¿Qué hay detrás del análisis predictivo en la educación superior?

Las instituciones de educación superior se enfrentan a una creciente presión para retener a sus estudiantes. Con el aumento de la matrícula universitaria, más estudiantes y familias se preguntan si vale la pena obtener un título universitario. Sin mencionar que las universidades se enfrentan a una tremenda presión por parte de los funcionarios estatales y federales que presionan para que los estudiantes que ingresan a las instituciones públicas obtengan un título, especialmente los que provienen de grupos marginados. Más de 24 estados desembolsan sus fondos estatales en función de cuántos estudiantes se gradúan en una universidad, en lugar de cuántos se matriculan, por lo que retener a los estudiantes es cada vez más crítico para sus resultados.  

Debido a estas presiones, algunas instituciones de educación superior han recurrido al análisis predictivo. Analizando los datos demográficos y de rendimiento, las universidades pueden predecir si los estudiantes sobresaldrán en sus cursos o necesitarán apoyo.

¿Qué es el análisis predictivo?

De acuerdo con Gartner"El análisis predictivo responde a '¿Qué pasará?' reconociendo los patrones y evaluando los resultados probables usando técnicas estadísticas o de aprendizaje de máquinas. Esta capacidad de proporcionar perspectivas de futuro (no sólo del pasado y del presente) proporciona a los responsables de la toma de decisiones más información para apoyar mejores decisiones".
El análisis predictivo utiliza técnicas de minería de datos, estadística, modelización, aprendizaje automático e inteligencia artificial (IA), para analizar los datos actuales y hacer predicciones sobre el futuro.
Tipos de modelos analíticos predictivos:
En términos generales, el término análisis predictivo se utiliza para referirse a la modelización predictiva o a los datos de puntuación con modelos y previsiones predictivas. Hoy en día, la gente utiliza cada vez más el término para referirse a sus disciplinas analíticas conexas, pero es importante tener en cuenta los modelos y sus definiciones.
Modelos de predicción: analizar la relación entre el rendimiento específico de una unidad en una muestra y uno o más atributos o características conocidos de la unidad. Los modelos de predicción suelen realizar cálculos durante las operaciones en vivo, por ejemplo, para evaluar el riesgo o la oportunidad de un cliente o una operación determinada a fin de orientar una decisión.
Modelos descriptivosCuantifica las relaciones en los datos para clasificar a los clientes o prospectos en grupos. Los modelos descriptivos identifican muchas relaciones diferentes entre los clientes o productos y pueden utilizarse para clasificar a los clientes según sus preferencias de productos y su etapa de vida.
Modelos de decisión: describir la relación entre todos los elementos de una decisión -los datos conocidos (incluidos los resultados de los modelos de predicción), la decisión y los resultados previstos de la decisión- a fin de predecir los resultados de las decisiones que entrañan muchas variables. Los modelos de decisión se utilizan generalmente para desarrollar una lógica de decisión o un conjunto de reglas de negocio que produzcan la acción deseada para cada cliente o circunstancia.

Análisis predictivo en la educación superior

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 comúnHawkins 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".

Pero muchas instituciones carecen de los recursos para desarrollar aplicaciones de análisis predictivo internamente, por lo que recurren a proveedores externos. Hay un número de factores a considerar cuando se selecciona un proveedor, según un informe de New America, Eligiendo un proveedor de análisis predictivo: Una guía para las universidades.
Según el informe:
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 ayudar a evaluar las intervenciones para asegurarse de que no están dañando a ciertos grupos de estudiantes. Y pueden entrenar al personal en la correcta interpretación de los datos y en los peligros del sesgo implícito.
Para asegurarse de que está asociarse con un proveedor ideal...asegúrense de eso:

• Los datos y las herramientas son flexibles
  • Determinar las necesidades de datos, probar la interfaz, planificar el futuro
• Uso transparente de los datos
  • Pruebe los algoritmos, pregunte cuán efectivo es el modelo, pida un análisis de impacto dispar, pregunte con qué frecuencia se refina el algoritmo.
• Asegurar privacidad y seguridad
  • Asegurarse de que haya salvaguardas administrativas, tecnológicas y físicas.
• Apoya los esfuerzos de investigación y evaluación
  • Evaluar la base de investigación del producto y ayudar en el diseño de la intervención
• Apoya el desarrollo y la aplicación del personal
  • ¿Ofrece el proveedor consultoría de implementación, apoyo técnico y capacitación de usuarios?

El cumplimiento de estos criterios puede ayudar a las instituciones de educación superior a encontrar el proveedor adecuado, como un hallazgo clave de Gartner. Las 10 principales tecnologías estratégicas que afectan a la educación superior en 2019 indica:
"La mayoría de las herramientas analíticas de educación superior actualmente en el mercado afirman utilizar el análisis predictivo. Sin embargo, muchas de ellas se basan en un modelo restringido y en relativamente pocas fuentes de datos, como los datos demográficos del SIS y una cantidad limitada de datos del LMS. En muchos usos de análisis predictivo en la educación superior, hay una gran dependencia de los datos de perfil del SIS y mucho menos del uso de los datos de comportamiento, aunque algunas investigaciones apuntan al poder de estos últimos".
Análisis Predictivo y Codificación
En una entrada anterior del blog, discutimos cómo nudismo puede aplicarse a la tecnología de punta y una gran parte de lo que está detrás de un empujón es el análisis predictivo. Estas capacidades tecnológicas crean una serie de oportunidades para que las instituciones se centren en los patrones clave en el comportamiento de los estudiantes y para dar un empujón en consecuencia.

Conclusión

Si bien la idea de utilizar los datos para ayudar a mejorar la experiencia de los estudiantes y los esfuerzos de reclutamiento, es importante que las instituciones de enseñanza superior utilicen estas herramientas de análisis de manera ética. Por ejemplo, una institución podría utilizar el análisis predictivo para justificar el uso de menos recursos para reclutar estudiantes de bajos ingresos porque los datos muestran que las posibilidades de que los estudiantes de bajos ingresos se inscriban son menos seguras que las de los estudiantes con antecedentes más prósperos. El análisis predictivo es una herramienta que ya está permitiendo a las instituciones de enseñanza superior alcanzar sus objetivos de manera más eficaz y eficiente. Sin embargo, la tarea de guiar la estrategia y desplegar esta tecnología de manera ética es más importante que nunca. Por ello es fundamental que las universidades cuenten con un plan adecuado y sean conscientes de los problemas y desafíos que conlleva el acceso a la información personal de los estudiantes.