Analytics i høyere utdanning - Analytics in higher education

Akademisk analyse er definert som prosessen med å evaluere og analysere organisasjonsdata mottatt fra universitetssystemer av rapporterings- og beslutningsgrunner (Campbell, & Oblinger, 2007) [1] . I følge Campbell & Oblinger (2007) krever akkrediterende byråer, regjeringer , foreldre og studenter adopsjon av nye moderne og effektive måter å forbedre og overvåke suksessen til studenter på. Dette har ført høyere utdanningssystem inn i en tid preget av økt gransking fra de ulike interessentene . For eksempel erkjenner Bradley-gjennomgangen at benchmarkingaktiviteter som studentengasjement fungerer som indikatorer for å måle institusjonens kvalitet (Commonwealth Government of Australia , 2008).

Økt konkurranse, akkreditering , vurdering og regulering er de viktigste faktorene som oppmuntrer til bruk av analyse i høyere utdanning . Selv om institusjoner for høyere utdanning samler inn viktige data som kan hjelpe til med å løse problemer som slitasje og oppbevaring, blir de innsamlede dataene ikke analysert tilstrekkelig og oversatt til nyttige data (Goldstein, 2005.)

Deretter blir ledere for høyere utdanning tvunget til å ta kritiske og vitale beslutninger basert på utilstrekkelig informasjon som kan oppnås ved riktig bruk og analyse av tilgjengelige data (Norris, Leonard, & strategiske initiativer Inc., 2008). Dette gir strategiske problemer. Dette tilbakeslaget skildrer seg også på det taktiske nivået . Læring og undervisning ved høyere utdanningsinstitusjoner hvis ofte en mangfoldig og kompleks opplevelse. Hver lærer, student eller kurs er ganske annerledes.

Imidlertid har LMS i oppdrag å ta vare på dem alle. LMS er sentralt i akademisk analyse. Den registrerer informasjon om hver student og ansatte og resulterer i et klikk i systemet. Når denne viktige informasjonen legges til, sammenlignes og kontrasteres med forskjellige informasjonssystemer for virksomheten, gir institusjonen et stort utvalg av nyttig informasjon som kan høstes for å få et konkurransefortrinn (Dawson & McWilliam, 2008; Goldstein, 2005; Heathcoate & Dawson, 2005 ).

For å hente meningsfull informasjon fra institusjonskilder, dvs. LMS, må informasjonen tolkes riktig mot et grunnlag for effektivitet i utdanningen, og denne handlingen krever analyse fra personer med lærings- og undervisningsevner. Derfor kreves det en samarbeidsmessig tilnærming fra både personene som vokter dataene og de som vil tolke dem, ellers vil dataene forbli totalt avfall (Baepler & Murdoch, 2010). Beslutningstaking på sitt mest grunnleggende nivå er basert på antagelse eller intuisjon (en person kan ta konklusjoner og beslutninger basert på erfaring uten å måtte gjøre dataanalyse) (Siemens & Long, 2011). Imidlertid er mange beslutninger tatt ved institusjoner for høyere utdanning for viktige til å være basert på anekdote , antagelse eller intuisjon, siden viktige beslutninger må støttes av data og fakta.

Analytics , som ofte kalles "business intelligence", har kommet ut som ny programvare og maskinvare som gjør det mulig for bedrifter å samle og analysere store mengder informasjon eller data. Analyseprosessen består av å samle inn, analysere, manipulere data og bruke resultatene for å svare på kritiske spørsmål som "hvorfor". Analytics ble først brukt i opptaksavdelingen i institusjoner for høyere utdanning. Institusjonene brukte normalt noen formler for å velge studenter fra et stort utvalg av søkere. Disse formlene hentet informasjonen fra videregående utskrifter og standardiserte testresultater.

I dagens verden brukes analyse ofte i administrative enheter som innsamling av fond og opptak. Bruk og anvendelse av akademisk analyse er ment å vokse på grunn av den stadig økende bekymringen for studenters suksess og ansvarlighet. Akademisk analyse gifter seg primært med komplekse og enorme data med prediktiv modellering og statistiske teknikker for bedre beslutningstaking. Nåværende akademiske analyseinitiativer er bøyd for å bruke data til å forutsi studenter som opplever vanskeligheter (Arnold, & Pistilli, 2012, april). Dette gjør at rådgivere og fakultetsmedlemmer kan gripe inn ved å skreddersy prosedyrer som vil tilfredsstille studentens læringsbehov (Arnold, 2010). Som sådan har akademisk analyse muligheten til å forbedre læring, student suksess og undervisning. Analytics har blitt et verdifullt verktøy for institusjoner på grunn av dets evne til å forutsi, modellere og forbedre beslutningstaking.

Analytiske trinn

Analyse består av fem grunnleggende trinn: fange, rapportere, forutsi, handle og avgrense.

Capture : All analytisk innsats er sentrert om data. Følgelig kan akademisk analyse forankres i data fra forskjellige kilder, for eksempel et CMS , og finansielle systemer (Campbell, Finnegan, & Collins, 2006). I tillegg kommer dataene i forskjellige formater, for eksempel regneark . Data kan også hentes fra institusjonens eksterne miljø. For å samle inn data må akademisk analyse bestemme typen tilgjengelige data, metoder for å utnytte dem og formatene den er i.

