利用智能数据分析技术对高等教育申请者进行画像与原型分析

《IEEE Revista Iberoamericana de Tecnologias del Aprendizaje》：Profiling and Archetyping of Higher Education Applicants Using Intelligent Data Analysis Techniques

　　智能预测数据分析可降低大学辍学率，基于13715名学生的27项社会经济、学术及家庭因素数据，构建神经网络模型准确率达97%，提出可复制的招生预警和适应期分类方法，促进教育数据挖掘发展。

　　

摘要：

学生辍学是高等教育面临的一个重大挑战，这不仅在社会上引发挫败感，还浪费了资源。因此，如何留住学生成为全球高等教育机构持续关注的焦点。本研究探讨了一个问题：是否可以通过智能预测数据分析技术来降低公立和私立大学的辍学率？为了解答这个问题，我们采用了一种基于历史数据的方法论，这些数据来自大约13,715名后来成为大学生的申请者。与其他仅使用公开数据和统计信息的研究不同，我们的研究依赖于五年来关于学生行为的实际数据，并将这些数据整合成了27个与社会经济、学术和家庭因素相关的变量进行深入分析。本文主要有两个贡献：首先，我们提出了智能预测数据分析技术，并证明了可以通过对申请者进行画像和分类来降低辍学率并改善他们的学习体验，从而使辍学概率成为招生过程中的早期预警机制的一部分；其次，我们提出了一种申请者分类和/或原型化的方法，该方法可以用于适应过程中的调整措施。由于我们使用的是易于提取的通用变量，因此这种模型和分类方法既适用于私立大学也适用于公立大学，且不需要大学在数据管理方面具备高水平的成熟度。因此，我们的研究为教育数据挖掘（EDM）领域做出了贡献，证明了智能预测数据分析技术可以用于对公立和私立大学申请者进行画像和分类。评估结果显示，神经网络模型在识别辍学申请者方面的准确率高达97%以上。

显示更多

引言

近年来，高等教育通过机器学习和数据挖掘技术实现了数字化转型，使得机构管理更加自动化和优化。这使得大学能够利用先进分析手段更好地了解学生，并推动可持续的流程改进。如今，大多数大学都建立了针对自身和学生表现的评价指标，其中学生辍学率成为衡量大学办学质量的关键指标。