Institucionet e arsimit të lartë historikisht kanë mbështetur në raporte retrospektive për të kuptuar tendencat e regjistrimit dhe rezultatet e studentëve. Zyrat e pranimit shqyrtuan normat e rendimentit të vitit të kaluar; regjistruesit ndjekin mbajtjen semestër-për-semestër; ekipet e çështjeve akademike përpiluan statistikat e diplomimit pas faktit. Ndërsa këto praktika prodhuan përmbledhje të dobishme, ata nuk ofruan asnjë levizje parashikuese. Në kohën kur një model u bë i dukshëm në të dhënat statike, dritarja për ndërhyrje kuptimplotë ishte pothuajse gjithmonë e mbyllur. Lëvizja aktuale drejt modelimit parashikues nuk është vetëm një përmirësim teknik; është një ndryshim themelor në filozofinë institucionale. Në vend që thjesht të përshkruajë "çfarë", sistemet parashikuese përpiqen të parashikojnë se çfarë ka gjasa të ndodhë më pas, dhe, në mënyrë vendimtare, të informojnë vendimet që mund të përkulin kurbën e trajektorisë së një studenti. The Statistical Architecture of Enrollment Forecasting Arkitektura statistikore e parashikimit të regjistrimit Modelet e parashikimit të regjistrimit zakonisht punojnë në dy horizonte të ndryshme kohore, secila duke kërkuar një mjet të ndryshëm matematikor. Modelet e shkurtër, që mbulojnë semestrin e ardhshëm ose vitin akademik, mbështeten në masë të madhe në metrikat e konvertimit të tunelit: normat e kërkesës për aplikim, normat e aplikimit për pranim dhe më në fund, normat e prodhimit të pranimit për regjistrim. Këto modele marrin sinjale në kohë reale të tilla si rritja e vëllimit të aplikimit, normat e pranimit të ndihmës financiare dhe afatet e depozitave të banesave për të gjeneruar intervalet e parashikimit të rrotullimit. Modelet e gjatësisë së gjatë, që parashikojnë tre deri në pesë vjet, kërkojnë një grup më të gjerë të variablave. Të dhënat demografike nga organet si Komisioni Ndërshtetëror Perëndimor për Arsimin e Lartë (WICHE), parashikimet e diplomuarve të shkollave të mesme sipas shteteve dhe krahinave, korrelimin e treguesve makroekonomikë si normat e papunësisë lokale me rreziqet e "stop-out" ose rritjet e shkollave të diplomuar, dhe faktoring në ndryshimin e ndjeshmërisë së çmimeve të tregut rajonal në këto parashikime. Qasjet e bazuara në regresion mbeten të zakonshme për punën e gjatësisë së gjatë, por praktikantët që punojnë në tregjet që përjetojnë ndryshime të shpejta Një sfidë e vazhdueshme është ri-kalibrimi i modelit. Një model i prodhimit i trajnuar në të dhënat para-pandemike do të keqvlerësojë sjelljen në një peizazh pas-pandemik ku kohëzgjatja e vendimeve të studentëve janë zgjeruar dhe rëndësia e "vizitës në kampus" ka humbur statusin e saj si një parashikues kryesor i qëllimit. Institucionet që trajtojnë modelet parashikuese si artefakte statike, duke i përditësuar ato vetëm gjatë cikleve vjetore të shqyrtimit, vazhdimisht e tejkalojnë veten nga ata që përdorin validimin e rrotullimit kundër "shembjeve të mbeturinave" (të dhënat që modeli nuk ka parë ende) për të rikalibruar peshimet e karakteristikave në Student Success Modeling: From Risk Scores to Intervention Logic Modelimi i suksesit të studentëve: nga rezultatet e rrezikut në logjikën e ndërhyrjes Modelet e suksesit të studentëve përpiqen të identifikojnë individët me rrezik të lartë të rezultateve të këqija akademike: dështimi i një kursi kritike, rënie nën pragun e progresit akademik të kënaqshëm, ndalimi para përfundimit të diplomës, ose dështimi për të diplomuar brenda një periudhe kohore të përcaktuar. sfida statistikore këtu është më komplekse se parashikimi i regjistrimit, për disa arsye. Së pari, variabla e vetë rezultatit shpesh është e përcaktuar keq. Sistemet e hershme të "paralajmërimit të hershëm" shpesh dështuan sepse trajtuan "rrezikun" si një gjendje binare. Një student mund të jetë në rrezik të ulët të tërheqjes së menjëhershme, por në rrezik të lartë të akumuluar një deficit të kreditit që vonon diplomimin me një vit. Trajtimi i të gjitha rezultateve negative si ekuivalente, që shumë sisteme të paralajmërimit të hershëm bënë, prodhon pikët e rrezikut që janë të vështira për t'u operuar sepse ndërhyrja e duhur varet shumë nga rruga specifike e rrezikut. Së dyti, mosbalancimi i klasës është një problem teknik i rëndësishëm. Në shumicën e grupeve të të dhënave institucionale, studentët që tërhiqen ose ndalen përfaqësojnë një përqindje relativisht të