Mašinsko učenje i poboljšanje uspeha učenika u visokom obrazovanju

Mnoge visokoškolske ustanove sada koriste podatke i analitiku kao sastavni deo svojih procesa. Promišljena primena mašinskog učenja i napredne analitike može biti podrška uspehu i ukupnom studentskom iskustvu. Bez obzira da li je cilj otkrivanje i podrška slabim tačkama, efikasniji pristup resursima ili poboljšanje iskustva studenata i fakulteta, institucije vide prednosti rešenja zasnovanih na podacima. Oni koji su na čelu ovog trenda fokusiraju se na iskorišćavanje analitike kako bi se povećala personalizacija i fleksibilnost programa, kao i da bi se poboljšao kontnuitet u studiranju tako što će identifikovati rizik od napuštanja školovanja i proaktivno pristupiti podršci.

Na primer, institucije koje koriste linearne pristupe zasnovane na pravilima gledaju na indikatore kao što su niske ocene i slabo pohađanje nastave da bi identifikovale učenike u riziku od napuštanja školovanja; institucije zatim dopiru do ovih učenika i pokreću inicijative za bolju podršku. Iako takve inicijative mogu biti od koristi, one se često sprovode prekasno i ciljaju samo na podgrupu rizične populacije. Ovaj pristup bi mogao da bude dobro improvizovano rešenje za dva problema sa kojima se suočavaju lideri uspeha studenata na univerzitetima. Prvo, postoji više varijabli koje bi se mogle analizirati da bi ukazale na rizik od iscrpljivanja (kao što su akademski, finansijski i faktori mentalnog zdravlja i osećaj pripadnosti). Drugo, linearni pristupi zasnovani na pravilima možda neće uspeti da identifikuju učenike koji, na primer, mogu imati pristojne ocene i natprosečno pohađanje, ali koji se muče da predaju svoje zadatke na vreme zbog drugih poteškoća.

Napredna analitika u akciji: Kako su institucije poboljšale upis, zadržavanje i, na kraju, iskustvo studenata

Jedan privatni univerzitet nedavno je tražio način da dopre do većeg broja potencijalnih studenata prve godine osnovnih studija koji bi odgovarali instituciji i da poboljša proceduru upisa na način koji je bio izvodljiv za upisni tim bez značajnog povećanja ulaganja i resursa.  Za ovu instituciju, modeliranje napredne analitike imalo je neposredni uticaj. Inicijativa je sugerisala buduće mogućnosti za univerzitet da upiše više brucoša uz veću marketinšku efikasnost.

Kada je prvobitno testiran (pre roka za prijavu), model je tačno predvideo 85 procenata kandidata koji su podneli prijavu, i predviđao je 35 procenata kandidata u tom trenutku ciklusa za koje je najverovatnije da će se upisati, pod pretpostavkom da nema promena kriterijuma za prijem.Tim za upravljanje upisima sada je u mogućnosti da bolje odredi prioritete svojih resursa i vremena za potencijalne kandidate kako bi stvorio priličnu klasu. Ove nove sposobnosti daće instituciji fleksibilnost za donošenje strateških izbora; umesto da se prvenstveno fokusira na veličinu odeljenja koja dolazi, može da obezbedi željenu veličinu odeljenja dok daje prioritet drugim ciljevima, kao što su sastav odeljenja, raspodela pomoći ili uštede u budžetu.

Izvor: www.mckinsey.com