Các tổ chức giáo dục đại học trong lịch sử đã dựa vào báo cáo lặp đi lặp lại để hiểu xu hướng tuyển sinh và kết quả của sinh viên. Văn phòng tuyển sinh kiểm tra tỷ lệ thu nhập năm ngoái; các nhà đăng ký theo dõi việc giữ lại học kỳ cho học kỳ; các nhóm các vấn đề học thuật biên soạn số liệu thống kê tốt nghiệp sau khi thực tế xảy ra. Trong khi các thực tiễn này tạo ra các tóm tắt hữu ích, họ không cung cấp đòn bẩy dự đoán.Vào thời điểm một mô hình trở nên hiển thị trong dữ liệu tĩnh, cửa sổ can thiệp có ý nghĩa gần như luôn luôn bị đóng cửa. Bước ngoặt hiện tại đối với mô hình dự đoán không chỉ là một nâng cấp kỹ thuật; nó là một sự thay đổi cơ bản trong triết lý tổ chức. Thay vì chỉ mô tả "cái gì", các hệ thống dự đoán cố gắng dự đoán những gì có thể xảy ra tiếp theo, và, quan trọng hơn, để thông báo các quyết định có thể uốn cong đường cong của một sinh viên. mảnh này khám phá nền tảng thống kê của mô hình dự đoán trong giáo dục đại học, các ứng dụng cụ thể đã cho thấy giá trị đo lường, và các điều kiện tổ chức cần thiết để làm cho các hệ thống này hoạt động đáng tin cậy. The Statistical Architecture of Enrollment Forecasting The Statistical Architecture of Enrollment Forecasting - Kiến trúc thống kê của dự báo tuyển sinh Các mô hình dự đoán tuyển sinh thường hoạt động trên hai chân trời thời gian riêng biệt, mỗi yêu cầu một bộ công cụ toán học khác nhau. Các mô hình ngắn hạn, bao gồm học kỳ sắp tới hoặc năm học, phụ thuộc rất nhiều vào các chỉ số chuyển đổi đường hầm: tỷ lệ truy vấn đến ứng dụng, tỷ lệ ứng dụng đến nhập học, và cuối cùng, tỷ lệ lợi nhuận nhập học. các mô hình này hấp thụ các tín hiệu thời gian thực như tốc độ khối lượng ứng dụng, tỷ lệ chấp nhận trợ cấp tài chính và thời hạn gửi tiền nhà để tạo ra các khoảng thời gian dự báo cuộn. Các mô hình dài hạn, dự đoán từ ba đến năm năm, đòi hỏi một tập hợp biến số rộng hơn. Dữ liệu nhân khẩu học từ các cơ quan như Ủy ban liên bang phương Tây về giáo dục đại học (WICHE), dự báo sinh viên tốt nghiệp trung học theo tiểu bang và quận, tương quan các chỉ số kinh tế vĩ mô như tỷ lệ thất nghiệp địa phương với rủi ro "stop-out" hoặc tăng trưởng sinh viên tốt nghiệp, và đóng vai trò trong sự thay đổi độ nhạy cảm giá của thị trường khu vực vào các dự báo này. phương pháp tiếp cận dựa trên hồi quy vẫn phổ biến cho công việc dài hạn, nhưng các học viên làm việc trong các thị trường trải qua những thay đổi nhân khẩu học nhanh đã ngày càng khám phá các phương pháp tổng hợp kết hợp tăng trưởng độ phân cấp với dữ liệu chuỗi thời gian nhân khẩu học như một lựa chọn có khả năng đáp Một thách thức liên tục là tái hiệu chỉnh mô hình. Một mô hình hiệu suất được đào tạo trên dữ liệu tiền đại dịch sẽ đánh giá sai hành vi trong một bối cảnh hậu đại dịch, nơi thời gian quyết định của sinh viên đã mở rộng và sự liên quan của "viếng thăm trường" đã mất vị thế của nó như là một yếu tố tiên đoán chính của ý định. Các tổ chức mà đối xử với các mô hình dự đoán như là các hiện vật tĩnh, cập nhật chúng chỉ trong chu kỳ xem xét hàng năm, liên tục thấy mình vượt quá tốc độ của những người sử dụng xác nhận cuộn chống lại "hộp mẫu" (dữ liệu mà