Использование машинного обучения для прогнозирования удержания студентов на основе социальных сетей

Sep 02, 2023

Том 13 научных отчетов, номер статьи: 5705 (2023) Цитировать эту статью

Доступы 1912 г.

25 Альтметрика

Подробности о метриках

Отток студентов представляет собой серьезную проблему для академических учреждений, финансирующих организаций и студентов. С появлением больших данных и прогнозной аналитики растущий объем исследований в области высшего образования продемонстрировал возможность прогнозирования отсева студентов на основе легкодоступных данных макроуровня (например, социально-демографические показатели или показатели ранней успеваемости) и микроуровня (например, социально-демографические показатели или показатели ранней успеваемости). например, вход в системы управления обучением). Тем не менее, существующие работы в значительной степени упускают из виду важнейший элемент успеха студентов на мезоуровне, который, как известно, способствует удержанию студентов: опыт студентов в университете и их социальная включенность в свою группу. В сотрудничестве с мобильным приложением, которое облегчает общение между студентами и университетами, мы собрали как (1) институциональные данные на макроуровне, так и (2) поведенческие данные о взаимодействии на микро- и мезо-уровне (например, количество и качество взаимодействия с университетскими службами и события, а также с другими студентами), чтобы предсказать отчисление после первого семестра. Анализируя записи 50 095 студентов из четырех университетов и общественных колледжей США, мы демонстрируем, что объединенные данные макро- и мезо-уровня могут предсказать отсев с высоким уровнем прогнозирующей эффективности (среднее AUC по линейным и нелинейным моделям = 78%; максимальное AUC = 88%). Было обнаружено, что переменные поведенческой вовлеченности, отражающие опыт студентов в университете (например, центральное место в сети, вовлеченность приложений, рейтинги событий), добавляют дополнительную предсказательную силу помимо институциональных переменных (например, среднего балла или этнической принадлежности). Наконец, мы подчеркиваем возможность обобщения наших результатов, показывая, что модели, обученные в одном университете, могут прогнозировать удержание в другом университете с достаточно высоким уровнем прогнозирующей эффективности.

В США только около 60% студентов дневной формы обучения заканчивают свою программу1,2, при этом большинство из тех, кто прекращает обучение, бросают учебу в течение первого года обучения3. Такие высокие показатели отсева создают серьезные проблемы как для студентов, университетов, так и для финансирующих организаций4. ,5.

Бросание из университета без диплома отрицательно влияет на финансы и психическое здоровье студентов. Более 65% студентов бакалавриата в США получают студенческие кредиты для оплаты обучения в колледже, в результате чего они влезают в большие долги во время учебы6. По данным Министерства образования США, студенты, которые берут кредит, но так и не заканчивают обучение, имеют в три раза больше шансов не выплатить кредит, чем студенты, окончившие обучение7. Это неудивительно, учитывая, что студенты, бросающие университет без диплома, зарабатывают на 66% меньше, чем выпускники университетов со степенью бакалавра, и с гораздо большей вероятностью останутся безработными2. Помимо финансовых потерь, чувство неудачи часто отрицательно влияет на благополучие и психическое здоровье студентов8.

В то же время отток студентов негативно влияет на университеты и федеральные финансирующие органы. Для университетов отток студентов приводит к снижению среднегодового дохода примерно на 16,5 миллиардов долларов в год из-за потери платы за обучение9,10. Аналогичным образом, отток студентов приводит к растрате ценных ресурсов, предоставляемых правительствами штатов и федеральным правительством. Например, Интегрированная система данных о послесреднем образовании Министерства образования США (IPEDS) показывает, что в период с 2003 по 2008 год правительства штатов и федеральное правительство вместе предоставили более 9 миллиардов долларов в виде грантов и субсидий студентам, которые не вернулись в учебное заведение, в котором они были зачислены. второй год11.

Учитывая высокие издержки отсева, способность прогнозировать учащихся из группы риска – и предоставлять им дополнительную поддержку – имеет решающее значение12,13. Поскольку большая часть отсева происходит в течение первого года14, такие прогнозы наиболее ценны, если они позволяют выявить учащихся из группы риска как можно раньше13,15,16. Чем раньше можно будет выявить студентов, у которых могут возникнуть трудности, тем выше вероятность того, что меры, направленные на защиту их от постепенного отставания – и, в конечном итоге, от прекращения учебы – будут эффективными17,18.