¿Cuál es su estrategia de análisis de datos educativos?

El éxito de los estudiantes en la enseñanza superior ha cobrado importancia en los últimos diez años. Prueba de ello es la proliferación de "centros" dedicados al éxito de los estudiantes en muchas universidades (sobre todo en EE.UU.), así como la creciente atención que prestan las organizaciones gubernamentales a escala nacional y regional a la "relación calidad-precio" de la enseñanza superior y a los "resultados" de los estudiantes. Lejos quedan los días en que el éxito de los estudiantes se consideraba simplemente una función del estudiante individual, en la que las instituciones de enseñanza superior proporcionaban los recursos, la infraestructura y la enseñanza, dejando todo lo demás en manos de los estudiantes.

Uno de los principales motores de este cambio de actitud ha sido el preocupante aumento de la deuda estudiantil. El impacto de la deuda estudiantil ha sido profundo a nivel político. Le costó el escaño en el Parlamento a un destacado político británico (viceprimer ministro) en las elecciones generales de 2016. En Estados Unidos, los políticos demócratas con la vista puesta en la Casa Blanca están compitiendo para ver quién puede ofrecer el acuerdo más atractivo para reducir (o incluso eliminar) la deuda estudiantil.

Aunque no puedo abordar el nivel actual de deuda estudiantil, lo que sí puedo hacer es mostrar cómo puede mejorarse radicalmente el éxito de los estudiantes (es decir, los resultados satisfactorios de los estudiantes). Esto, a su vez, reducirá la probabilidad de que se acumule deuda estudiantil como consecuencia del abandono o la prolongación de los periodos de estudio. La clave de todo esto es asombrosamente sencilla y la tenemos a nuestro alcance desde hace mucho tiempo: datos vitales relacionados con los estudiantes. El reto al que nos hemos enfrentado es saber qué hacer con ellos y cómo manejarlos eficazmente. Por eso las instituciones necesitan una estrategia de análisis de datos educativos.

El análisis predictivo en la enseñanza superior existe al menos desde finales del siglo XX. Yo lo utilizaba de forma muy genérica a finales de la década de 1980 y, a mediados de la década de 2000, lo usaba en serio para identificar las características de los estudiantes que fracasaban o tenían dificultades con sus estudios. Los datos y los análisis eran muy potentes porque ponían de manifiesto qué grupos de estudiantes tenían más probabilidades de tener éxito y, a la inversa, cuáles tenían más probabilidades de abandonar o no progresar o graduarse.

Esta información se utilizó para elaborar recomendaciones sobre políticas de contratación generales y específicas de cada programa. Además, incluía recomendaciones clave sobre el desarrollo de intervenciones específicas para ayudar a grupos de estudiantes claramente identificados (es decir, aquellos con más probabilidades de tener dificultades) a lograr mejores resultados. Se trataba de la analítica de datos educativos de su época, extremadamente valiosa para influir en la forma en que las futuras cohortes de estudiantes recibirían apoyo a lo largo de sus estudios. El valor estratégico de esta información para la institución era evidente.

Sin embargo, un enorme inconveniente era que, aunque centraba los esfuerzos en apoyar a las futuras cohortes de estudiantes, no hacía absolutamente nada por los estudiantes que habían tenido dificultades y los que habían suspendido y/o abandonado durante el curso académico examinado. En términos sencillos, el informe carecía del tiempo crítico imprescindible para ser beneficioso para los estudiantes actuales. Esto se debía principalmente a dos razones:

La buena noticia es que eso era entonces. Hoy en día, la analítica de datos educativos puede superar estos grandes obstáculos con relativa facilidad. La aplicación de las tecnologías de vanguardia de SEAtS permite extraer y procesar datos prácticamente en tiempo real. Mejor aún, cuando se combina con una serie de otros datos en tiempo real, tales como indicadores de la participación de los estudiantes (incluyendo la asistencia a conferencias / tutoriales / clases de laboratorio, el acceso y el uso del Entorno Virtual de Aprendizaje), hay un verdadero cambio en nuestra capacidad para ayudar a los estudiantes. Con la plataforma SEAtS Student Success Solutions, las conversaciones e interacciones críticas con los estudiantes pueden tener lugar en un plazo de tiempo que garantiza que los estudiantes reciban la ayuda que necesitan cuando más la necesitan: ¡ahora!

La aplicación de la analítica de datos educativos SEAtS supone otro gran salto adelante en la aplicación de esta analítica. A partir de los resultados y logros históricos de los estudiantes, así como de los resultados de rendimiento actuales y los datos estadísticos sobre la participación en tiempo real, el aprendizaje automático puede revelar patrones de actividad que contribuyen al éxito y, por el contrario, al fracaso o al abandono. Las lecciones aprendidas pueden aplicarse a continuación para ofrecer análisis rutinarios de cada estudiante en función de su historial y perfiles de actividad en tiempo real. De este modo se respaldan las cruciales intervenciones tempranas que garantizan que los estudiantes reciban la ayuda, el asesoramiento y la orientación adecuados cuando los necesitan.

SEAtS Student Success Solutions ofrece un valor añadido real a las instituciones a través de soluciones basadas en la nube que minimizan el impacto en las infraestructuras de TI existentes. SEAtS puede acceder a múltiples fuentes de datos sin problemas, superando los problemas organizativos y de silos de datos. Y lo que es más importante, el procesamiento en tiempo real de SEAtS proporciona las intervenciones críticas en tiempo real personalizadas para satisfacer los requisitos específicos, institucionales y estudiantiles para el éxito.

En resumen, el análisis de datos educativos de SEAtS le ayudará a conseguir un verdadero éxito estudiantil beneficioso para todos.