课程资源列表和学生保留：改进预测模型
Posted: Mon Jan 20, 2025 9:51 am
学生保留计划通常会忽略有关学生使用课程资源的指标。但他们是否忽略了学生保留的一个重要因素？
我们对这个问题进行了测试，并得到了一些有趣的结果。但首先，让我们看看学生保留率是什么。
简而言之，留校率是指学生从目前就读的学校毕业。这是高等教育的一个重要因素，主要有两个原因：学校的声誉在一定程度上取决于其毕业率，这是衡量成功的标准；无论出于何种原因，只要学生离开学校，学费收入就会损失。例如，潜在学生可能会基于这样的假设来选择一所大学：学生留校率高表明学业成功的机会更大。
那么什么有助于成功保留学生呢？
“我们在识别高风险学生方面的预测准确率达到了 88%，比‘经验法则’统计分析提高了 17%。”
传统的预测模型不够
世界各地的大学采用的许多留校策略都旨在预防，重点是识别有辍学风险的学生并进行干预以防止这种情况发生。大量的时间和资源都用于此类努力，主要针对可能因学业或经济原因退学的学生。留校策略涉及概率模型，该模型结合了课程成绩、学生录取信息、学生自我报告和教授反馈等数据。
这相当于预测性的“经验法则”。传统上，这种模型的应用仍然倾向于在后期识别这些有风险的学生，此时无论采取什么措施，他们都有很高的辍学可能性。此外，这些模型还会标记出实际上没有风险的学生。因此，一些留校团队正在转向数据分析来改善他们的结果。
设定基线和我们的方法
在利用数据提高学生保留率的背景下，Ex Libris 和 科廷大学 合作研究学生参与度与 Leganto，Ex Libris 课程资源列表解决方案并提高对高风险学生的准确识别。
我们最初的统计分析显示，学生过去课程 Cabo Verde 电子邮件列表 不及格与再次不及格的可能性之间存在 71％ 的简单直接的相关性。
为了将 Leganto 纳入我们的分析，我们决定通过每周用户在系统中的鼠标点击次数来衡量学生对资源列表解决方案的参与度。必须通过确定每门课程的适当基准来对数据进行标准化，因为有些课程本质上需要与 Leganto 进行较少的交互。
我们的最终目标是利用 Leganto 数据，结合过往的表现数据（成绩、过往风险分数等），训练机器学习算法，以发现可能难以在特定学术课程中取得成功的学生。然后可以更广泛地应用这一策略，以识别有辍学风险的学生，并在早期阶段这样做，因为此时留住他们的可能性更大。
利用机器学习和 Leganto 使用数据提高预测准确性
机器只能从给定的数据中学习。通过结合 Leganto 的使用数据以及更传统的性能数据，我们旨在更全面地了解学生的成功指标。
我们使用机器学习来测试我们的预测模型，该模型基于传统绩效数据和学生使用 Leganto 资源列表解决方案的指标。结果很明显。
我们在识别高风险学生方面的预测准确率达到了 88%，比“经验法则”统计分析提高了 17%。
对学生保留工作的潜在影响
随着识别高风险学生的精确度提高，留校人员不太可能投资于不需要的学生或错过需要的学生。换句话说，学校在留校活动上投入的时间和资源将提高 17% 的效率。
我们对这个问题进行了测试，并得到了一些有趣的结果。但首先，让我们看看学生保留率是什么。
简而言之，留校率是指学生从目前就读的学校毕业。这是高等教育的一个重要因素，主要有两个原因：学校的声誉在一定程度上取决于其毕业率，这是衡量成功的标准；无论出于何种原因，只要学生离开学校，学费收入就会损失。例如，潜在学生可能会基于这样的假设来选择一所大学：学生留校率高表明学业成功的机会更大。
那么什么有助于成功保留学生呢？
“我们在识别高风险学生方面的预测准确率达到了 88%，比‘经验法则’统计分析提高了 17%。”
传统的预测模型不够
世界各地的大学采用的许多留校策略都旨在预防，重点是识别有辍学风险的学生并进行干预以防止这种情况发生。大量的时间和资源都用于此类努力，主要针对可能因学业或经济原因退学的学生。留校策略涉及概率模型，该模型结合了课程成绩、学生录取信息、学生自我报告和教授反馈等数据。
这相当于预测性的“经验法则”。传统上，这种模型的应用仍然倾向于在后期识别这些有风险的学生，此时无论采取什么措施，他们都有很高的辍学可能性。此外，这些模型还会标记出实际上没有风险的学生。因此，一些留校团队正在转向数据分析来改善他们的结果。
设定基线和我们的方法
在利用数据提高学生保留率的背景下，Ex Libris 和 科廷大学 合作研究学生参与度与 Leganto，Ex Libris 课程资源列表解决方案并提高对高风险学生的准确识别。
我们最初的统计分析显示，学生过去课程 Cabo Verde 电子邮件列表 不及格与再次不及格的可能性之间存在 71％ 的简单直接的相关性。
为了将 Leganto 纳入我们的分析，我们决定通过每周用户在系统中的鼠标点击次数来衡量学生对资源列表解决方案的参与度。必须通过确定每门课程的适当基准来对数据进行标准化，因为有些课程本质上需要与 Leganto 进行较少的交互。
我们的最终目标是利用 Leganto 数据，结合过往的表现数据（成绩、过往风险分数等），训练机器学习算法，以发现可能难以在特定学术课程中取得成功的学生。然后可以更广泛地应用这一策略，以识别有辍学风险的学生，并在早期阶段这样做，因为此时留住他们的可能性更大。
利用机器学习和 Leganto 使用数据提高预测准确性
机器只能从给定的数据中学习。通过结合 Leganto 的使用数据以及更传统的性能数据，我们旨在更全面地了解学生的成功指标。
我们使用机器学习来测试我们的预测模型，该模型基于传统绩效数据和学生使用 Leganto 资源列表解决方案的指标。结果很明显。
我们在识别高风险学生方面的预测准确率达到了 88%，比“经验法则”统计分析提高了 17%。
对学生保留工作的潜在影响
随着识别高风险学生的精确度提高，留校人员不太可能投资于不需要的学生或错过需要的学生。换句话说，学校在留校活动上投入的时间和资源将提高 17% 的效率。