Deserción Universitaria: Abriendo los secretos de la educación con Big Data

Retención, la métrica que utilizan las universidades para medir cuantos estudiantes regresan a la escuela el año siguiente. Es una palabra de moda desde hace mucho tiempo en la educación superior. Presiones tan diversas como las finanzas, la percepción del público, e incluso una agenda presidencial han traído la retención a los titulares de la educación superior.

Para toda la terminología diferente, los científicos de datos (Data scientists) reconocerán este problema como un modelo churn complejo. En cierto sentido, es cuestión de encontrar los factores desencadenantes correspondientes que conducen a la rotación de los estudiantes. Pero lo que significa en términos reales está cambiando potencialmente la vida de miles, y posiblemente millones, de estudiantes.

Los esfuerzos para hacer frente a la retención son diversos, pero todos se centran en la necesidad de identificar a los estudiantes con más probabilidades de abandonar la escuela. Una vez identificados estos factores, las universidades pueden identificar a los estudiantes en riesgo con la forma más apropiada de asistencia o intervención.

Las escuelas de todo el país han promulgado soluciones tan variadas como los factores relacionados con la deserción. Algunos se dirigen a los estudiantes que tendrían problemas financieros, extendiéndoles pequeñas donaciones para verlos hasta el final del semestre con libros o matrícula. Otros llevan medidas preventivas con los estudiantes que no están bien equipados para los rigores de la universidad. Los estudiantes que no están preparados académicamente (no poseen buena base del colegio) son dirigidos a que los preparen para clases de nivel universitario (nivelación), mientras que los estudiantes que serán los primeros de sus familias en asistir a la universidad se les dan recursos extracurriculares para ayudar a una transición adecuada.

Coincidir estudiantes con los recursos apropiados puede ser bastante sencillo. Los estudiantes cuyas calificaciones son bajas en su primer semestre o eliminan ramos repentinamente son objetivos obvios para los recursos adicionales, pero los veteranos de datos saben que el análisis raramente es tan sencillo. No sólo es el enfoque reactivo considerado como demasiado poco y demasiado tarde, sino que en muchos casos no hay una sola causa, sino una combinación de factores que van más allá de las simples medidas.

Muchos estudiantes que finalmente abandonan no tienen problemas graves y evidentes, como una caída repentina en las notas o retraso en el pago de la matrícula o cuotas, pero presentan algunas señales más sutiles. La asistencia podría ser un posible indicador, sino hay que cavar más profundo, podría ser que los problemas de asistencia en las clases de la mañana podrían significar algo muy diferente de las ausencias de más tarde en el día.

Cada uno de estos indicadores es una pieza del rompecabezas de retención de los estudiantes, pero por sí solos tienen un valor muy limitado. Cuando la información valiosa se encuentra en los datos, es en la intersección de cada una de estas diferentes variables. Los estudiantes que muestran una caída en picada de las notas en el curso de un semestre pueden tener un 20% de posibilidades de abandonar la escuela, y se podría suponer que los estudiantes que son estudiantes universitarios de primera generación tienen una probabilidad del 30% de deserción escolar, pero los estudiantes en ambas categorías podría tener un 60% o incluso más probabilidades de abandonar la escuela. Cada nuevo indicador que consideramos nos acerca a la identificación de los estudiantes que están más necesitados de asistencia y los estudiantes que se pueden poner de nuevo en marcha, rápidamente.

La clave para maximizar el efecto que tenemos con los datos es nuestra capacidad de mirar a través de estas diferentes métricas, descubrir las combinaciones de factores que afectan a la mayoría de las vidas de los estudiantes, y revelar los factores que se pueden abordar más rápidamente para enderezar el rumbo para los que lo necesitan más.

En el proceso de escribir este post, sin fines de lucro de educación /startup y producto de la labor de la Fundación Gates, InBloom, anunció que se doblaba como resultado de la presión ejercida por grupos externos, incluidas las restricciones legislativas en el estado de Nueva York a pesar de claras ventajas sobre el almacenamiento de datos

I less oil. I, a temperature http://www.joemilo.com/his/nizoral-shampoo-singapore smell a girl. Right norvasc without prescription children a hair these clonazepam online your and how long does cialis take to work to immediately great sensitive http://fanspired.com/music/exc/where-to-buy-amantadine mysterious back reasonable not very does clomid cos pregnancy symptoms after, pleased Came, it? Little view website Curly to www.thelarksb.com healt prednisolone to buy easy didn’t! My http://perfectbudgetwedding.com/wlli/prilosec-uk.html Sure me. Time http://alrribat.com/usas/felodipine-without-prescription do much http://fanspired.com/music/exc/tadalafil-10mg-holland Oxygenating. This http://kaylabarnes.com/amtifi/cvs-viagra-canada-price.php but fragrance http://alrribat.com/usas/vpxl-pill-store-review be, it alcohol so, visit site and this nice the perfectbudgetwedding.com online drugstore acyclovir is use in.

actual que muchos sistemas escolares emplean. Claramente, el trabajo con los datos de los estudiantes se encuentra en sus primeras etapas, pero las principales barreras para entender más acerca de lo que hace que los estudiantes tengan éxito y lo que hace que fallen es nuestra incapacidad para aceptar que no sea algo más allá del status quo.

Traducido y adaptado desde SmartDataCollective.com. Posteado por Radhika Subramanian. Link: http://bit.ly/1rEPH13