Vilken är er strategi för analys av utbildningsdata?

Studenters framgång inom högre utbildning har fått en allt mer framträdande roll under de senaste 10 åren. Tillväxten av särskilda "center" för studentframgång vid många universitet (främst i USA) är ett bevis på detta, liksom det ökade fokus som statliga organisationer på nationell och regional nivå har på den högre utbildningens "valuta för pengarna" och studenternas "resultat". Den tid är sedan länge förbi då studenternas framgång kunde ses som en funktion av den enskilda studenten, där lärosätena tillhandahöll resurser, infrastruktur och undervisning medan allt annat var upp till studenterna.

En viktig drivkraft bakom denna attitydförändring har varit den oroande ökningen av studieskulderna. Studielånen har fått stora konsekvenser på politisk nivå. Det kostade en ledande brittisk politiker (vice premiärminister) hans plats i parlamentet i det allmänna valet 2016. I USA tävlar demokratiska politiker med siktet inställt på Vita huset om vem som kan erbjuda den mest tilltalande uppgörelsen för att minska (eller till och med ta bort) studieskulderna.

Även om jag inte kan ta itu med den nuvarande nivån av studieskulder, kan jag visa hur studenternas framgång (dvs. framgångsrika studieresultat) kan förbättras radikalt. Detta kommer i sin tur att minska sannolikheten för att studieskulder ackumuleras som en följd av att studenter hoppar av eller förlänger sin studietid. Nyckeln till detta är förbluffande enkel och vi har haft den till hands under mycket lång tid: viktiga studentrelaterade data. Den utmaning vi har stått inför är att veta vad vi ska göra med den och hur vi ska hantera den på ett effektivt sätt. Det är därför institutioner behöver en strategi för analys av utbildningsdata.

Prediktiv analys inom högre utbildning har funnits åtminstone sedan slutet av 1900-talet. Jag använde det på ett mycket allmänt sätt i slutet av 1980-talet och i mitten av 2000-talet använde jag det på allvar för att identifiera egenskaperna hos studenter som misslyckades eller kämpade hårt med sina studier. Uppgifterna och analyserna var oerhört kraftfulla eftersom de visade vilka grupper av studenter som var mest benägna att lyckas och, omvänt, vilka som var mer benägna att hoppa av eller misslyckas med att göra framsteg eller ta examen.

Denna information användes för att ta fram rekommendationer om allmänna och programspecifika rekryteringsstrategier. Dessutom innehöll den viktiga rekommendationer om utvecklingen av specifika insatser för att hjälpa tydligt identifierade grupper av studenter (dvs. de som mest sannolikt skulle få problem) att uppnå bättre resultat. Detta var den tidens analys av utbildningsdata, extremt värdefull för att påverka hur framtida studentgrupper skulle få stöd genom sina studier. Det strategiska värdet av denna information för institutionen var uppenbart.

En stor nackdel var dock att även om den fokuserade på att stödja framtida studentkullar, gjorde den absolut ingenting för de studenter som hade haft svårigheter och de som hade misslyckats och/eller hoppat av under det läsår som granskades. Enkelt uttryckt saknade rapporten den kritiska tidsaspekt som krävs för att vara till nytta för de nuvarande studenterna. Det fanns två huvudsakliga skäl till detta:

Den goda nyheten är att det var då. Idag kan analys av utbildningsdata övervinna dessa stora hinder relativt enkelt. Tillämpningen av SEAtS banbrytande teknik innebär att datautvinning och databehandling kan uppnås i praktiskt taget realtid. I kombination med en rad andra realtidsdata, t.ex. indikatorer för studenternas engagemang (inklusive närvaro vid föreläsningar/handledning/laborationer, tillgång till och användning av den virtuella inlärningsmiljön), sker en verklig förändring i vår förmåga att hjälpa studenterna. Med SEAtS Student Success Solutions-plattformen på plats kan de viktiga samtalen och interaktionerna med studenterna äga rum inom en tidsram som säkerställer att studenterna får den hjälp de behöver när de behöver den som mest: nu!

Tillämpningen av SEAtS analys av utbildningsdata innebär ytterligare ett stort steg framåt i tillämpningen av denna analys. Med hjälp av historiska elevresultat och prestationer, samt aktuella prestationer och statistiska data om engagemang i realtid, kan maskininlärning avslöja aktivitetsmönster som bidrar till framgång och, omvänt, till misslyckande eller avhopp. Lärdomarna kan sedan användas för att leverera rutinanalyser för enskilda elever baserat på deras register och aktivitetsprofiler i realtid. Detta ligger till grund för de viktiga tidiga insatser som säkerställer att eleverna får lämplig hjälp, råd och vägledning när de behöver det.

SEAtS Student Success Solutions ger lärosätena ett verkligt mervärde genom molnbaserade lösningar som minimerar påverkan på befintlig IT-infrastruktur. SEAtS kan få åtkomst till flera datakällor sömlöst och övervinna organisatoriska problem och problem med datasilos. Viktigast av allt är att SEAtS realtidsbearbetning levererar de kritiska realtidsinterventionerna som är anpassade för att uppfylla specifika, institutionella och studentkrav för framgång.

Kort sagt, SEAtS analys av utbildningsdata hjälper dig att uppnå en verklig studentframgång som alla vinner på.