L’apprendimento automatico nell’istruzione superiore

Sep 06, 2023

Molti con istruzione superiore le istituzioni ora utilizzano dati e analisi come parte integrante dei loro processi. Sia che l'obiettivo sia identificare e supportare meglio i punti critici nel percorso degli studenti, allocare in modo più efficiente le risorse o migliorare l'esperienza degli studenti e dei docenti, gli istituti stanno vedendo i vantaggi delle soluzioni supportate dai dati.

Questo articolo è uno sforzo collaborativo di Claudio Brasca, Nikhil Kaithwal, Charag Krishnan, Monatrice Lam, Jonathan Law e Varun Marya, che rappresentano le opinioni del settore pubblico e sociale di McKinsey.

Coloro che sono in prima linea in questa tendenza si stanno concentrando sullo sfruttamento dell’analisi per aumentare la personalizzazione e la flessibilità del programma, nonché per migliorare la fidelizzazione identificando gli studenti a rischio di abbandono e raggiungendoli in modo proattivo con interventi su misura. In effetti, la scienza dei dati e l’apprendimento automatico possono sbloccare un valore significativo per le università garantendo che le risorse siano indirizzate verso le opportunità di maggiore impatto per migliorare l’accesso di un numero maggiore di studenti, nonché il coinvolgimento e la soddisfazione degli studenti.

Ad esempio, la Western Governors University nello Utah sta utilizzando modelli predittivi per migliorare la permanenza degli studenti identificando gli studenti a rischio e sviluppando programmi di intervento precoce. Gli sforzi iniziali hanno aumentato il tasso di conseguimento del diploma del programma universitario quadriennale dell'università di cinque punti percentuali tra il 2018 e il 2020.1 "Disponibile on-demand: migliorare il successo degli studenti con un approccio unificato all'analisi dei dati e all'intelligenza artificiale", Databricks, accesso dicembre 2021; "Informazioni sui tassi di conseguimento del diploma", Western Governors University, 2 dicembre 2021.

Eppure l’istruzione superiore è ancora nelle fasi iniziali dello sviluppo delle capacità relative ai dati. Con le università che si trovano ad affrontare molte sfide (come pressioni finanziarie, il baratro demografico e un aumento dei problemi di salute mentale degli studenti) e una varietà di opportunità (tra cui raggiungere studenti adulti e ampliare l’apprendimento online), espandere l’uso dell’analisi avanzata e dell’apprendimento automatico può rivelarsi vantaggioso.

Di seguito, condividiamo alcuni dei casi d’uso più promettenti per l’analisi avanzata nell’istruzione superiore per mostrare come le università stanno sfruttando tali opportunità per superare le sfide attuali, consentendo l’accesso a molti più studenti e migliorando l’esperienza degli studenti.

La scienza dei dati e l’apprendimento automatico possono sbloccare un valore significativo per le università garantendo che le risorse siano indirizzate verso le opportunità di maggiore impatto per migliorare l’accesso di un numero maggiore di studenti, nonché il coinvolgimento e la soddisfazione degli studenti.

Le tecniche di analisi avanzata possono aiutare gli istituti a ottenere informazioni significativamente più approfondite sulle loro popolazioni studentesche e a identificare rischi più sfumati di quelli che potrebbero ottenere attraverso l’analisi descrittiva e diagnostica, che si basa su approcci lineari e basati su regole (Figura 1).

L’analisi avanzata, che utilizza la potenza di algoritmi come il gradient boosting e la foresta casuale, può anche aiutare gli istituti ad affrontare i pregiudizi involontari nei metodi esistenti di identificazione degli studenti a rischio e a progettare in modo proattivo interventi su misura per mitigare la maggior parte dei rischi identificati.

Ad esempio, gli istituti che utilizzano approcci lineari e basati su regole esaminano indicatori quali voti bassi e scarsa frequenza per identificare gli studenti a rischio di abbandono; le istituzioni poi si rivolgono a questi studenti e lanciano iniziative per supportarli meglio. Sebbene tali iniziative possano essere utili, spesso vengono implementate troppo tardi e colpiscono solo un sottogruppo della popolazione a rischio. Questo approccio potrebbe essere una buona soluzione improvvisata per due problemi che devono affrontare i leader di successo degli studenti nelle università. In primo luogo, ci sono troppe variabili che potrebbero essere analizzate per indicare il rischio di attrito (come fattori accademici, finanziari e di salute mentale e senso di appartenenza al campus). In secondo luogo, mentre è facile identificare una varianza notevole su una o due variabili, è difficile identificare la varianza nominale su più variabili. Gli approcci lineari e basati su regole potrebbero quindi non riuscire a identificare gli studenti che, ad esempio, possono avere voti decenti e una frequenza superiore alla media ma che hanno avuto difficoltà a consegnare i compiti in tempo o hanno avuto costantemente difficoltà a pagare le bollette (Figura 2).