Aprendizaje automático en la educación superior

Sep 06, 2023

Muchos de educación superior las instituciones ahora están utilizando datos y análisis como parte integral de sus procesos. Ya sea que el objetivo sea identificar y respaldar mejor los puntos débiles en el viaje del estudiante, asignar recursos de manera más eficiente o mejorar la experiencia de los estudiantes y profesores, las instituciones están viendo los beneficios de las soluciones respaldadas por datos.

Este artículo es un esfuerzo de colaboración de Claudio Brasca, Nikhil Kaithwal, Charag Krishnan, Monatrice Lam, Jonathan Law y Varun Marya, que representan los puntos de vista de la práctica del sector público y social de McKinsey.

Quienes están a la vanguardia de esta tendencia se están enfocando en aprovechar el análisis para aumentar la personalización y la flexibilidad del programa, así como para mejorar la retención al identificar a los estudiantes en riesgo de abandonar los estudios y comunicarse de manera proactiva con intervenciones personalizadas. De hecho, la ciencia de datos y el aprendizaje automático pueden desbloquear un valor significativo para las universidades al garantizar que los recursos se dirijan a las oportunidades de mayor impacto para mejorar el acceso de más estudiantes, así como la participación y satisfacción de los estudiantes.

Por ejemplo, Western Governors University en Utah está utilizando modelos predictivos para mejorar la retención mediante la identificación de estudiantes en riesgo y el desarrollo de programas de intervención temprana. Los esfuerzos iniciales aumentaron la tasa de graduación del programa de pregrado de cuatro años de la universidad en cinco puntos porcentuales entre 2018 y 2020.1 "Disponible a pedido: mejorar el éxito de los estudiantes con un enfoque unificado para el análisis de datos y la inteligencia artificial", Databricks, consultado en diciembre de 2021; "Acerca de las tasas de graduación", Western Governors University, 2 de diciembre de 2021.

Sin embargo, la educación superior aún se encuentra en las primeras etapas de desarrollo de capacidades de datos. Dado que las universidades enfrentan muchos desafíos (como presiones financieras, el precipicio demográfico y un aumento en los problemas de salud mental de los estudiantes) y una variedad de oportunidades (que incluyen llegar a estudiantes adultos y escalar el aprendizaje en línea), la expansión del uso de análisis avanzados y aprendizaje automático puede resultar beneficioso.

A continuación, compartimos algunos de los casos de uso más prometedores para el análisis avanzado en la educación superior para mostrar cómo las universidades están capitalizando esas oportunidades para superar los desafíos actuales, permitiendo el acceso a muchos más estudiantes y mejorando la experiencia de los estudiantes.

La ciencia de datos y el aprendizaje automático pueden desbloquear un valor significativo para las universidades al garantizar que los recursos se dirijan a las oportunidades de mayor impacto para mejorar el acceso de más estudiantes, así como la participación y satisfacción de los estudiantes.

Las técnicas de análisis avanzado pueden ayudar a las instituciones a desbloquear conocimientos mucho más profundos sobre sus poblaciones de estudiantes e identificar riesgos más matizados de los que podrían lograr a través del análisis descriptivo y de diagnóstico, que se basan en enfoques lineales basados ​​en reglas (Anexo 1).

El análisis avanzado, que utiliza el poder de algoritmos como el aumento de gradiente y el bosque aleatorio, también puede ayudar a las instituciones a abordar los sesgos involuntarios en sus métodos existentes para identificar a los estudiantes en riesgo y diseñar de manera proactiva intervenciones personalizadas para mitigar la mayoría de los riesgos identificados.

Por ejemplo, las instituciones que utilizan enfoques lineales basados ​​en reglas analizan indicadores tales como calificaciones bajas y asistencia deficiente para identificar a los estudiantes en riesgo de abandonar la escuela; Luego, las instituciones se acercan a estos estudiantes y lanzan iniciativas para brindarles un mejor apoyo. Si bien tales iniciativas pueden ser útiles, a menudo se implementan demasiado tarde y solo se dirigen a un subconjunto de la población en riesgo. Este enfoque podría ser una buena solución improvisada para dos problemas que enfrentan los líderes de éxito estudiantil en las universidades. Primero, hay demasiadas variables que podrían analizarse para indicar el riesgo de deserción (como factores académicos, financieros y de salud mental, y sentido de pertenencia en el campus). En segundo lugar, si bien es fácil identificar una variación notable en una o dos variables, es difícil identificar la variación nominal en múltiples variables. Por lo tanto, los enfoques lineales basados ​​en reglas pueden no identificar a los estudiantes que, por ejemplo, pueden tener calificaciones decentes y una asistencia superior al promedio, pero que han tenido dificultades para entregar sus tareas a tiempo o han tenido dificultades para pagar sus cuentas constantemente (Anexo 2).

Un modelo de aprendizaje automático podría abordar los dos desafíos descritos anteriormente. Dicho modelo analiza diez años de datos para identificar los factores que podrían ayudar a una universidad a realizar una determinación temprana del riesgo de abandono de un estudiante. Por ejemplo, ¿el estudiante cambió los métodos de pago en el portal de la universidad? ¿Qué tan cerca de la fecha límite entrega el estudiante las tareas? Una vez que la institución ha identificado a los estudiantes en riesgo, puede implementar intervenciones de manera proactiva para retenerlos.

Si bien muchas instituciones reconocen la promesa de los análisis para personalizar las comunicaciones con los estudiantes, aumentar las tasas de retención y mejorar la experiencia y el compromiso de los estudiantes, las instituciones podrían usar estos enfoques para la gama completa de casos de uso a lo largo del viaje del estudiante: para posibles, actuales y anteriores. estudiantes por igual.

Por ejemplo, los análisis avanzados pueden ayudar a las instituciones a identificar en qué escuelas secundarias, códigos postales y condados deben enfocarse para llegar a los posibles estudiantes que tienen más probabilidades de encajar perfectamente en la institución. El aprendizaje automático también podría ayudar a identificar intervenciones y apoyo que deberían estar disponibles para diferentes arquetipos de estudiantes inscritos para ayudar a medir y aumentar la satisfacción de los estudiantes. Estos casos de uso podrían luego extenderse para brindar apoyo a los estudiantes con el desarrollo de sus habilidades más allá de la graduación, lo que permite a las instituciones brindar oportunidades de aprendizaje continuo e involucrar mejor a los ex alumnos. A medida que una institución amplía su aplicación y cobertura de herramientas de análisis avanzado a lo largo del ciclo de vida del estudiante, el modelo mejora en la identificación de patrones y la institución puede tomar intervenciones y acciones cada vez más granulares.

Las instituciones probablemente querrán adoptar un modelo de varios pasos para aprovechar el aprendizaje automático para servir mejor a los estudiantes. Por ejemplo, para los esfuerzos destinados a mejorar las tasas de finalización y graduación de los estudiantes, la siguiente técnica de cinco pasos podría generar un valor inmenso:

Las instituciones podrían implementar este modelo en una cadencia regular para identificar a los estudiantes que más se beneficiarían de un apoyo adicional.

Las instituciones también podrían crear modelos similares para abordar otros objetivos o desafíos estratégicos, incluida la generación de prospectos y la inscripción. Por ejemplo, las instituciones podrían, como primer paso, analizar 100 o más atributos de años de datos históricos para comprender las características de los solicitantes que tienen más probabilidades de inscribirse.

Las instituciones probablemente querrán adoptar un modelo de varios pasos para aprovechar el aprendizaje automático para servir mejor a los estudiantes.

Las experiencias de dos instituciones de educación superior que se apoyaron en análisis avanzados para mejorar la inscripción y la retención revelan el impacto que pueden tener tales esfuerzos.

Una universidad privada sin fines de lucro había inscrito recientemente a su clase de primer año más grande de la historia y estaba buscando aumentar su inscripción nuevamente. La institución quería llegar a más posibles estudiantes universitarios de primer año que encajarían perfectamente en la institución y mejorar la conversión en el proceso de inscripción de una manera que fuera manejable para el equipo de inscripción sin aumentar significativamente la inversión y los recursos. La universidad tomó tres acciones importantes:

Para esta institución, el modelado de análisis avanzado tuvo implicaciones e impacto inmediatos. La iniciativa también sugirió futuras oportunidades para que la universidad atienda a más estudiantes de primer año con una mayor eficiencia de marketing. Cuando se probó inicialmente contra clientes potenciales para el otoño posterior (antes de la fecha límite de solicitud), el modelo predijo con precisión el 85 por ciento de los candidatos que enviaron una solicitud, y predijo el 35 por ciento de los solicitantes en ese punto del ciclo que tenían más probabilidades de inscribirse. , suponiendo que no haya cambios en los criterios de admisión (Anexo 3). El equipo de administración de inscripciones ahora puede priorizar mejor sus recursos y tiempo en clientes potenciales y solicitantes de alto potencial para generar una clase considerable. Estas nuevas capacidades le darán a la institución la flexibilidad para tomar decisiones estratégicas; en lugar de centrarse principalmente en el tamaño de la clase entrante, puede garantizar el tamaño de clase deseado al tiempo que prioriza otros objetivos, como la combinación de clases, la asignación de ayuda financiera o los ahorros presupuestarios.

