Qu'est-ce qui se cache derrière l'analyse prédictive dans l'enseignement supérieur ?

Les établissements d'enseignement supérieur sont confrontés à une pression croissante pour retenir leurs étudiants. Avec l'augmentation constante des frais de scolarité, de plus en plus d'étudiants et de familles se demandent si cela vaut la peine d'obtenir un diplôme universitaire. Sans compter que les universités sont soumises à une pression énorme de la part des responsables des États et du gouvernement fédéral qui font pression pour que les étudiants qui entrent dans les établissements publics obtiennent un diplôme, en particulier ceux qui appartiennent à des groupes marginalisés. Plus de 24 États déboursent leurs fonds publics en fonction du nombre d'étudiants diplômés par université, au lieu du nombre d'inscriptions, de sorte que la rétention des étudiants devient de plus en plus critique pour leurs résultats.  

En raison de ces pressions, certains établissements d'enseignement supérieur se sont tournés vers l'analyse prédictive. En analysant les données démographiques et les performances, les universités peuvent prédire si les étudiants excelleront dans leurs cours ou s'ils auront besoin d'un soutien.

Qu'est-ce que l'analyse prédictive ?

Selon GartnerL'analyse prédictive répond à la question "Que va-t-il se passer ?" en reconnaissant les tendances et en évaluant les résultats probables en utilisant des techniques statistiques ou d'apprentissage automatique. Cette capacité à fournir des aperçus prospectifs (pas seulement sur le passé et le présent) fournit aux décideurs encore plus d'informations pour les aider à prendre de meilleures décisions".
L'analyse prédictive utilise des techniques d'exploration de données, de statistiques, de modélisation, d'apprentissage machine et d'intelligence artificielle (IA) pour analyser les données actuelles et faire des prévisions sur l'avenir.
Types de modèles analytiques prédictifs :
De manière générale, le terme d'analyse prédictive est utilisé pour désigner la modélisation prédictive ou la notation des données à l'aide de modèles prédictifs et de prévisions. De nos jours, on utilise de plus en plus ce terme pour désigner les disciplines analytiques qui lui sont liées, mais il est important de noter les modèles et leurs définitions.
Modèles prédictifsanalyse de la relation entre les performances spécifiques d'une unité dans un échantillon et un ou plusieurs attributs ou caractéristiques connus de l'unité. Les modèles prédictifs effectuent souvent des calculs lors de transactions en direct, par exemple pour évaluer le risque ou l'opportunité d'un client ou d'une transaction donnée afin d'orienter une décision.
Modèles descriptifs: quantifie les relations dans les données pour classer les clients ou les prospects en groupes. Les modèles descriptifs identifient de nombreuses relations différentes entre les clients ou les produits et peuvent être utilisés pour classer les clients selon leurs préférences en matière de produits et leur stade de vie.
Modèles de décision: décrire la relation entre tous les éléments d'une décision - les données connues (y compris les résultats des modèles prédictifs), la décision et les résultats prévus de la décision - afin de prévoir les résultats des décisions impliquant de nombreuses variables. Les modèles de décision sont généralement utilisés pour développer une logique de décision ou un ensemble de règles de gestion qui produiront l'action souhaitée pour chaque client ou circonstance.

L'analyse prédictive dans l'enseignement supérieur

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 communeHawkins 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".

Mais de nombreuses institutions ne disposent pas des ressources nécessaires pour développer des applications d'analyse prédictive en interne et se tournent donc vers des fournisseurs extérieurs. Selon un rapport de New America, il y a un certain nombre de facteurs à prendre en compte lors de la sélection d'un fournisseur, Choisir un fournisseur d'analyse prédictive : Un guide pour les collèges.
Selon le rapport :
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 aider à évaluer les interventions pour s'assurer qu'elles ne nuisent pas à certains groupes d'élèves. Et ils peuvent former le personnel à l'interprétation correcte des données et aux dangers des préjugés implicites.
Afin de s'assurer que vous êtes le partenariat avec un vendeur idéal, de s'assurer que :

• Les données et les outils sont flexibles
  • Déterminer les besoins en données, tester l'interface, planifier l'avenir
• Utilisation transparente des données
  • Testez les algorithmes, demandez l'efficacité du modèle, demandez une analyse d'impact disparate, demandez à quelle fréquence l'algorithme est affiné.
• Veiller à vie privée et sécurité
  • Veiller à ce qu'il y ait des garanties administratives, technologiques et physiques.
• soutient les efforts de recherche et d'évaluation
  • Évaluer la base de recherche du produit et aider à la conception de l'intervention
• Soutien au développement et à la mise en œuvre du personnel
  • Le fournisseur offre-t-il des conseils de mise en œuvre, un soutien technique et une formation des utilisateurs ?

Le respect de ces critères peut aider les établissements d'enseignement supérieur à trouver le bon fournisseur, ce qui est l'une des principales conclusions du Gartner Les 10 technologies stratégiques ayant le plus d'impact sur l'enseignement supérieur en 2019 indique :
"Une majorité des outils d'analyse de l'enseignement supérieur actuellement sur le marché prétendent utiliser l'analyse prédictive. Cependant, beaucoup d'entre eux reposent sur un modèle contraint et sur des sources de données relativement peu nombreuses, telles que les données démographiques du SIS et une quantité limitée de données LMS. Dans de nombreuses utilisations de l'analyse prédictive dans l'enseignement supérieur, on s'appuie fortement sur les données de profil du SIS et on utilise beaucoup moins les données comportementales, bien que certaines recherches soulignent la puissance de ces dernières".
Analyse prédictive et encouragement
Dans un précédent billet de blog, nous avons discuté de la façon dont nudging peut être appliquée à la technologie de l'éducation et une grande partie de ce qui se cache derrière un coup de pouce est l'analyse prédictive. Ces capacités technologiques offrent aux établissements un certain nombre de possibilités de se concentrer sur les principaux modèles de comportement des étudiants et de les encourager en conséquence.

Conclusion

Bien que l'idée d'utiliser les données pour aider à améliorer l'expérience des étudiants et les efforts de recrutement, il est important que les établissements d'enseignement supérieur utilisent ces outils analytiques de manière éthique. Par exemple, un établissement pourrait utiliser l'analyse prédictive pour justifier l'utilisation de moins de ressources pour recruter des étudiants à faible revenu, car les données montrent que les chances d'inscription des étudiants à faible revenu sont moins certaines que celles des étudiants plus aisés. L'analyse prédictive est un outil qui permet déjà aux établissements d'enseignement supérieur d'atteindre leurs objectifs de manière plus efficace et efficiente. Cependant, la tâche consistant à orienter la stratégie et à déployer cette technologie de manière éthique est plus importante que jamais. C'est pourquoi il est essentiel pour les universités de mettre en place un plan adéquat et d'être conscientes des problèmes et des défis qui accompagnent l'accès aux informations personnelles des étudiants.