Analys inom högre utbildning

Akademisk analys definieras som processen att utvärdera och analysera organisationsdata som tas emot från universitetssystem för rapporterings- och beslutsfattande skäl (Campbell, & Oblinger, 2007) [ 1] . Akademisk analys hjälper studenter och lärare att spåra sina karriärer och yrkesvägar. Enligt Campbell & Oblinger (2007) efterlyser ackrediteringsbyråer, regeringar , föräldrar och elever antagandet av nya moderna och effektiva sätt att förbättra och övervaka elevernas framgång. Detta har fört högskolesystemet in i en tid präglad av ökad granskning från olika intressenter . Till exempel erkänner Bradley-översikten att benchmarkingaktiviteter som studentengagemang fungerar som indikatorer för att mäta institutionens kvalitet (Commonwealth Government of Australia, 2008).

Ökad konkurrens, ackreditering , bedömning och reglering är de viktigaste faktorerna som uppmuntrar antagandet av analyser inom högre utbildning . Även om institutioner för högre utbildning samlar in mycket viktig data som avsevärt kan hjälpa till att lösa problem som utslitning och retention, analyseras inte den insamlade informationen adekvat och översätts därför till användbar data (Goldstein, 2005).

Därefter tvingas högre utbildningsledning att fatta kritiska och viktiga beslut baserade på otillräcklig information som skulle kunna uppnås genom att korrekt använda och analysera tillgänglig data (Norris, Leonard, & strategic Initiatives Inc., 2008) . Detta ger upphov till strategiska problem. Detta bakslag visar sig också på den taktiska nivån . Lärande och undervisning vid institutioner för högre utbildning om ofta en mångsidig och komplex erfarenhet. Varje lärare, student eller kurs är helt olika.

LMS har dock i uppdrag att ta hand om dem alla. LMS är i centrum för akademisk analys. Den registrerar varje elevs och personals information och resulterar i ett klick i systemet. När denna avgörande information läggs till, jämförs och kontrasteras med olika företagsinformationssystem ger institutionen en stor mängd användbar information som kan skördas för att få en konkurrensfördel (Dawson & McWilliam, 2008; Goldstein, 2005; Heathcoate & Dawson, 2005 ).

För att kunna hämta meningsfull information från institutionskällor, t.ex. LMS, måste informationen tolkas korrekt utifrån en pedagogisk effektivitet, och denna åtgärd kräver analys från personer med inlärnings- och undervisningsförmåga. Därför krävs ett samarbetande förhållningssätt från både personerna som vaktar data och de som ska tolka dem, annars kommer data att förbli ett totalt slöseri (Baepler & Murdoch, 2010). Beslutsfattande på sin mest grundläggande nivå baseras på presumtion eller intuition (en person kan göra slutsatser och beslut baserat på erfarenhet utan att behöva göra dataanalys) (Siemens & Long, 2011). Men många beslut som fattas vid institutioner för högre utbildning är för viktiga för att baseras på anekdoter , antaganden eller intuition eftersom viktiga beslut måste backas upp av data och fakta.

Bakgrund

Analytics , som ofta kallas "business intelligence", har kommit ut som ny mjukvara och hårdvara som gör det möjligt för företag att samla in och analysera stora mängder information eller data. Analysprocessen består av att samla in, analysera, manipulera data och använda resultaten för att svara på kritiska frågor som "varför". Analytics tillämpades först på antagningsavdelningen vid högskolor. Institutionerna använde normalt vissa formler för att välja studenter från en stor pool av sökande. Dessa formler hämtade sin information från gymnasieutskrifter och standardiserade testresultat.

I dagens värld används analytics ofta i administrativa enheter som insamling och antagning. Användningen och tillämpningen av akademisk analys är tänkt att växa på grund av den ständigt ökande oron över elevernas framgång och ansvar. Akademisk analys kombinerar i första hand komplexa och omfattande data med prediktiv modellering och statistiska tekniker för bättre beslutsfattande. Aktuella akademiska analysinitiativ är böjda att använda data för att förutsäga elever som upplever svårigheter (Arnold, & Pistilli, 2012, april). Detta gör det möjligt för rådgivare och lärare att ingripa genom att skräddarsy procedurer som kommer att möta studentens inlärningsbehov (Arnold, 2010). Som sådan besitter akademisk analys förmågan att förbättra lärande, studentframgång och undervisning. Analytics har blivit ett värdefullt verktyg för institutioner på grund av dess förmåga att förutsäga, modellera och förbättra beslutsfattande.

Analytiska steg

Analysen består av fem grundläggande steg: fånga, rapportera, förutsäga, agera och förfina.

Fånga : Alla analytiska ansträngningar är centrerade på data. Följaktligen kan akademisk analys vara förankrad i data från olika källor såsom ett CMS och finansiella system (Campbell, Finnegan, & Collins, 2006). Dessutom finns uppgifterna i olika format, till exempel kalkylblad . Dessutom kan data hämtas från institutionens externa miljö. För att fånga data måste akademisk analys bestämma vilken typ av tillgänglig data, metoder för att utnyttja den och formaten den är i.

Rapport : Efter att data har samlats in och lagrats på en central plats kommer analytiker att undersöka data, utföra frågor , identifiera mönster, trender och undantag som avbildas av data. Standardavvikelsen och medelvärdet ( beskrivande statistik) genereras oftast.

Förutsäga : Efter att ha analyserat lagrad data genom användning av statistik, utvecklas en prediktiv modell . Dessa modeller varierar beroende på frågans karaktär och typ av data. För att utveckla en sannolikhet använder dessa modeller statistiska regressionskoncept och tekniker. Förutsägelser görs efter användning av statistiska algoritmer .

Handling : Det huvudsakliga målet och syftet med analys är att göra det möjligt för institutionen att vidta åtgärder baserat på de sannolikheter och förutsägelser som gjorts. Dessa åtgärder kan variera från uppfinning till information. Insatserna för att lösa problem kan vara i form av ett personligt e-postmeddelande, telefonsamtal eller en automatisk kontakt från fakultetsrådgivare om studieresurser och färdigheter, såsom kontorstid eller hjälpsessioner. Utan tvekan måste institutioner komma med lämpliga mekanismer för effektmätning; till exempel svarade eleverna eller deltog i hjälpsessionerna när de blev inbjudna.

Förfina : Akademisk analys bör också bestå av en process som syftar till självförbättring . Statistikprocesser bör uppdateras kontinuerligt eftersom mätningen av projekteffekter inte är en statisk engångsförsök utan snarare en kontinuerlig insats. Till exempel bör antagningsanalyser uppdateras eller revideras årligen.

Förstå involverade intressenter

Analytics påverkar chefer , studenter, fakultetsmedlemmar, IT-personal och personal inom studentfrågor. Medan studenter kommer att vara angelägna om att veta att akademisk analys kommer att påverka deras betyg, kommer fakultetsmedlemmar att vara intresserade av att ta reda på hur informationen och data kan tillägnas andra ändamål (Pistilli, Arnold & Bethune, 2012). Dessutom kommer institutionens personal att vara fokuserad på att hitta hur analysen kommer att göra det möjligt för dem att effektivt utföra sina jobb medan institutionens ordförande kommer att fokusera på att behålla nybörjarstudenter och öka examensfrekvensen.

Kritik

Analytics har kritiserats av olika anledningar som profilering . Deras huvudsakliga användning är att profilera elever i framgångsrika och misslyckade kategorier. Vissa individer hävdar dock att profilering av elever tenderar att påverka människors beteenden och förväntningar (Ferguson, 2012). Dessutom finns det inga tydliga riktlinjer för vilka profileringsfrågor som bör förbjudas eller tillåtas vid högre utbildningsanstalter.

• Akademisk analys i EDUCAUSE Resource Library
• Arnold, KE (2010). Signaler: Tillämpa akademisk analys. Educause Quarterly, 33(1), n1. (ansvarighet)
• Arnold, KE, & Pistilli, MD (2012, april). Course Signals at Purdue: Använda inlärningsanalyser för att öka elevernas framgång. I Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (s. 267–270). ACM.
• Baepler, P., & Murdoch, CJ (2010). Akademisk analys och datautvinning inom högre utbildning. International Journal for the Scholarship of Teaching and Learning, 4(2), 17.
• Campbell, JP, & Oblinger, DG (2007). Akademisk analys. Educause artikel.
• Campbell, JP, Finnegan, C., & Collins, B. (2006). Akademisk analys: Använda CMS som ett system för tidig varning. I WebCT påverkan konferens.
• Commonwealth regering i Australien. (2008). Recension av australiensisk högre utbildning o. Dokumentnummer)
• Dawson, S., & McWilliam, E. (2008). Undersöker tillämpningen av IT-genererad data som en indikator på inlärnings- och undervisningsprestanda: Queensland University of Technology och University of British Columbia. (AL a. T. Council o. Document Number)
• Ferguson, R. (2012). Inlärningsanalys: drivkrafter, utvecklingar och utmaningar. International Journal of Technology Enhanced Learning, 4(5), 304-317.
• Goldstein, P. (2005). Akademisk analys: Användningen av ledningsinformation och teknologi i högre utbildning o. Dokumentnummer)
• Heathcoate, L., & Dawson, S. (2005). Datautvinning för utvärdering, benchmarking och reflekterande praktik i ett LMS. E-Learn 2005: Världskonferens om e-Learning inom företag, myndigheter, hälso- och sjukvård och högre utbildning.
• Norris, DM, Leonard, J., & Strategic Initiatives Inc. (2008). Vad varje campusledare behöver veta om Analytics o. Dokumentnummer)
• Pistilli, MD, Arnold, K., & Bethune, M. (2012). Signaler: Använda akademisk analys för att främja studentframgång. EDUCAUSE Review Online, 1-8.
• Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. Educause Review, 46(5), 30-32.