Совместное моделирование может помочь школам прогнозировать и предотвращать отсев
Исследовательская группа, возглавляемая Корнеллом, обнаружила, что для школ, не имеющих ресурсов для проведения анализа обучения, чтобы помочь учащимся добиться успеха, моделирование на основе данных других учреждений может работать так же хорошо, как и локальное моделирование, не жертвуя при этом справедливостью.
«Чтобы использовать модели, управляемые данными, вам нужны данные», — сказал Рене Кизилчек, доцент кафедры информатики Корнеллского колледжа вычислительной техники и информатики Энн С. Бауэрс. «А во многих школах, особенно в школах с ограниченными ресурсами, которые больше всего выиграли бы от обучения аналитическим приложениям, данные редко доступны».
Кизилчек — старший автор книги «Межинституциональное трансферное обучение для образовательных моделей: последствия для эффективности моделей, справедливости и равенства», которая будет представлена на конференции Ассоциации вычислительной техники по вопросам справедливости, доступности и прозрачности (ACM FAccT), 12 июня. -15 в Чикаго. Ведущий автор — Джош Гарднер, докторант компьютерных наук Вашингтонского университета.
Кизилчек и его команда использовали анонимные данные из четырех университетов США и преобразовали их в общую структуру с целью моделирования того, какие студенты, скорее всего, бросят колледж. Членам исследовательской группы были переданы только модели, специфичные для университета, а не данные об отдельных студентах, что вызывает вопросы конфиденциальности.
Ежегодно в США более 1 миллиона студентов бросают обучение в колледжах; у них в 100 раз больше шансов не выплатить студенческий кредит, чем у выпускников. Это привело к тому, что федеральное правительство ввело правила, которые стимулируют колледжи и университеты сокращать отсев, требуя от них сообщать о показателях отсева, а также о рейтингах, учитывающих процент выпускников.
Кызылчек сказал, что крупные учреждения имеют ресурсы для проведения прогнозного анализа данных. Но учреждения, которые могли бы получить наибольшую выгоду от этих данных – небольшие колледжи или двухгодичные учебные заведения – обычно этого не делают.
«Им приходится полагаться на услуги нескольких компаний, предлагающих продукты для образовательной аналитики». он сказал. «Учреждения могут либо создавать свои собственные модели (очень дорогой процесс), либо приобретать аналитическое «решение» с моделированием, которое обычно выполняется извне на основе данных других учреждений. Вопрос в том, могут ли эти внешние модели работать так же хорошо, как локальные модели? и вносят ли они предвзятость».
Целью работы исследователей было точное предсказание «удержания» — будет ли каждый студент, впервые поступивший в вуз осенью, поступить в это же вуз следующей осенью.
Чтобы оценить успех трансферного обучения – получения информации из одного учреждения и использования ее для прогнозирования результатов в другом – команда использовала три подхода:
Исследователи использовали три метода трансфера, а также локальное моделирование в каждом из четырех учреждений, чтобы оценить обоснованность трансферного обучения. Как и следовало ожидать, местное моделирование лучше справилось с прогнозированием показателей отсева, «но не настолько, насколько мы могли бы подумать, честно говоря, учитывая, насколько различаются четыре вуза по размеру, количеству выпускников и демографии студентов», - сказал Кизилчек.
А с точки зрения справедливости – способности достигать одинаковой эффективности прогнозирования для разных половых и расовых подгрупп – моделирование показало хорошие результаты, не жертвуя при этом справедливостью.
Кызылчек сказал, что результаты его команды указывают на большую справедливость в прогнозировании отсева, что может помочь школам с ограниченными ресурсами в более раннем вмешательстве и предотвращении ухода учащихся, что дорого обходится учебному заведению и может привести к худшим результатам для учащихся.
«Возможно, в конце концов, нет необходимости выделять ресурсы для создания местных моделей в каждой отдельной школе», - сказал он. «Мы можем использовать идеи школ, у которых есть инфраструктура данных и опыт, чтобы предлагать ценную аналитику школам, не имеющим этих ресурсов и не жертвуя при этом справедливостью. Это многообещающий результат для школьных руководителей и политиков».
Другими участниками являются Кристофер Брукс, доцент Школы информации Мичиганского университета; Ренже Ю, доцент кафедры аналитики обучения и интеллектуального анализа образовательных данных Колумбийского университета; и Куан Нгуен, преподаватель науки о данных в Университете Британской Колумбии.