는 결정을 알리는 것입니다.이 작품은 고등 교육에서 예측 모델링의 통계적 기초, 측정할 수있는 가치를 보여준 특정 응용 프로그램 및 이러한 시스템을 신뢰성있게 작동시키는 데 필요한 기관 조건을 탐구합니다. The Statistical Architecture of Enrollment Forecasting 등록 예측의 통계적 아키텍처 The Statistical Architecture of Enrollment Prediction 입학 예측 모델은 일반적으로 서로 다른 수학 도구 키트를 필요로하는 두 개의 시간 지평을 통해 작동합니다. 짧은 범위 모델은 향후 학기 또는 학년을 다루고 펀넬 변환 메트릭에 크게 의존합니다 : 신청률, 신청률, 그리고 마지막으로 입학 수익률.이 모델은 응용 프로그램 볼륨, 재정 지원 수수료 수락률 및 주택 예금 기간과 같은 실시간 신호를 흡수하여 롤링 예측 간격을 생성합니다. 3~5년을 예상하는 장거리 모델은 더 광범위한 변수 세트를 필요로 합니다. Western Interstate Commission for Higher Education (WICHE)와 같은 기관의 인구 통계 데이터, 주 및 카운티별 고등학교 졸업생 예측, 현지 실업률과 "stop-out"위험 또는 대학원 성장과 같은 매크로경제적 지표를 상호 연관시키고, 지역 시장의 가격 민감도를 이러한 예측으로 변화시키는 요소. 하나의 지속적인 도전은 모델 리캐리브레이션입니다. 패널전 데이터에 훈련 된 수익성 모델은 학생들의 의사 결정 타임라인이 확장되고 "캠퍼스 방문"의 관련성이 의도의 주요 예측자로서의 지위를 잃어 버렸던 패널전 패널전지 환경에서 행동을 잘못 평가할 것입니다. 예측 모델을 정적 인 유물로 취급하는 기관은 연간 검토주기 동안에만 업데이트하여 실시간으로 기능 무게를 재캐리브레이션하기 위해 "홀도트 샘플" (모델이 아직 보지 못한 데이터)에 대한 롤링 인증을 사용하는 사람들에 의해 지속적으로 초과됩니다. Student Success Modeling: From Risk Scores to Intervention Logic 학생 성공 모델링 : 위험 점수에서 개입 논리까지 학생 성공 모델은 나쁜 학업 성과의 높은 위험에있는 개인을 식별하려고합니다 : 중요한 게이트웨이 코스에 실패, 만족스러운 학업 진행 경계 아래로 떨어지거나, 학위 완료 전에 멈추거나, 정해진 기간 내에 졸업하지 못합니다. 첫째, 결과 변수 자체는 종종 나쁘게 정의됩니다. 초기 "초기 경고"시스템은 종종 "위험"을 바이너리 상태로 취급했기 때문에 실패했습니다. 학생은 즉각적인 철수의 위험이 낮지만 졸업을 1 년 만에 지연시키는 신용 부족을 축적 할 위험이 높습니다. 모든 불리한 결과를 동등하게 취급하는 것은 많은 초기 경고 시스템이했기 때문에 적절한 개입이 특정 위험 경로에 크게 의존하기 때문에 운영하기 어려운 위험 점수를 생산합니다. 둘째, 클래스 불균형은 중요한 기술적 문제입니다. 대부분의 기관 데이터 세트에서, 은퇴 또는 중지 학생은 전체 인구의 상대적으로 작은 비율을 나타냅니다. 클래스 불균형을 해결하지 않고 훈련 된 순진한 분류자는 단순히 모든 사람이 성공한다는 것을 예측함으로써 높은 전반적인 정확성을 달성할 것이며, 실제로 지원을 필요로하는 학생들을 완전히 식별하지 못합니다. SMOTE 과다 샘플링, 비용 민감한 학습 및 F-베타 점수에 기초한 경계 최적화와 같은 기술은 생산에서 의미있는 성과를 낼 수있는 모델을 생산하는 데 필요합니다. 셋째, 그리고 아마도 가장 중요한 것은, 위험 점수는 정의된 반응을 유발하는 경우에만 유용합니다. 기술적으로 정교한 모델을 구축에 투자했지만 출력에 작용하기 위해 개입 인프라를 구축하지 않은 기관은 제한된 영향을 볼 수 있습니다. 통계 작업과 조언 능력은 "동부 설계"되어야합니다. 학생의 중요한 철수 마감일 3 주 전에 위험 깃발을 생성하는 모델은 결과를 개선하지 않습니다. Integrating Models into Institutional Decision Systems 제도적 의사 결정 시스템에 모델을 통합하는 방법 고등 교육 분석에서 가장 흔한 실패 모드는 모델 개발과 운영 통합 사이의 격차입니다.