Analytics no ensino superior - Analytics in higher education

A analítica acadêmica é definida como o processo de avaliação e análise dos dados organizacionais recebidos dos sistemas universitários para fins de relato e tomada de decisão (Campbell, & Oblinger, 2007) [1] . De acordo com Campbell & Oblinger (2007), agências de credenciamento, governos , pais e alunos estão todos clamando pela adoção de novas formas modernas e eficientes de melhorar e monitorar o sucesso dos alunos. Isso introduziu o sistema de ensino superior em uma era caracterizada por um maior escrutínio por parte das várias partes interessadas . Por exemplo, a revisão de Bradley reconhece que as atividades de benchmarking , como o envolvimento do aluno, servem como indicadores para medir a qualidade da instituição (Commonwealth Government of Australia , 2008).

O aumento da competição, credenciamento , avaliação e regulamentação são os principais fatores que encorajam a adoção de análises no ensino superior . Embora as instituições de ensino superior reúnam muitos dados vitais que podem ajudar significativamente na solução de problemas como desgaste e retenção, os dados coletados não estão sendo analisados ​​de forma adequada e, portanto, traduzidos em dados úteis (Goldstein, 2005.)

Subseqüentemente, a liderança do ensino superior é forçada a tomar decisões críticas e vitais com base em informações inadequadas que poderiam ser obtidas utilizando e analisando adequadamente os dados disponíveis (Norris, Leonard, & Strategic Initiatives Inc., 2008). Isso dá origem a problemas estratégicos. Este revés também se mostra no nível tático . Aprender e ensinar em instituições de ensino superior é muitas vezes uma experiência diversa e complexa. Cada professor, aluno ou curso é bastante diferente.

No entanto, o LMS tem a tarefa de cuidar de todos eles. O LMS está no centro das análises acadêmicas. Ele registra todas as informações dos alunos e funcionários e resulta em um clique no sistema. Quando essas informações cruciais são adicionadas, comparadas e contrastadas com diferentes sistemas de informação empresarial, fornece à instituição uma vasta gama de informações úteis que podem ser colhidas para obter uma vantagem competitiva (Dawson & McWilliam, 2008; Goldstein, 2005; Heathcoate & Dawson, 2005 )

A fim de recuperar informações significativas de fontes da instituição, ou seja, LMS, as informações devem ser interpretadas corretamente com base na eficiência educacional, e essa ação requer a análise de pessoas com habilidades de ensino e aprendizagem. Portanto, uma abordagem colaborativa é necessária tanto das pessoas que guardam os dados quanto daqueles que os interpretarão, caso contrário, os dados permanecerão um desperdício total (Baepler & Murdoch, 2010). A tomada de decisão em seu nível mais básico é baseada na presunção ou intuição (uma pessoa pode tirar conclusões e tomar decisões com base na experiência sem ter que fazer uma análise de dados) (Siemens & Long, 2011). No entanto, muitas decisões tomadas em instituições de ensino superior são vitais demais para serem baseadas em anedotas , presunções ou intuições, uma vez que decisões significativas precisam ser apoiadas por dados e fatos.

A análise , que costuma ser chamada de “inteligência de negócios”, surgiu como um novo software e hardware que permite às empresas coletar e analisar grandes quantidades de informações ou dados. O processo analítico consiste em reunir, analisar, manipular dados e empregar os resultados para responder a perguntas críticas como 'por quê'. A análise foi aplicada pela primeira vez no departamento de admissões em instituições de ensino superior. As instituições normalmente usavam algumas fórmulas para escolher alunos de um grande grupo de candidatos. Essas fórmulas extraíam suas informações de históricos escolares e notas de testes padronizados.

No mundo de hoje, a análise é comumente usada em unidades administrativas, como captação de recursos e admissões. O uso e a aplicação de análises acadêmicas devem crescer devido às crescentes preocupações sobre o sucesso e a responsabilidade dos alunos. A análise acadêmica basicamente combina dados complexos e vastos com modelagem preditiva e técnicas estatísticas para uma melhor tomada de decisão. Iniciativas de análise acadêmica atuais são inclinadas a usar dados para prever alunos com dificuldades (Arnold, & Pistilli, 2012, abril). Isso permite que conselheiros e membros do corpo docente intervenham, adaptando procedimentos que atendam às necessidades de aprendizagem do aluno (Arnold, 2010). Como tal, a análise acadêmica possui a capacidade de melhorar o aprendizado, o sucesso do aluno e o ensino. A análise se tornou uma ferramenta valiosa para as instituições devido à sua capacidade de prever, modelar e melhorar a tomada de decisões.

Etapas Analíticas

A análise é composta de cinco etapas básicas: capturar, relatar, prever, agir e refinar.

Captura : Todos os esforços analíticos são centrados em dados. Consequentemente, a análise acadêmica pode ser enraizada em dados de várias fontes, como um CMS e sistemas financeiros (Campbell, Finnegan, & Collins, 2006). Além disso, os dados vêm em vários formatos diferentes, por exemplo, planilhas . Além disso, os dados podem ser obtidos no ambiente externo da instituição. Para capturar dados, a análise acadêmica precisa determinar o tipo de dados disponíveis, os métodos de aproveitamento e os formatos em que estão.

Relatório : Depois que os dados foram capturados e armazenados em um local central, os analistas irão examinar os dados, realizar consultas , identificar padrões, tendências e exceções representadas pelos dados. O desvio padrão e a média ( estatísticas descritivas ) são gerados principalmente.

Prever : Após analisar os dados armazenados por meio do uso de estatísticas, um modelo preditivo é desenvolvido. Esses modelos variam dependendo da natureza da pergunta e do tipo de dados. Para desenvolver uma probabilidade , esses modelos empregam conceitos e técnicas de regressão estatística . As previsões são feitas após o uso de algoritmos estatísticos .

Agir : O principal objetivo e objetivo da análise é permitir que a instituição tome ações com base nas probabilidades e previsões feitas. Essas ações podem variar de invenção a informação. As intervenções para resolver problemas podem ser na forma de um e-mail pessoal, telefonema ou contato automatizado de orientadores do corpo docente sobre recursos de estudo e habilidades, como horário de expediente ou sessões de ajuda. Sem dúvida, as instituições devem criar mecanismos apropriados para medir o impacto; como os alunos realmente responderam ou participaram das sessões de ajuda quando convidados.

Refinar : a análise acadêmica também deve ser composta por um processo que visa o autoaperfeiçoamento . Os processos de estatísticas devem ser atualizados continuamente, uma vez que a medição dos impactos do projeto não é um esforço estático único, mas sim um esforço contínuo. Por exemplo, a análise de admissão deve ser atualizada ou revisada anualmente.

Compreender as partes interessadas envolvidas

A análise afeta executivos , alunos, membros do corpo docente, equipe de TI e equipe de assuntos estudantis. Considerando que os alunos desejam saber que a análise acadêmica afetará suas notas, os membros do corpo docente estarão interessados ​​em descobrir como as informações e os dados podem ser apropriados para outros fins (Pistilli, Arnold & Bethune, 2012). Além disso, a equipe da instituição se concentrará em descobrir como a análise os capacitará a realizar seus trabalhos com eficácia, enquanto o presidente da instituição se concentrará na retenção de calouros e no aumento das taxas de graduação.

Críticas

A análise foi criticada por vários motivos, como criação de perfil . Seu principal uso é definir o perfil dos alunos em categorias de sucesso e de fracasso. No entanto, alguns indivíduos argumentam que o perfil dos alunos tende a distorcer os comportamentos e expectativas das pessoas (Ferguson, 2012). Além disso, não há diretrizes claras sobre quais questões de criação de perfil devam ser proibidas ou permitidas em instituições de ensino superior.

Referências

  • Analítica Acadêmica na Biblioteca de Recursos EDUCAUSE
  • Arnold, KE (2010). Signals: Applying Academic Analytics. Educause Quarterly, 33 (1), n1. (prestação de contas)
  • Arnold, KE, & Pistilli, MD (2012, abril). Sinais do curso em Purdue: Usando análise de aprendizagem para aumentar o sucesso do aluno. Em Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (pp. 267–270). ACM.
  • Baepler, P., & Murdoch, CJ (2010). Análise acadêmica e mineração de dados no ensino superior. Revista Internacional para a Bolsa de Ensino e Aprendizagem, 4 (2), 17.
  • Campbell, JP e Oblinger, DG (2007). Analítica Acadêmica. Artigo Educause.
  • Campbell, JP, Finnegan, C., & Collins, B. (2006). Análise acadêmica: usando o CMS como um sistema de alerta precoce. Na conferência de impacto WebCT.
  • Governo da Comunidade da Austrália. (2008). Revisão do Australian Higher Education o. Número do documento)
  • Dawson, S., & McWilliam, E. (2008). Investigando a aplicação de dados gerados por TI como um indicador de desempenho de ensino e aprendizagem: Queensland University of Technology e University of British Columbia. (AL a. T. Conselho o. Número do documento)
  • Ferguson, R. (2012). Análise de aprendizagem: motivadores, desenvolvimentos e desafios. International Journal of Technology Enhanced Learning, 4 (5), 304-317.
  • Goldstein, P. (2005). Análise acadêmica: os usos da tecnologia e da informação de gestão no ensino superior o. Número do documento)
  • Heathcoate, L., & Dawson, S. (2005). Data Mining para avaliação, benchmarking e prática reflexiva em um LMS. E-Learn 2005: Conferência mundial sobre E-Learning em empresas, governo, saúde e educação superior.
  • Norris, DM, Leonard, J., & Strategic Initiatives Inc. (2008). O que todo líder de campus precisa saber sobre análises o. Número do documento)
  • Pistilli, MD, Arnold, K., & Bethune, M. (2012). Sinais: Usando análises acadêmicas para promover o sucesso do aluno. EDUCAUSE Review Online, 1-8.
  • Siemens, G., & Long, P. (2011). Penetrando no nevoeiro: Analytics na aprendizagem e na educação. Revisão de Educause, 46 (5), 30-32.

Referências