При дистанционното обучение проблемът с отпадането е традиционно по-голям, но и количеството потенциално полезна информация също е по-голямо (източник: CCO Public Domain)
Студентите могат лесно да се запишат за онлайн университетски курсове, но да ги завършат е много по-трудно. Степента на отпадане при онлайн курсове може да достигне 80%. Изследователите се опитват да променят това чрез разработване на системи за ранно предупреждение, които подсказват кои учащи е по-вероятно да отпаднат. След това администраторите могат да използват прогнозите, за да обърнат внимание на по-рисковите студенти и да положат усилия за задържането на тези младежи.
Най-мащабната система за такова ранно предупреждение е разработена в Испания – тя се базира на данните на над 11 000 студенти, записани в онлайн програми в Мадридския отворен университет (UDIMA) в продължение на пет години. Системата е наречена SPA (съкращение от испански, което значи система за предотвратяване на отпадането). Тя използва машинно самообучение за генериране на индивидуални прогнози за нови и за постоянни студенти, пише IEEE Transactions on Learning Technologies в статия, публикувана на 16 април.
Амбициозен университетски проект
Хуан Алколеа, директор по анализите в компанията Dimetrical, видял интересна възможност в наличието на такъв голям набор от данни и се опитал да си партнира с изследователи в онлайн университета, както и с тези в Universidad Autónoma de Madrid, за да разработи SPA с помощта на техники за машинно самообучение.
„Отпадането винаги е било ключов проблем в институциите за висше образование. Беше ясно, че това е проблем, който може да се възползва от новите техники”, казва Алколеа. „Особено при дистанционното обучение, където проблемът с отпадането е традиционно по-голям – но и количеството потенциално полезна информация, която е на разположение [също е по-голяма]”.
SPA включва не само лични данни (например възраст или пол), икономически данни (например вид плащане на такса), административни данни, академични оценки и информация за ранно/късно записване. От решаващо значение е и фактът, че са включени и поведенчески данни от системата за онлайн обучение на университета. Това обхваща данни, които касят времето от деня и продължителността на дейността на студента, например.
SPA може да вземе предвид до 120 променливи при създаването на профил за всеки студент. След това се генерира общ процент на вероятност от отпадане (например, студент А има 60% риск да отпадне).
За новите студенти има по-малко данни. Това определя и факта, че при тях системата е по-малко точна. Но тъй като алгоритмите за машинно самообучение отчитат допълнителни променливи за студентите, които учат повече години, все пак се появяват интересни модели.
Алгоритми улавят тенденциите
Компютърните алгоритми забелязали интересни тенденции. Например, възрастта е важен фактор за прогнозиране на риска от отпадане на нови студенти. Тези под 20-годишна възраст са с по-голяма вероятност да отпадат от по-възрастните учащи.
Начинът, по който студентите разпределят учебната си активност в рамките на деня, също е много показателен – например това дали учат особено по време на обяд или вечерно време. По-голямата активност по време на обедните часове се свързва с по-високи рискове от отпадане, докато по-голямата активност през нощта се свързва с по-нисък риск.
SPA намеква и за разлика между половете, като жените са изложени на по-висок риск от отпадане от обучението в сравнение с мъжете.
„Показатели като количеството, дължината и времето на съобщенията между учащите – помежду им и с техните учители – или различни характеристики, основани на тенденциите в дейността – като активност, която остава постоянна, увеличава се или намалява – изглежда имат ниска или никаква предсказуема сила. Това е обратно на онова, което първоначално си мислехме”, казва Алколеа.
Симптоми, а не проблеми
Все пак с такива обещаващи резултати трябва да се има едно наум, предупреждава Сюзан Терио, водещ изследовател в Американския институт за научни изследвания, която специализира в разработването на системи за ранно предупреждение за училищата до 12 клас в САЩ. Терио признава, че системите за ранно предупреждение като SPA, основани на онлайн програми, могат да включат много повече данни, отколкото традиционно биват обхванати от системите за ранно предупреждение за обучението до 12 клас, където обичайно се вписват предимно отсъствие/присъствие и оценки.
Но, според нея, рано е да се правят заключения относно моделите, разкрити от инструментите за прогнозно моделиране. „Едно от нещата, които са доста ясни е, че прогнозните анализи показват симптоми, а не проблеми. Вие не можете да поставите диагноза [на тези проблеми] само с информацията за симптомите. Обикновено трябва да задълбаете по-надълбоко”.
Специалистите от Испания също са наясно с това. Те предполагат, че когато администраторите на онлайн учебни програми идентифицират студенти, изложени на риск от отпадане, могат да се свържат с тези учащи по имейл или по телефон, да поговорят с тях, да потърсят проблема във всеки конкретен случай. На база на използването на програмата по този начин, казва Алколеа, изследователският екип сега планира да анализира ефективността на различните мерки за задържане.
Нощните – движат света.