연구 팀은 역사적 데이터에 잘 작동하는 강력한 물류 회귀 모델을 구축하고, 연구 결과를 기관 리더십에 제시하고, 진행하도록 승인을 받으며, 그 후 컨설턴트가 그것을 살펴보는 것을 기억할 때만 접근하는 독립적 인 보고서로 모델을 배포합니다. 효과적인 통합은 결정을 내리는 워크플로우에 모델 출력을 직접 삽입하는 것을 요구합니다.조언을 위해 이것은 일반적으로 컨설턴트가 매일 사용하는 학생 정보 시스템 또는 사례 관리 플랫폼 내에서 위험 지표를 표면화하는 것이 아니라 별도의 분석 환경으로 탐색을 요구하는 것을 의미합니다.입학 관리의 경우, 출력 모델 출력을 재정 지원 포장 워크플로우에 연결하여 거의 실시간으로 예측된 입학 확률에 의해 알려진 "직시"배정 결정을 허용합니다. 금융 지원 데이터, 학업 성과 기록 또는 정신 건강 서비스 이용을 포함한 민감한 변수를 기반으로 하는 모델은 공식적인 데이터 사용 계약, 명확하게 문서화된 액세스 컨트롤 및 FERPA 및 관련 규정 준수를 증명할 수 있는 감사 트랙을 필요로 합니다. Measuring What Actually Changes 실제로 변화하는 것을 측정하는 방법 예측 모델링 프로그램의 성공의 적절한 측정은 모델 정확성이 아니라 기관적 결과가 향상되는지 여부입니다.예측 오류를 플러스 또는 미소 8 %에서 플러스 또는 미소 3 %로 줄이는 등록 예측 모델은 기술적으로 인상적이지만 관련 질문은 그 개선이 더 나은 자원 할당, 더 정확한 재정 계획, 또는 더 타겟팅 된 모집 투자를 가능하게 했는지 여부입니다. 학생 성공 모델을 위해, 기관은 높은 위험 학생들 사이의 개입률이 증가하는지, 이러한 개입이 체류 또는 코스 완료의 측정 가능한 변화와 관련이 있는지, 그리고 조언 시스템에 의해 역사적으로 부담받은 인구가 모델에 의해 유도 된 전달에 대한 공정한 액세스를 볼 수 있는지 여부를 추적해야합니다.이들은 AUC-ROC보다 계산하기 어려운 측정이지만, 그들은 작업이 기관적 가치를 생산하는지 반영하는 측정입니다. 학생들은 과정 등록 패턴, 학습 관리 시스템 참여, 재정 지원 상호 작용, 도서관 사용, 튜토리닝 약속 및 수십 개의 다른 터치 포인트를 통해 신호를 생성하여 모든 분야에서 가장 풍부한 경계 행동 데이터 세트를 제공합니다. 과정 등록 패턴을 통해 신호를 생성합니다. 통계적 엄격함으로 신호를 추출하는 것을 배우는 기관은 통계적 인 엄격함으로 신호를 추출하고, 그것에 작용 할 수있는 사람들과 프로세스를 연결하고, 그들의 모델이 의도대로 작동한다는 것을 지속적으로 검증하면 등록과 학생 성공 모두에서 진정하고 지속적인 이점이 있습니다.

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

Read My Stories

이 오디오는 이야기의 원래 언어로 제작되었습니다!

제도적 의사 결정 시스템에 대한 등록 및 학생 성공을 위한 시스템 예측 모델링 (Systems Predictive Modeling for Enrollment and Student Success in Institutional Decision Systems)

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

AI의 힘을 발휘하세요. 최첨단 기술의 체계적 검토: 개요 및 소개

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

Crypto Growth: 효과적인 사용자 페르소나 만들기

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

AI의 힘을 발휘하세요. 최첨단 기술의 체계적 검토: 개요 및 소개

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

Crypto Growth: 효과적인 사용자 페르소나 만들기

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps