I leader dell’istruzione superiore devono utilizzare efficacemente l’analisi dei dati

analisi dei dati su uno schermo con accanto gli occhiali
© Una foto

L’analisi dei dati potrebbe trasformare le esperienze degli studenti, ma gli istituti di istruzione superiore devono raccogliere e misurare in modo efficiente le informazioni

È noto che l’uso dell’analisi dei dati ha il potenziale per trasformare i risultati degli studenti e le loro esperienze. Ma il settore dell’istruzione superiore continua a esplorare come raccogliere, misurare e analizzare in modo efficace le informazioni per supportare il processo decisionale all’interno dell’istituto.

Incorporando l’analisi dei dati intelligente nelle pratiche di insegnamento e apprendimento e nelle operazioni quotidiane, le istituzioni hanno il potenziale per aumentare le iscrizioni degli studenti, trasformare le esperienze degli studenti e migliorare significativamente i tassi di fidelizzazione e completamento degli studenti, creando informazioni fruibili da dati affidabili e conformi alla privacy.

Migliorare i risultati degli studenti e supportare istruttori e amministratori attraverso i dati è comprensibile in teoria, ma come possono le istituzioni trasformare questo panorama basato sui dati in realtà?

La formazione viene prima di tutto

Qualsiasi cambiamento aggiunge un livello di complessità aggravato da formazione e governance e il cambiamento attraverso l’analisi intelligente non è diverso. I college e le università dovrebbero iniziare con la mentalità secondo cui un pubblico diverso ha bisogno di diversi tipi di formazione e supporto prima di andare avanti.

Ad esempio, gli studenti potrebbero aver bisogno di una formazione se l’istituto sta valutando di offrire loro un maggiore accesso ai dati. La formazione può avere un impatto considerevole, poiché l’adozione di nuove tecnologie per automatizzare i processi e supportare il miglioramento dei progressi nel loro percorso educativo crea una nuova normalità per questi studenti. Per docenti, consulenti e amministratori, la formazione dovrebbe aiutarli a capire come utilizzare i dati per individuare gli studenti che necessitano di maggiore supporto o interventi per aiutarli ad avere successo.

Superare gli ostacoli

Ci sono molte sfide per incorporare l’analisi dei dati intelligente, ma qualsiasi risultato a lungo termine supera gli ostacoli a breve termine. E la trasformazione attraverso l’analisi è realizzabile solo quando tutti i leader di un istituto di istruzione superiore sono sulla stessa pagina. Riunire l’ecosistema di dati dell’istituto e abbattere i silos per creare quelle che chiamiamo “esperienze intelligenti” richiede la collaborazione all’interno dell’istituto in modo che i dati possano essere utilizzati per raggiungere gli obiettivi dell’istituto.

In genere, questo lavoro non spetta a una persona. Molto probabilmente, i team all’interno di Institutional Research and Effectiveness o un’area simile guideranno progetti incentrati sui dati. Poiché queste aree sono in genere a corto di personale e incaricate di gestire le esigenze istituzionali di reporting, conformità e accreditamento più basilari, spesso questo lascia poco tempo per l’esplorazione e l’analisi dei dati.

I leader dell’istruzione superiore possono aiutare in questo spostando l’attenzione sulla creazione di queste “esperienze intelligenti” e automatizzando la loro capacità di identificare le giuste combinazioni di dati, il che significa che alcune analisi esplorative potrebbero non essere nemmeno necessarie. Inoltre, i leader dovrebbero creare culture organizzative che riconoscano, premino e utilizzino i dati in modo approfondito, in modo da poter fare progressi nella promozione del successo degli studenti, nel miglioramento dell’insegnamento e dell’apprendimento o nell’aumento dell’efficienza operativa.

Ottimizzazione attraverso l’analisi

È probabile che qualsiasi istituto con un professionista della valutazione stia già eseguendo il tipo principale di analisi dei dati che porta al “miglioramento continuo”. Ciò su cui ci concentriamo qui, tuttavia, sono esempi di dove gli input di dati sono complesse combinazioni di variabili interconnesse che, se adeguatamente esplorate, possono portare a livelli ancora maggiori di comprensione delle opportunità di progresso.

Un ottimo esempio di questo può essere visto nei servizi di carriera. Tradizionalmente, l’ottimizzazione della propria traiettoria di carriera richiedeva a uno studente di vagliare numerose e spesso non personalizzate risorse di sviluppo della carriera.

Di solito, questo è seguito da un incontro con un consulente di carriera per discutere quali insegnamenti opzionali completerebbero meglio il loro maggiore. Questo processo può essere facilmente semplificato confrontando i dati del mercato del lavoro con analisi dettagliate dei bisogni accademici, offrendo agli studenti un programma pronto per la registrazione in linea con le loro aspirazioni di carriera.

Ciò porta anche a utilizzare forme di analisi più basate sulla scienza dei dati, come l’elaborazione del linguaggio naturale, che possono aiutare a fornire consigli più personalizzati agli studenti all’interno e all’esterno della classe per ampliare le proprie competenze per le carriere scelte.

I leader dell’istruzione superiore devono apportare modifiche incrementali per ottenere davvero il meglio dall’analisi dei dati negli anni a venire. Le istituzioni devono formare funzioni di analisi di base, creando una nuova cultura del processo decisionale guidata da approfondimenti sui dati. L’utilizzo dei dati in questo modo fornirà un valore significativo per gli studenti universitari e il personale docente e, in definitiva, porterà la sostenibilità nel futuro fornendo allo stesso tempo miglioramenti nei risultati misurabili.

Chris Husser è un evangelista dei dati interessato a migliorare l’insegnamento e l’apprendimento, il coinvolgimento e la valutazione per l’istruzione superiore ed è il vicepresidente della gestione dei prodotti presso Anthology.

Editori Consigliato Articoli

Leave a Comment

Your email address will not be published. Required fields are marked *