Al igual que muchas instituciones de educación superior durante la pandemia,2"Persistencia y retención", Centro Nacional de Investigación de la Cámara de Compensación de Estudiantes, 8 de julio de 2021. una universidad en línea enfrentaba una tendencia significativa a la baja en la retención de estudiantes. La universidad exploró múltiples opciones e implementó iniciativas encabezadas por departamentos académicos y administrativos, incluidos grupos focales y campañas de promoción, pero los resultados no cumplieron con las expectativas.

La institución quería establecer un estándar alto para el éxito de los estudiantes y lograr mejoras marcadas y sostenibles en la retención. Recurrió a un enfoque de análisis avanzado para perseguir sus audaces aspiraciones.

Para construir un modelo de aprendizaje automático que permitiera a la universidad identificar a los estudiantes en riesgo de abandono temprano, primero analizó diez años de datos históricos para comprender las características clave que diferencian a los estudiantes que tenían más probabilidades de continuar y, por lo tanto, graduarse, en comparación con aquellos. quien se dio de baja. Después de validar que el modelo inicial era varias veces más efectivo para predecir la retención que la línea de base, la institución perfeccionó el modelo y lo aplicó a la población estudiantil actual. Este modelo de deserción arrojó cinco arquetipos de estudiantes en riesgo, tres de los cuales eran contrarios a la sabiduría convencional sobre cómo son los perfiles típicos de los estudiantes en riesgo (Anexo 4).

Juntos, estos tres arquetipos contrarios a la intuición de estudiantes en riesgo, que se habrían omitido utilizando un enfoque de análisis lineal, representan alrededor del 70 por ciento de los estudiantes con mayor probabilidad de interrumpir la inscripción. El grupo más grande de personas en riesgo (que representan aproximadamente el 40 por ciento de los estudiantes en riesgo identificados) eran destacados triunfadores académicos con un excelente historial general. Esto significa que el modelo identificó al menos el doble de estudiantes en riesgo de abandono que los modelos basados ​​en reglas lineales. Los resultados del modelo han permitido a la universidad identificar a los estudiantes en riesgo de abandono de manera más efectiva e invertir estratégicamente en iniciativas a corto y mediano plazo con mayor probabilidad de impulsar la mejora de la retención.

Con el modelo y los datos sobre los perfiles de estudiantes en riesgo en la mano, la universidad en línea lanzó un conjunto de intervenciones específicas enfocadas en brindar apoyo personalizado a los estudiantes en cada arquetipo para aumentar la retención. Las acciones incluyeron programar más puntos de contacto con asesores académicos y profesionales, ampliar la tutoría de la facultad y crear vías alternativas para que los estudiantes satisfagan sus lagunas de conocimiento.

El análisis avanzado es una herramienta poderosa que puede ayudar a las instituciones de educación superior a superar los desafíos que enfrentan hoy, estimular el crecimiento y brindar un mejor apoyo a los estudiantes. Sin embargo, el aprendizaje automático es complejo, con considerables riesgos asociados. Si bien los riesgos varían según la institución y los datos incluidos en el modelo, es posible que las instituciones de educación superior deseen seguir los siguientes pasos al usar estas herramientas:

Si bien muchas instituciones de educación superior han comenzado a aprovechar los datos y el análisis, todavía queda un largo camino por recorrer para aprovechar todo el potencial de estas capacidades en términos de la experiencia del estudiante. La afluencia de estudiantes e instituciones que se han involucrado en el aprendizaje en línea y el uso de herramientas tecnológicas en los últimos dos años significa que hay muchos más datos con los que trabajar que nunca; las instituciones de educación superior pueden querer comenzar a usarlo para servir mejor a los estudiantes en los años venideros.

Claudio Brascaes socio de la oficina de McKinsey en San Francisco, dondevarun mariaes un socio mayoritario;Nikhil Kaithwales socio asociado en la oficina de Londres,charag krishnanes socio de la oficina de New Jersey–Summit,Monatrice Lames consultor en la oficina del Área de la Bahía–Silicon Valley, yjonathan leyes socio mayoritario en la oficina del Sur de California.

Los autores desean agradecer a Inès Garceau-Aranda, Emily Cohen, Katie Owen, Xiaowo Sun, Xuecong Sun y Shyla Ziade por sus contribuciones a este artículo.