Високите образовни институции историски се потпирале на ретроспективни извештаи за да ги разберат трендовите за запишување и резултатите од учениците. Канцелариите за прием ги испитале стапките на приносот од минатата година; регистраторите го следеа задржувањето од семестар до семестар; тимовите за академски работи ги собраа статистиките за дипломирањето по фактот. Додека овие практики произведоа корисни резимеа, тие не нудеа предвидувачки лост. Во времето кога модел станува видлив во статичките податоци, прозорецот за значајна интервенција речиси секогаш се затвори. Сегашниот пресврт кон предвидувачко моделирање не е само техничка надградба; тоа е фундаментална промена во институционалната филозофија. Наместо едноставно да се опише „што“, предвидувачките системи се обидуваат да предвидат што е веројатно да се случи следно, и, од суштинско значење, да ги информираат одлуките кои можат да ја свиткаат кривата на траекторијата на учениците. Овој дел ги истражува статистичките основи на предвидувачко моделирање во високото образование, специфичните апликации кои покажаа мерлива вредност и институционалните услови потребни за овие системи да работат сигурно. The Statistical Architecture of Enrollment Forecasting Статистичка архитектура на предвидувањето на запишувањето Моделите за предвидување на запишувањето обично работат низ два различни временски хоризонти, од кои секој бара различен математички алатка. Моделите со краток опсег, кои го покриваат претстојниот семестар или академска година, во голема мера се потпираат на метриките за конверзија на фуннел: стапки за барање до апликација, стапки за аплицирање до прием и, конечно, стапки за прифаќање до запишување. Овие модели внесуваат сигнали во реално време како што се темпото на обем на апликацијата, стапките за прифаќање на финансиска помош и роковите за депозит за домување за да генерираат интервали за прогнозирање. Долгорочните модели, кои се проектираат за три до пет години, бараат поширок сет на варијабли. Демографски податоци од тела како што се Западна меѓудржавна комисија за високо образование (WICHE), проекции за дипломирани студенти по држави и окрузи, корелација на макроекономски индикатори како што се локалните стапки на невработеност со ризиците од "стоп-уп" или растот на дипломирани училишта, и факторирање на промената на чувствителноста на цените на регионалниот пазар во овие прогнози. пристапи базирани на регресија остануваат вообичаени за долгорочна работа, но практичарите кои работат на пазари кои доживуваат брзи демографски промени сè повеќе ги истражуваат методите за комбинирање на градиентно зголемување со демо Еден упорен предизвик е рекалибрацијата на моделите. Моделот на принос обучен на податоците пред пандемијата ќе го погреши однесувањето во пејзажот по пандемијата, каде што временските линии за одлуки на студентите се проширија и релевантноста на „посетата на кампусот“ го изгуби својот статус како главен предвидувач на намерата. Student Success Modeling: From Risk Scores to Intervention Logic Моделирање на успехот на учениците: од ризик поени до интервенција логика Моделите за успех на студентите се обидуваат да ги идентификуваат поединците со зголемен ризик од лоши академски резултати: неуспех на критичен курс, паѓање под прагот за задоволителен академски напредок, запирање пред завршување на степенот, или неуспех да дипломираат во рамките на дефиниран временски рамка. Прво, самата променлива на исходот често е слабо дефинирана. Раните системи за „рано предупредување“ често не успеале затоа што го третирале „ризикот“ како бинарна состојба. Студентот може да биде со низок ризик од непосредно повлекување, но со висок ризик од акумулирање на кредитен дефицит кој го одложува дипломирањето за една година. Третманот на сите несакани исходи како еквивалентни, што го правеа многу системи за рано предупредување, произведува ризични резултати кои се тешко да се операционизираат бидејќи соодветната интервенција во голема мера зависи од специфичниот пат на ризик. Второ, нерамнотежата на класата е значаен технички проблем. Во повеќето институционални збирки на податоци, студентите кои се повлекуваат или престануваат претставуваат релативно мал дел од вкупната популација. Наивен класификатор обучен без да се справи со нерамнотежата на класата ќе постигне висока општа точност со едноставно предвидување дека секој ќе успее, додека целосно нема да ги идентификува студентите кои навистина имаат потреба од поддршка. Техники како што се SMOTE преземање на примероци, учење кое е чувствително на трошоците и оптимизација на прагот врз основа на F-бета резултати наместо сурова точност се потребни за да се произведат модели кои работат значајно во производството. Трето, и можеби најкритично, проценката на ризик е корисна само ако предизвикува дефиниран одговор. Институциите кои инвестираа во изградба на технички софистицирани модели, но не ја воспоставија интервенциската инфраструктура за да дејствуваат на нивните излези, гледаат ограничено влијание. Статистичката работа и консултантскиот капацитет треба да бидат „ко-дизајнирани“. Модел кој генерира знаме за ризик три недели пред критичниот рок за повлекување на студентот, но чиј излез седи во табла која никој не ја следи, не ги подобрува резултатите. Integrating Models into Institutional Decision Systems Интегрирање на моделите во институционалните системи за одлучување Најчестиот начин на неуспех во аналитиката на високото образование е јазот помеѓу развојот на моделот и оперативната интеграција.Истражувачкиот тим гради силен логистички модел на регресија кој добро функционира на историски податоци, ги презентира резултатите на институционалното раководство, добива одобрение за да продолжи, а потоа го распоредува моделот како самостоен извештај до кој советниците пристапуваат само кога се сеќаваат да го погледнат. За советување, ова обично значи поврзување на индикатори за ризик во рамките на системот за информации за студентите или платформата за управување со случаи што консултантите ги користат секојдневно, наместо да бараат навигација до посебна аналитичка средина. Управувањето со податоците е предуслов за овој вид интеграција. Моделите кои се базираат на чувствителни променливи, вклучувајќи податоци за финансиска помош, записи за академски перформанси или користење на услуги за ментално здравје, бараат формални договори за користење на податоци, јасно документирани контроли за пристап и траги за ревизија кои им овозможуваат на институцијата да покаже усогласеност со FERPA и сродните прописи. Measuring What Actually Changes Мерење на она што навистина се менува Соодветната мерка за успехот на програмата за предвидувачко моделирање не е точноста на моделот, туку дали институционалните резултати се подобруваат.Моделот за предвидување на запишувањето кој ја намалува грешката во предвидувањето од плус или минус 8% на плус или минус 3% е технички импресивен, но релевантното прашање е дали тоа подобрување овозможи подобро распределување на ресурсите, попрецизно финансиско планирање или повеќе насочени инвестиции за вработување. За моделите за успех на студентите, институциите треба да ги следат дали стапките на интервенција меѓу студентите со висок ризик се зголемуваат, дали тие интервенции се поврзани со мерливи промени во задржувањето или завршувањето на курсот, и дали популациите кои историски биле потценети од страна на советодавни системи гледаат фер пристап до проследување предизвикано од моделот. Студентите генерираат сигнали преку обрасци за регистрација на курсот, ангажирање на системот за управување со учење, интеракции за финансиска помош, употреба на библиотека, состаноци за туторство и десетици други точки на допир кои, заедно, содржат значајни предвидувачки сигнали за траекторијата и резултатите. Институциите кои учат да го извлечат тој сигнал со статистичка строгост, да го поврзат со луѓето и процесите кои можат да дејствуваат врз него и постојано да потврдат дека нивните модели се изведуваат како што е наменето ќе имаат вистинска и трајна предност во запишувањето и успехот на студентите.

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

Read My Stories

Ова аудио е произведено на оригиналниот јазик на приказната!

Системско предвидувачко моделирање за запишување и успех на студентите во институционалните системи за одлучување

About Author

КОМЕНТАРИ

ВИСЕТЕ ТАГОВИ

ОВОЈ СТАТИЈА БЕШЕ ПРЕТСТАВЕН ВО

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps