Машинное обучение в высшем образовании

Sep 06, 2023

Многие с высшим образованием учреждения теперь используют данные и аналитику как неотъемлемую часть своих процессов. Независимо от того, стоит ли цель выявить и улучшить поддержку проблемных мест на пути студента, более эффективно распределять ресурсы или улучшить опыт студентов и преподавателей, учебные заведения видят преимущества решений, основанных на данных.

Эта статья является результатом совместной работы Клаудио Браски, Нихила Кайтвала, Чарага Кришнана, Монатрис Лам, Джонатана Лоу и Варуна Марии и представляет взгляды практики McKinsey в государственном и социальном секторе.

Те, кто находится в авангарде этой тенденции, сосредотачивают внимание на использовании аналитики для повышения персонализации и гибкости программ, а также для улучшения удержания учащихся путем выявления студентов, которые рискуют бросить учебу, и активно охватывают их с помощью индивидуальных мер. Действительно, наука о данных и машинное обучение могут принести значительную пользу университетам, гарантируя, что ресурсы будут направлены на наиболее эффективные возможности для улучшения доступа для большего количества студентов, а также их вовлеченности и удовлетворенности.

Например, Университет Вестерн Губернаторс в штате Юта использует прогнозное моделирование для улучшения удержания учащихся путем выявления студентов из групп риска и разработки программ раннего вмешательства. Первоначальные усилия увеличили количество выпускников четырехлетней программы бакалавриата университета на пять процентных пунктов в период с 2018 по 2020 год. «О количестве выпускников», Западный Губернаторский университет, 2 декабря 2021 г.

Тем не менее, высшее образование все еще находится на ранних стадиях создания возможностей обработки данных. Поскольку университеты сталкиваются со многими проблемами (такими как финансовое давление, демографический обрыв и рост проблем с психическим здоровьем студентов) и множеством возможностей (включая охват взрослых учащихся и масштабирование онлайн-обучения), расширение использования передовой аналитики и машинного обучения может оказаться полезным.

Ниже мы поделимся некоторыми из наиболее многообещающих вариантов использования расширенной аналитики в высшем образовании, чтобы показать, как университеты извлекают выгоду из этих возможностей для преодоления текущих проблем, открывая доступ гораздо большему числу студентов и улучшая качество их обучения.

Наука о данных и машинное обучение могут принести значительную пользу университетам, гарантируя, что ресурсы будут направлены на наиболее эффективные возможности для улучшения доступа для большего количества студентов, а также их вовлеченности и удовлетворенности.

Методы продвинутой аналитики могут помочь вузам получить значительно более глубокое представление о студенческой контингенте и выявить более тонкие риски, чем они могли бы достичь с помощью описательной и диагностической аналитики, которая опирается на линейные подходы, основанные на правилах (Иллюстрация 1).

Расширенная аналитика, использующая возможности таких алгоритмов, как повышение градиента и случайный лес, также может помочь учебным заведениям устранить непреднамеренные предвзятости в существующих методах выявления студентов из группы риска и активно разрабатывать индивидуальные вмешательства для смягчения большинства выявленных рисков.

Например, учебные заведения, использующие линейные, основанные на правилах подходы, обращают внимание на такие показатели, как низкие оценки и плохая посещаемость, чтобы выявить учащихся, которым грозит отчисление; затем учебные заведения обращаются к этим студентам и запускают инициативы по их лучшей поддержке. Хотя такие инициативы могут быть полезны, они часто реализуются слишком поздно и нацелены только на часть населения, подвергающегося риску. Этот подход мог бы стать хорошим временным решением двух проблем, с которыми сталкиваются лидеры, добивающиеся успеха студентов в университетах. Во-первых, существует слишком много переменных, которые можно проанализировать, чтобы указать на риск отсева (например, академические, финансовые факторы и факторы психического здоровья, а также чувство принадлежности к кампусу). Во-вторых, хотя легко определить заметную дисперсию по любой одной или двум переменным, сложно определить номинальную дисперсию по нескольким переменным. Таким образом, линейные подходы, основанные на правилах, могут не выявить учащихся, которые, например, могут иметь приличные оценки и посещаемость выше среднего, но которые с трудом сдают задания вовремя или постоянно испытывают трудности с оплатой своих счетов (Иллюстрация 2).