Bonnes pratiques pour l'utilisation des données sur les étudiants sur les campus

Les données sont présentes partout. Du moment où vous vous réveillez pour vérifier votre téléphone à ce que vous demandez à Alexa ou Siri. Rien qu'aux États-Unis, les ménages ont consommé en moyenne 268,7 gigaoctets (GB) de données par mois. Pendant la journée scolaire, 78 % des élèves utilisent des appareils technologiques, selon eSchool News.

Les universités peuvent exploiter ces données de manière nouvelle et unique. Elles peuvent aider les campus à développer des capacités et des systèmes pour servir les étudiants avec des messages et un soutien personnalisés. En outre, grâce à l'analyse prédictive, elle peut également permettre de prendre en compte des facteurs susceptibles d'augmenter les chances de réussite des étudiants. 

Pourtant, avec toutes ces données, les campus doivent savoir comment les utiliser de manière à promouvoir des pratiques efficaces et efficientes, tout en répondant aux besoins des étudiants en matière d'expériences et de sécurité comme point de départ. Dans cet article, nous passerons en revue les meilleures pratiques qui peuvent aider les universités à favoriser la réussite des étudiants et à servir une population diversifiée.

Analyse prédictive

De nombreux établissements d'enseignement supérieur voient l'intérêt d'analyser les données relatives aux étudiants pour améliorer la qualité des services qu'ils offrent. L'analyse des données sur les étudiants passés pour prévoir ce que les étudiants actuels et potentiels pourraient faire a permis aux établissements d'enseignement supérieur de mieux cibler le recrutement et l'utilisation de l'aide institutionnelle. Sur L'analytique dans l'enseignement supérieur : Établissement d'une langue commune, Hawkins, et Watson mettent en garde contre le fait que "l'analyse n'est pas une entreprise à taille unique et qu'il faut considérer que l'analyse est une pratique orientée vers un objectif".

Idéalement, les fournisseurs d'analyse prédictive peuvent faciliter l'utilisation éthique des données tout au long du cycle de vie des étudiants. Les fournisseurs peuvent contribuer à garantir que les données sont complètes et correctement intégrées afin de réduire les risques d'identification erronée des étudiants. Ils peuvent faire preuve de transparence quant à leurs algorithmes et les tester pour déterminer leur impact sur les populations étudiantes. Ils peuvent faire preuve de souplesse en matière d'autorisations et utiliser des protocoles de sécurité raisonnables pour contribuer à préserver la vie privée et la sécurité des étudiants. Ils peuvent former le personnel à l'interprétation correcte des données et aux dangers des préjugés implicites.

Attention aux biais implicites dans les algorithmes

Ce n'est un secret pour personne qu'il existe un biais implicite dans de nombreux algorithmes et dans l'IA. Selon un article récent du MIT, "les biais peuvent s'infiltrer à de nombreux stades du processus d'apprentissage profond, et les pratiques standard en informatique ne sont pas conçues pour les détecter". 

Par exemple, certains algorithmes prédictifs utilisent des facteurs hors du contrôle de l'élève, tels que les codes postaux, la race/ethnicité et le lycée. Si une université utilise ces facteurs pour les admissions ou d'autres services d'aide aux étudiants, un étudiant mal desservi peut se retrouver encore plus exclu en raison des inégalités structurelles de ces points de données.

Il est important que les responsables universitaires soient hypersensibles à ces algorithmes afin de réduire la quantité de biais présents. Cela peut se faire en disposant d'une équipe d'analyse interne ou de fournisseurs de technologie qui affinent constamment les algorithmes afin de garantir l'égalité de traitement et d'accès pour tous les étudiants. 

Former le personnel

L'utilisation efficace des données peut aider les campus à passer d'une mentalité institutionnelle à une mentalité de service aux étudiants. Le corps enseignant et le personnel de l'université doivent être formés pour avoir une compréhension plus approfondie des données et des conversations avec les étudiants sur la base des aperçus des données. Parmi les sujets de conversation qui peuvent être abordés à partir de ces données, citons l'aide financière, les situations de vie et les questions universitaires. 

Par exemple, si un étudiant a été signalé comme étant à risque d'abandon en raison de ses faibles notes, un conseiller doit soulever la question et aider l'étudiant à trouver de l'aide pour le tutorat. 

Donner une option aux étudiants

Avec les violations de données qui se produisent tous les jours, il est important de donner aux étudiants le choix de fournir ou non des données aux universités. Il est également important d'informer les étudiants sur la manière dont les campus utilisent leurs données. Certains étudiants peuvent ne pas vouloir partager des informations concernant la santé mentale ou le suivi de localisation.

Par exemple, l'université d'État de Sacramento a un programme pilote qui recueille des données auprès des étudiants qui ont choisi de participer et qui suit les services auxquels les étudiants de première année ont recours. Les données collectées seront utilisées pour améliorer l'expérience de la première année sans aucune information personnelle identifiable.

Créer un processus d'analyse des données

Comme pour la collecte de données, s'il n'y a pas de processus établi pour examiner les données, étudier les idées et élaborer des plans exécutables, alors il n'y a vraiment aucune raison de collecter des données. Il est important de rassembler toutes les données pour créer une vision vraiment holistique de l'étudiant. Que les universités créent des processus dans une plate-forme de gestion des processus métier ou que les établissements créent des comités, il doit y avoir quelque chose en place pour prendre collectivement des décisions sur les données. 

Par exemple, l'Université de Floride du Sud (USF) a créé un Comité de la persistance:

“L'USF a construit son initiative pour la réussite des étudiants sur le principe que chaque étudiant admis à l'université réussira lorsqu'on lui en donne la possibilité.... Nous devions trouver des moyens d'utiliser des données "en direct" pour identifier les étudiants en difficulté - en temps réel - afin de pouvoir leur apporter le soutien dont ils ont besoin en classe et en dehors. Nous ne pouvions pas attendre les notes de mi-session".

Grâce à l'analyse prédictive et à des outils développés en interne, l'USF a pu faire passer son taux de rétention de 88 % à 91 %.

Conclusion

Bien qu'il n'existe pas de cadre standard ou de structure sectorielle pour régir correctement les données relatives aux étudiants, ces meilleures pratiques peuvent aider les universités à rester au top de leur forme. En se concentrant sur le service aux étudiants, les universités peuvent continuer à obtenir de bons résultats en matière de taux de rétention, de participation des étudiants, etc.