Rapport : Etter at dataene er fanget og lagret på et sentralt sted, vil analytikere undersøke dataene, utføre spørsmål , identifisere mønstre, trender og unntak avbildet av dataene. Standardavviket og gjennomsnittet ( beskrivende statistikk ) genereres stort sett.

Forutsi : Etter å ha analysert de lagrede dataene ved bruk av statistikk, utvikles en prediktiv modell . Disse modellene varierer avhengig av spørsmålstypen og datatypen. For å utvikle en sannsynlighet benytter disse modellene statistiske regresjonskonsepter og teknikker. Forutsigelser gjøres etter bruk av statistiske algoritmer .

Handling : Hovedmålet med analytics er å gjøre institusjonen i stand til å ta handlinger basert på sannsynlighetene og spådommene som er gjort. Disse handlingene kan variere fra oppfinnelse til informasjon. Intervensjonene for å løse problemer kan være i form av en personlig e-post, telefonsamtale eller en automatisk kontakt fra fakultetets rådgivere om studieressurser og ferdigheter, for eksempel kontortid eller hjelpesesjoner. Utvilsomt må institusjoner komme med egnede mekanismer for slagmåling; slik som om studentene faktisk svarte eller deltok på hjelpemøtene når de ble invitert.

Avgrens : Akademisk analyse bør også bestå av en prosess rettet mot selvforbedring . Statistiske prosesser bør oppdateres kontinuerlig siden måling av prosjektets innvirkning ikke er en engangs statisk innsats, men snarere en kontinuerlig innsats. For eksempel bør opptaksanalyser oppdateres eller revideres årlig.

Forstå involverte interessenter

Analytics påvirker ledere , studenter, fakultetsmedlemmer, IT-ansatte og studentansatte. Mens studenter vil være opptatt av å vite at akademisk analyse vil påvirke karakterene deres, vil fakultetsmedlemmene være interessert i å finne ut hvordan informasjonen og dataene kan brukes til andre formål (Pistilli, Arnold & Bethune, 2012). Videre vil institusjonsmedarbeidere være fokusert på å finne ut hvordan analysen vil gjøre det mulig for dem å effektivt utføre sine jobber mens institusjonspresidenten vil være fokusert på nybegynnerbevaring og økning i graderinger.

Kritikk

Analytics har blitt kritisert av forskjellige grunner, for eksempel profilering . Deres viktigste bruk er å profilere studenter i vellykkede og mislykkede kategorier. Men noen individer hevder at profilering av studenter har en tendens til skjevhet folks atferd og forventninger (Ferguson, 2012). I tillegg er det ingen klare retningslinjer for hvilke profileringsspørsmål som skal forbys eller tillates i institusjoner for høyere utdanning.

Referanser

  • Akademisk analyse i EDUCAUSE Resource Library
  • Arnold, KE (2010). Signaler: Bruk av akademisk analyse. Educause Quarterly, 33 (1), n1. (ansvarlighet)
  • Arnold, KE, & Pistilli, MD (2012, april). Kurssignaler på Purdue: Bruk læringsanalyse for å øke suksessen til studentene. I Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (s. 267–270). ACM.
  • Baepler, P., & Murdoch, CJ (2010). Akademisk analyse og datautvinning i høyere utdanning. International Journal for the Scholarship of Teaching and Learning, 4 (2), 17.
  • Campbell, JP og Oblinger, DG (2007). Akademisk analyse. Educause-artikkel.
  • Campbell, JP, Finnegan, C., & Collins, B. (2006). Akademisk analyse: Bruk av CMS som et varslingssystem. I WebCT impact conference.
  • Commonwealth Government of Australia. (2008). Gjennomgang av Australian Higher Education o. Dokumentnummer)
  • Dawson, S., og McWilliam, E. (2008). Undersøk anvendelse av IT-genererte data som en indikator på lærings- og undervisningsytelse: Queensland University of Technology og University of British Columbia. (AL a. T. Council o. Document Number)
  • Ferguson, R. (2012). Læringsanalyse: drivere, utvikling og utfordringer. International Journal of Technology Enhanced Learning, 4 (5), 304-317.
  • Goldstein, P. (2005). Akademisk analyse: Bruken av ledelsesinformasjon og teknologi i høyere utdanning o. Dokumentnummer)
  • Heathcoate, L., og Dawson, S. (2005). Data Mining for Evaluation, Benchmarking and Reflective Practice in a LMS. E-Learn 2005: Verdenskonferanse om e-læring innen bedrift, myndighet, helsetjenester og høyere utdanning.
  • Norris, DM, Leonard, J., & Strategic Initiatives Inc. (2008). Hva hver campusleder trenger å vite om Analytics o. Dokumentnummer)
  • Pistilli, MD, Arnold, K., & Bethune, M. (2012). Signaler: Bruk av akademisk analyse for å fremme studenters suksess. EDUCAUSE gjennomgang online, 1-8.
  • Siemens, G., & Long, P. (2011). Penetrerende tåke: Analytics innen læring og utdanning. Educause Review, 46 (5), 30-32.

Referanser