mô hình chưa thấy) để tái hiệu chỉnh trọng lượng tính năng trong thời gian thực. Student Success Modeling: From Risk Scores to Intervention Logic Mô hình thành công của sinh viên: Từ điểm số rủi ro đến logic can thiệp Student success models attempt to identify individuals at elevated risk of poor academic outcomes: failing a critical gateway course, dropping below satisfactory academic progress thresholds, stopping out before degree completion, or failing to graduate within a defined timeframe. The statistical challenge here is more complex than enrollment forecasting, for several reasons. Đầu tiên, biến kết quả chính nó thường được xác định kém. Các hệ thống "cảnh báo sớm" sớm thường thất bại vì họ đối xử với "rủi ro" như một trạng thái nhị phân. Một sinh viên có thể có nguy cơ rút tiền ngay lập tức thấp nhưng có nguy cơ cao tích lũy một thâm hụt tín dụng trì hoãn tốt nghiệp bằng một năm. Điều trị tất cả các kết quả bất lợi như là tương đương, mà nhiều hệ thống cảnh báo sớm đã làm, tạo ra điểm số rủi ro khó hoạt động bởi vì sự can thiệp thích hợp phụ thuộc rất nhiều vào con đường rủi ro cụ thể. Thứ hai, sự mất cân bằng lớp học là một vấn đề kỹ thuật quan trọng. Trong hầu hết các tập dữ liệu tổ chức, sinh viên rút lui hoặc dừng lại đại diện cho một tỷ lệ tương đối nhỏ của dân số tổng thể. Một nhà phân loại ngây thơ được đào tạo mà không giải quyết sự mất cân bằng lớp học sẽ đạt được độ chính xác tổng thể cao bằng cách chỉ đơn giản là dự đoán rằng mọi người sẽ thành công, trong khi hoàn toàn không xác định được những sinh viên thực sự cần hỗ trợ. Các kỹ thuật như lấy mẫu SMOTE, học tập nhạy cảm với chi phí và tối ưu hóa ngưỡng dựa trên điểm F-beta thay vì độ chính xác thô là cần thiết để sản xuất các mô hình có hiệu quả trong sản xuất. Thứ ba, và có lẽ quan trọng nhất, một điểm số rủi ro chỉ hữu ích nếu nó kích hoạt một phản ứng được xác định. Các tổ chức đã đầu tư vào việc xây dựng các mô hình tinh vi về mặt kỹ thuật nhưng chưa thiết lập cơ sở hạ tầng can thiệp để hành động đối với sản lượng của họ thấy tác động hạn chế. Công việc thống kê và năng lực tư vấn cần phải được "được thiết kế cùng". Một mô hình tạo ra một lá cờ rủi ro ba tuần trước thời hạn rút tiền quan trọng của học sinh, nhưng có sản lượng nằm trong bảng điều khiển không ai giám sát, không cải thiện kết quả. Integrating Models into Institutional Decision Systems Tích hợp các mô hình vào các hệ thống quyết định thể chế Chế độ thất bại phổ biến nhất trong phân tích giáo dục đại học là khoảng cách giữa phát triển mô hình và tích hợp hoạt động. Một nhóm nghiên cứu xây dựng một mô hình hồi quy hậu cần mạnh mẽ hoạt động tốt trên dữ liệu lịch sử, trình bày kết quả cho lãnh đạo tổ chức, nhận được sự chấp thuận để tiến hành, và sau đó triển khai mô hình như một báo cáo độc lập mà cố vấn chỉ truy cập khi họ nhớ để xem nó. Việc tích hợp hiệu quả đòi hỏi phải nhúng các sản phẩm mô hình trực tiếp vào các dòng công việc nơi các quyết định được đưa ra. Đối với tư vấn, điều này thường có nghĩa là bề mặt các chỉ số rủi ro trong hệ thống thông tin sinh viên hoặc nền tảng quản lý trường hợp mà các cố vấn sử dụng hàng