vogël të popullsisë së përgjithshme. Një klasifikues naiv i trajnuar pa trajtuar mosbalancimin e klasës do të arrijë saktësi të lartë të përgjithshme duke parashikuar thjesht se të gjithë do të kenë sukses, ndërsa nuk mund të identifikojnë plotësisht studentët që kanë nevojë për mbështetje. Së treti, dhe ndoshta më kritike, një rezultat i rrezikut është i dobishëm vetëm nëse shkakton një përgjigje të përcaktuar. Institucionet që kanë investuar në ndërtimin e modeleve teknikisht të sofistikuara, por nuk kanë ngritur infrastrukturën e ndërhyrjes për të vepruar në prodhimin e tyre shohin ndikim të kufizuar. Puna statistikore dhe aftësia këshilluese duhet të jenë "ko-projektuar". Një model që gjeneron një flamur rreziku tre javë para afatit kritik të tërheqjes së një studenti, por prodhimi i të cilit ulet në një bord ku askush nuk monitoron, nuk përmirëson rezultatet. Integrating Models into Institutional Decision Systems Integrimi i modeleve në sistemet vendimmarrëse institucionale Modaliteti më i zakonshëm i dështimit në analizat e arsimit të lartë është hendeku midis zhvillimit të modelit dhe integrimit operacional. Një ekip hulumtues ndërton një model të fortë të regresionit logjik që funksionon mirë në të dhënat historike, paraqet rezultatet për udhëheqjen institucionale, merr miratimin për të vazhduar, dhe pastaj vendos modelin si një raport të pavarur që këshilltarët kanë qasje vetëm kur kujtojnë të shikojnë atë. javë ose muaj më vonë, modeli është braktisur në heshtje sepse nuk gjeneroi ndonjë ndryshim të zbulueshëm në sjelljen e këshillimit. Për këshillimin, kjo zakonisht do të thotë mbivendosjen e treguesve të rrezikut brenda sistemit të informacionit të studentëve ose platformës së menaxhimit të rasteve që këshilltarët përdorin çdo ditë, në vend që të kërkojë lundrimin në një mjedis të veçantë analitik. Qeverisja e të dhënave është një parakusht për këtë lloj integrimi.Modelet që përdorin variabla të ndjeshme, duke përfshirë të dhënat e ndihmës financiare, të dhënat e performancës akademike ose përdorimin e shërbimeve të shëndetit mendor, kërkojnë marrëveshje formale të përdorimit të të dhënave, kontrollet e qasjes të dokumentuara qartë dhe gjurmët e auditimit që lejojnë institucionin të demonstrojnë pajtueshmërinë me FERPA dhe rregulloret e lidhura. Measuring What Actually Changes Matja e asaj që ndryshon në të vërtetë Një model parashikimi i regjistrimit që zvogëlon gabimin e parashikimit nga plus ose minus 8% në plus ose minus 3% është teknikisht mbresëlënëse, por pyetja përkatëse është nëse kjo përmirësim mundësoi alokimin më të mirë të burimeve, planifikim më të saktë financiar, ose investime më të synuara të rekrutimit. Për modelet e suksesit të studentëve, institucionet duhet të gjurmojnë nëse normat e ndërhyrjes në mesin e studentëve me rrezik të lartë rriten, nëse këto ndërhyrje janë të lidhura me ndryshime të matshme në mbajtjen ose përfundimin e kursit, dhe nëse popullatat historikisht nënshtruar nga sistemet këshilluese po shohin qasje të barabartë në përhapjen e nxitur nga modeli. Institucionet e arsimit të lartë janë ulur në disa nga grupet më të pasura të të dhënave të sjelljes në çdo sektor. Studentët gjenerojnë sinjale nëpërmjet modeleve të regjistrimit të kursit, angazhimit të sistemit të menaxhimit të mësimit, ndërveprimeve të ndihmës financiare, përdorimit të bibliotekës, takimeve të tutorimit dhe dhjetëra pika të tjera të kontaktit që, të mbledhura së bashku, përmbajnë sinjale të rëndësishme parashikuese për trajektoren dhe rezultatet. Institucionet që mësojnë të nxjerrin atë sinjal me rigorozitet statistikore, e lidhin atë me njerëzit dhe proceset që mund të veprojnë mbi të, dhe vazhdimisht validojnë se modelet e tyre po veprojnë siç është planifikuar do të kenë një avantazh të vërtetë dhe të qëndrueshëm në të dy regj

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

Read My Stories

Kjo audio është prodhuar në gjuhën origjinale të tregimit!

Modelimi sistemik parashikues për regjistrimin dhe suksesin e studentëve në sistemet vendimmarrëse institucionale

About Author

KOMENTE

VARUR TAGS

KY ARTIKU U PARAQIT NË

Related Stories

Rrjeti SQD sapo vrau emetimet e tokenëve.Ja çfarë paguan 16 miliardë dollarë në DeFi TVL

Rrjeti SQD sapo vrau emetimet e tokenëve.Ja çfarë paguan 16 miliardë dollarë në DeFi TVL

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps