Mejores prácticas para el uso de los datos de los estudiantes en el campus
Los datos están presentes en todas partes. Desde el momento en que te despiertas para comprobar tu teléfono hasta lo que le pides a Alexa o Siri. Sólo en los Estados Unidos, los hogares consumen un promedio de 268,7 gigabytes (GB) de datos al mes. Durante el día escolar, el 78 por ciento de los estudiantes usan dispositivos tecnológicos, según Noticias eSchool.
Las universidades pueden aprovechar estos datos de formas nuevas y únicas. Puede ayudar a los campus a desarrollar capacidades y sistemas para servir a los estudiantes con mensajes personalizados y apoyo. Además, con el análisis predictivo, también puede conducir a abordar factores que pueden ayudar a aumentar las posibilidades de éxito de los estudiantes.
Sin embargo, con todos estos datos, los campus necesitan saber cómo utilizarlos de manera que se promuevan prácticas eficaces y eficientes, y al mismo tiempo atender las necesidades de las experiencias de los estudiantes y la seguridad como punto de partida. En este artículo, repasaremos las mejores prácticas que pueden ayudar a las universidades a posibilitar el éxito de los estudiantes y a atender a una población diversa.
Análisis predictivo
Muchas instituciones de educación superior están viendo el beneficio de analizar los datos de los estudiantes para mejorar la calidad de los servicios que ofrecen. El análisis de los datos de estudiantes anteriores para predecir lo que los estudiantes actuales y potenciales podrían hacer ha dado a las instituciones de educación superior un reclutamiento y un uso más específico de la ayuda institucional. En Analítica en la educación superior: Establecimiento de un lenguaje común, Hawkins, y Watson advierten que, "la analítica no es un esfuerzo de talla única y que uno tiene que considerar que la analítica es una práctica dirigida a un objetivo".
Idealmente, los proveedores de análisis predictivo pueden facilitar el uso ético de los datos durante todo el ciclo de vida del estudiante. Los proveedores pueden ayudar a asegurar que los datos estén completos e integrados correctamente para disminuir las posibilidades de identificar erróneamente a los estudiantes. Pueden ser transparentes en cuanto a sus algoritmos y probarlos en cuanto a su impacto dispar en las poblaciones de estudiantes. Pueden ser flexibles con los permisos y usar protocolos de seguridad razonables para ayudar a preservar la privacidad y la seguridad de los estudiantes. Pueden entrenar al personal en la correcta interpretación de los datos y en los peligros de la parcialidad implícita.
Cuidado con el sesgo implícito en los algoritmos
No es un secreto que hay un sesgo implícito en muchos algoritmos y en la IA. De acuerdo con un reciente artículo del MIT, "El sesgo puede entrar en muchas etapas del proceso de aprendizaje profundo, y las prácticas estándar de la informática no están diseñadas para detectarlo".
Por ejemplo, algunos algoritmos de predicción utilizan factores fuera del control del estudiante, como los códigos postales, la raza/etnia y su escuela secundaria. Si una universidad utiliza estos factores para las admisiones u otros servicios de apoyo al estudiante, un estudiante desatendido puede verse aún más excluido debido a las desigualdades estructurales en esos puntos de datos.
Es importante que los funcionarios universitarios sean hipersensibles a estos algoritmos para reducir la cantidad de sesgo presente. Esto puede hacerse teniendo un equipo analítico interno o teniendo proveedores de tecnología que estén constantemente refinando los algoritmos para asegurar la igualdad de trato y acceso para todos los estudiantes.
Personal del tren
El uso eficaz de los datos puede ayudar a los campus a pasar de una mentalidad institucional a una que sirva a los estudiantes. Los profesores y el personal de la universidad necesitan ser entrenados para tener una comprensión más profunda de los datos y las conversaciones con los estudiantes basadas en las percepciones de los datos. Algunos temas de conversación que podrían surgir con estos datos son la ayuda financiera, las situaciones de vida y los asuntos académicos.
Por ejemplo, si un estudiante fue señalado como en riesgo de abandonar la escuela debido a bajas calificaciones, un asesor debe plantear el tema y ayudar al estudiante a encontrar ayuda con la tutoría.
Darle a los estudiantes una opción
Con las violaciones de datos que ocurren todos los días, es importante dar a los estudiantes la opción de optar por la inclusión o la exclusión de proporcionar datos a las universidades. También es importante educar a los estudiantes sobre cómo los campus están usando sus datos también. Es posible que algunos estudiantes no quieran compartir información sobre la salud mental o el seguimiento de la ubicación.
Por ejemplo, la Universidad Estatal de Sacramento tiene un programa piloto que recopila datos de los estudiantes que optan por seguir los servicios que usan los estudiantes de primer año. Los datos que se recogen se utilizarán para mejorar la experiencia del primer año sin ninguna información personal identificable.
Crear un proceso para analizar los datos
Al igual que con la recopilación de datos, si no hay un proceso establecido para repasar los datos, mirar las percepciones y hacer planes ejecutables, entonces no hay realmente ninguna razón para recopilar datos. Es importante juntar todas las piezas de datos para crear una visión verdaderamente holística del estudiante. Ya sea que las universidades creen procesos en una plataforma de gestión de procesos empresariales o que las instituciones creen comités, debe haber algo en el lugar para tomar decisiones colectivas sobre los datos.
Por ejemplo, la Universidad del Sur de Florida (USF) creó un Comité de Persistencia:
“La USF construyó su iniciativa de éxito estudiantil sobre el principio de que todo estudiante admitido en la universidad tendrá éxito cuando se le dé la oportunidad de hacerlo... Teníamos que encontrar maneras de usar datos "en vivo" para identificar a los estudiantes con dificultades en tiempo real, de modo que pudiéramos proporcionarles el apoyo que necesitaban dentro y fuera del aula. No podíamos esperar a las notas de mitad de curso".
Usando análisis predictivos y herramientas propias, la USF pudo aumentar su tasa de retención del 88% al 91%.
Conclusión
Si bien no existen marcos estándar o estructuras industriales que rijan adecuadamente los datos de los estudiantes, estas mejores prácticas pueden ayudar a las universidades a mantenerse a la vanguardia. Al centrarse en la atención a los estudiantes, las universidades pueden seguir viendo el éxito en las tasas de retención, la participación de los estudiantes, y más.
