Faculdades e universidades estão em uma encruzilhada quando se trata de dados dos alunos. Eles têm mais informações na ponta dos dedos do que nunca, mas aproveitando -a para guiar mudanças significativas continua sendo um repto. Um estudo da prensa de 2022 UCLA-MIT descobriu que O ensino superior luta para conquistar e aproveitar os dados para o impacto. Essa desconexão do dedo não é unicamente o resultado de sistemas desatualizados; É sobre a complexa rede de barreiras culturais, organizacionais e de infraestrutura que deixam muitas instituições ricas em dados, mas com insights.
Para discutir uma vez que as instituições podem transformar dados brutos em impacto real, Edsurge conversou com a Suzanne Carbonaro, vice-presidente de instrução pós-secundária e programas de força de trabalho em 1edtech Consortium (1edTech). Com 27 anos de experiência em ensino superior e avaliação, ela atuou uma vez que membro do corpo docente, ocupou funções de liderança em avaliação e credenciamento e liderou o desenvolvimento curricular orientado a competências no Philadelphia College of Pharmacy, a Escola de Farmácia mais antiga do país.
EDSURGE: Que tipos de dados as instituições de ensino superior acham o mais difícil de acessar e por quê?
Carbonaro: Apesar da opulência de dados dos alunos, as instituições de ensino superior enfrentam desafios significativos ao acessar e usá -los de maneira eficiente. A primeira questão é (a existência de) silos de dados. Aplicações de estágio, sistemas de informação do aluno (SIS), plataformas de ajuda financeira e aplicativos de teste geralmente operam de forma independente, sem informação entre eles. Enquanto os alunos se movem fluidamente entre esses sistemas, seus dados não. Cada sistema existe em sua própria “ilhota”, desconectada de outros e de registros holísticos de estudantes.
Segundo, há uma má relação sinal / rumor. Mesmo quando os aplicativos de estágio compartilham dados, grande segmento dele é não estruturado ou carece de contexto. Por exemplo, os dados aleatórios do clickstream geralmente não lançam luz sobre a jornada de estágio de um aluno. Outrossim, diferentes sistemas podem usar identificadores inconsistentes para o mesmo aluno, dificultando a rastreamento do progresso ou conecta dados entre as plataformas.
Terceiro, o dispêndio de resolver esses problemas é proibitivo para muitas instituições. Desenvencilhar essa selva de dados geralmente requer consultores externos ou ferramentas caras que muitas faculdades e universidades simplesmente não podem remunerar.
Que barreiras -chave impedem que as instituições obtenham e usem esses dados de maneira eficiente?
As instituições lutam com mais do que unicamente desafios técnicos; Eles também enfrentam barreiras culturais e organizacionais. Os professores geralmente se sentem julgados por análises ou decisões tomadas com base em dados incompletos. Essa suspeição pode impedir a adesão para a adoção de novas ferramentas ou processos.
As preocupações com a privacidade também desempenham um papel. As instituições devem prometer que os aplicativos atendam aos padrões rigorosos de privacidade, segurança e acessibilidade antes da adoção. Por exemplo, as ferramentas de IA devem usar os dados com responsabilidade, melhorando os resultados da aprendizagem sem armazenar informações confidenciais em lagos de dados proprietários e controlados por fornecedores.
Finalmente, as instituições geralmente não sabem que perguntas fazer sobre seus alunos antemão. Sem metas ou estruturas claras para o uso de dados, eles correm o risco de coletar informações que não sejam acionáveis ou esperam muito para intervir quando os alunos precisam de pedestal.
Porquê a adoção de padrões abertos pode ajudar as instituições a acessar e aproveitar esses dados de uma maneira mais acionável?
Os padrões abertos servem uma vez que base para resolver esses desafios. Pense neles uma vez que o encanamento em uma lar: a infraestrutura padronizada permite conectar qualquer torneira ou aparelho sem problemas. De forma similar, padrões de interoperabilidade uma vez que Estudo de Caliper e Ferramentas de estágio Interoperabilidade (LTI) Certifique -se de que as ferramentas da EDTech possam trabalhar juntas sem interrupção quando as instituições mudarem de fornecedores ou adotarem novas tecnologias.
Por exemplo, os padrões abertos permitem que as instituições rastreem dados significativos de eventos do aluno – uma vez que cliques, tempo gasto em tarefas ou perguntas feitas nas ferramentas de IA – e contextualizam -os ao lado de outras informações holísticas do aluno. Essa abordagem estruturada elimina os silos e torna os dados acionáveis em tempo real.
Na 1edTech, criamos padrões abertos que conectam sistemas díspares a ecossistemas coesos. Esses padrões permitem que as instituições alterem os fornecedores quando necessário, sem perder o chegada a dados críticos ou interromper operações.
Você pode compartilhar exemplos específicos de uma vez que o chegada aos dados bem-educado impactou positivamente o sucesso do aluno?
Na instrução em farmácia, o corpo docente alinhou os resultados curriculares com as perguntas do vistoria por meio de uma plataforma de teste, permitindo o rastreamento em tempo real do desempenho do aluno. Ao investigar esses dados rapidamente, identificamos os alunos que lutaram com áreas de conhecimento fundamental específicas. Vincular essas informações aos atributos do aluno nos ajudou a estribar estudantes de diferentes escolas ou faculdades que precisavam de ajuda suplementar antes do vistoria. Isso também permitiu a colaboração com essas instituições para substanciar conceitos críticos para futuras coortes.
Outro exemplo vem do nosso trabalho usando Registros abrangentes do aluno (CLRS). Ao vincular competências de farmácias às principais atribuições entre cursos nos módulos e permitir que os alunos visualizem seu desempenho em tempo quase real através de painéis de CLR, capacitamos -os a se apropriar de suas jornadas de estágio. Os alunos e seus mentores podem ver tendências nos meses dos cursos – não unicamente notas – e tomar decisões informadas sobre onde concentrar seus esforços.
Atualmente, estamos trabalhando em uma licença da National Science Foundation de US $ 20 milhões com o Instituto de Tecnologia da Geórgia e outras instituições para estudar o impacto de sete assistentes diferentes de IA destacados em cursos on -line destinados a estribar alunos de adultos. Inicialmente, esse projeto enfrentou desafios devido aos aplicativos díspares de IA emitindo diferentes fluxos de dados em ferramentas de visualização separadas, sem nenhuma maneira de combinar dados para a invenção longitudinal. Ao implementar um tripé de padrões de dados abertos-Edu-Api, LTI e Analytics de pinça-unificamos esses sistemas em um pipeline coesivo que fornece informações contextualizadas sobre o envolvimento do aluno.
Os aplicativos de IA variam de tutores que suportam lacunas de conhecimento fundamentais aos facilitadores de conexão social projetados para alunos on -line que, de outra forma, poderiam se sentir isolados. Ao solidificar essas ferramentas em uma arquitetura de referência usando padrões abertos, permitimos que instituições uma vez que a Georgia Tech escalarem seus esforços, mantendo a flexibilidade entre as plataformas.
O que outras instituições podem fazer agora para obter chegada a esses dados de uma maneira que forneça informações significativas?
As instituições podem tomar medidas imediatas para melhorar o chegada a dados acionáveis:
- Exigir padrões abertos: Ao exprimir (solicitações de proposta) ou comprar novas ferramentas, deixe evidente que os fornecedores devem fornecer dados em formatos padronizados, uma vez que estudo de pinça, em vez de arquivos CSV não estruturados.
- Use pipelines pré-construídos: Para os distritos do ensino fundamental e médio e outras instituições pós-secundárias, sem recursos para edificar sua própria infraestrutura, acesse estruturas de padrões abertos, uma vez que o estágio de arquitetura de referência de dados (LDRA).
- Concentre-se em dados em tempo real: A coleta de dados baseados em eventos, uma vez que quem usou quais ferramentas e por quanto tempo, combinados com outras métricas-chave, uma vez que dados de avaliação baseados em resultados, permitem que as partes interessadas institucionais sejam proativas em estribar seus alunos, em vez de esperar semanas por idéias que já podem estar desatualizadas.
- Faça as perguntas certas: Em vez de coletar dados de maneira reativa ou empregar a tomada de decisão baseada no tripa, comece identificando o que deseja saber sobre seus alunos adiantados para que você possa personalizar o estágio deles e identificar quais serviços de suporte precisam para o sucesso deles.
Dando estes passos agoraas instituições podem gerar uma base para a tomada de decisão mais eficiente e o pedestal do aluno.
Que trabalho ainda precisa ser feito?
Embora tenham sido feitos progressos na construção de arquiteturas e pipelines abertos uma vez que a LDRA, ainda há muito trabalho pela frente:
- Promovendo a crédito: Os professores precisam de garantia de que as análises devem estribar – não julgar – suas práticas de ensino.
- Desenvolvimento Profissional: Os professores e administradores devem entender por que a interoperabilidade é importante e uma vez que isso beneficia os alunos.
- Padrões de privacidade: As instituições devem continuar examinando os aplicativos rigorosamente para preocupações com privacidade e segurança, garantindo a acessibilidade para todos os usuários.
- Soluções de graduação: Modelos uma vez que o LDRA devem ser estendidos além dos programas piloto em implementações em grande graduação em diversos contextos educacionais.
A 1EdTech é uma comunidade unida comprometida em perceber um ecossistema de tecnologia educacional ocasião, confiável e inovadora que atenda às necessidades ao longo da vida de todos os alunos. Unimos a comunidade educacional para edificar uma base integrada de padrões abertos que torne a tecnologia educacional funcionar melhor para todos – reduzindo a complicação, acelerando a inovação e expandindo as possibilidades para os alunos em todo o mundo.