ngày, thay vì yêu cầu điều hướng đến một môi trường phân tích riêng biệt. đối với quản lý tuyển sinh, nó có nghĩa là kết nối các sản phẩm mô hình lợi nhuận với các dòng công việc đóng gói hỗ trợ tài chính để cho phép các quyết định phân bổ "đúng thời gian" được thông báo bởi xác suất tuyển sinh dự đoán trong thời gian gần như thực. Quản trị dữ liệu là một điều kiện tiên quyết cho loại tích hợp này. Các mô hình dựa trên các biến nhạy cảm, bao gồm dữ liệu hỗ trợ tài chính, hồ sơ thành tích học tập hoặc sử dụng dịch vụ sức khỏe tâm thần, đòi hỏi các thỏa thuận sử dụng dữ liệu chính thức, kiểm soát truy cập được tài liệu rõ ràng và các đường dẫn kiểm toán cho phép tổ chức chứng minh sự tuân thủ với FERPA và các quy định liên quan. các tổ chức xây dựng các chương trình mô hình dự đoán của họ mà không giải quyết cơ sở hạ tầng quản trị cuối cùng sẽ phải đối mặt với các hạn chế truy cập buộc phải xây dựng lại một phần của bộ tính năng của mô hình. Measuring What Actually Changes Đo lường những gì thực sự thay đổi Một mô hình dự báo tuyển sinh làm giảm lỗi dự báo từ cộng hoặc giảm 8% xuống cộng hoặc giảm 3% là rất ấn tượng về mặt kỹ thuật, nhưng câu hỏi có liên quan là liệu sự cải thiện đó có cho phép phân bổ nguồn lực tốt hơn, lập kế hoạch tài chính chính chính xác hơn hay đầu tư tuyển dụng được nhắm mục tiêu hơn hay không. Đối với các mô hình thành công của sinh viên, các tổ chức nên theo dõi xem tỷ lệ can thiệp trong số các sinh viên có nguy cơ cao có tăng hay không, liệu những can thiệp đó có liên quan đến những thay đổi có thể đo lường được trong việc giữ lại hoặc hoàn thành khóa học hay không, và liệu các dân số bị hệ thống tư vấn phục vụ kém trong lịch sử có thấy quyền truy cập công bằng vào việc tiếp cận được kích hoạt bởi mô hình hay không. Các tổ chức giáo dục đại học đang ngồi trên một số bộ dữ liệu hành vi dọc phong phú nhất trong bất kỳ lĩnh vực nào. Học sinh tạo ra các tín hiệu thông qua các mô hình đăng ký khóa học, sự tham gia của hệ thống quản lý học tập, tương tác hỗ trợ tài chính, sử dụng thư viện, các cuộc hẹn hướng dẫn và hàng chục điểm tiếp xúc khác có chứa các tín hiệu dự đoán đáng kể về quỹ đạo và kết quả. Các tổ chức học cách trích xuất tín hiệu đó với sự nghiêm ngặt thống kê, kết nối nó với những người và quy trình có thể hành động trên nó, và liên tục xác nhận rằng các mô hình của họ đang hoạt động như dự định sẽ có một lợi thế thực sự và lâu dài trong cả việc ghi danh và thành công của sinh viên.

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

Read My Stories

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

Hệ thống mô hình dự đoán cho việc ghi danh và thành công của sinh viên trong hệ thống ra quyết định thể chế

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

128 Stories To Learn About Charles Dickens

223 Stories To Learn About Science

61 Stories To Learn About Polotical Philosophy

85 Stories To Learn About Travel

128 Stories To Learn About Charles Dickens

223 Stories To Learn About Science

61 Stories To Learn About Polotical Philosophy

85 Stories To Learn About Travel

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps