Исследовательская группа под руководством Корнелла обнаружила, что для школ, не имеющих ресурсов для проведения аналитики обучения, чтобы помочь учащимся добиться успеха, моделирование на основе данных из других учебных заведений может работать так же хорошо, как и местное моделирование, без ущерба для справедливости.
«Чтобы использовать модели, основанные на данных, нужны данные», — говорит Рене Кизилчек, доцент кафедры информатики в Корнелльском колледже вычислительной техники и информационных наук имени Энн С. Бауэрс. «А во многих школах, особенно в школах с низкими ресурсами, которые больше всего выиграют от применения аналитики обучения, данные редко доступны».
Кизилчеч является старшим автором книги «Межвузовский перенос обучения для образовательных моделей: Последствия для эффективности модели, справедливости и равенства», которая будет представлена на конференции Ассоциации вычислительной техники по справедливости, доступности и прозрачности (ACM FAccT) 12-15 июня в Чикаго. Ведущий автор — Джош Гарднер, докторант факультета компьютерных наук Вашингтонского университета.
Кизилчеч и его команда использовали анонимизированные данные четырех университетов США и преобразовали их в общую структуру для моделирования того, какие студенты могут бросить колледж. Между членами исследовательской группы были переданы только модели, относящиеся к конкретным университетам, без индивидуальных данных студентов, что вызывает вопросы конфиденциальности.
Ежегодно в США более 1 миллиона студентов бросают колледж; вероятность невыплаты студенческого кредита у них в 100 раз выше, чем у выпускников. Это привело к тому, что федеральное правительство ввело правила, стимулирующие колледжи и университеты к сокращению отсева, требуя от них сообщать об уровне отсева, а также составлять рейтинги, учитывающие уровень выпуска.
Кизилчеч сказал, что крупные учебные заведения располагают ресурсами для проведения анализа прогнозных данных. Но учреждения, которые могли бы извлечь наибольшую пользу из этих данных, — небольшие колледжи или двухгодичные учебные заведения — как правило, не имеют такой возможности.
«Им приходится полагаться на услуги нескольких компаний, предлагающих продукты для анализа образования», — сказал он. «Учебные заведения могут либо создавать свои собственные модели — очень дорогой процесс — либо приобрести аналитическое «решение», причем моделирование, как правило, проводится на основе данных других учебных заведений. Вопрос в том, могут ли эти внешние модели работать так же хорошо, как местные модели, и не вносят ли они погрешности».
Целью работы исследователей было точное предсказание «удержания» — будет ли каждый студент, впервые поступивший в учебное заведение осенью, зачислен в это же учебное заведение следующей осенью.
Для оценки успешности переноса обучения — получения информации из одного учебного заведения и использования ее для прогнозирования результатов в другом — команда использовала три подхода:
Прямой перенос - модель одного учебного заведения используется в другом;
Голосование - форма усреднения для объединения результатов нескольких моделей ("избирателей"), обученных в разных учреждениях, для прогнозирования
