고등교육 분야의 머신러닝

Sep 06, 2023

많은 고등교육 이제 기관들은 데이터와 분석을 프로세스의 필수적인 부분으로 사용하고 있습니다. 목표가 학생 여정의 문제점을 식별하고 더 효과적으로 지원하는 것, 리소스를 보다 효율적으로 할당하는 것, 학생 및 교직원 경험을 개선하는 것 등 교육 기관에서는 데이터 기반 솔루션의 이점을 확인하고 있습니다.

이 기사는 Claudio Brasca, Nikhil Kaithwal, Charag Krishnan, Monatrice Lam, Jonathan Law 및 Varun Marya의 공동 노력으로 McKinsey의 공공 및 사회 부문 업무의 견해를 대변합니다.

이러한 추세의 최전선에 있는 사람들은 분석을 활용하여 프로그램 개인화 및 유연성을 높이고 중퇴 위험에 처한 학생을 식별하고 맞춤형 개입을 통해 사전에 접근함으로써 유지율을 높이는 데 중점을 두고 있습니다. 실제로 데이터 과학과 기계 학습은 더 많은 학생의 접근성과 학생 참여 및 만족도를 향상시킬 수 있는 가장 영향력 있는 기회에 리소스를 집중함으로써 대학에 상당한 가치를 부여할 수 있습니다.

예를 들어, 유타에 있는 Western Governors University는 예측 모델링을 사용하여 위험에 처한 학생을 식별하고 조기 개입 프로그램을 개발함으로써 유지율을 향상시키고 있습니다. 초기 노력으로 이 대학의 4년제 학부 프로그램의 졸업률이 2018년부터 2020년까지 5% 포인트 증가했습니다.1"온디맨드 이용 가능: 데이터 분석 및 AI에 대한 통합 접근 방식으로 학생 성공 향상", Databricks, 2021년 12월 액세스; "졸업률 정보", Western Governors University, 2021년 12월 2일.

그러나 고등교육은 아직 데이터 역량 구축의 초기 단계에 있습니다. 대학이 많은 과제(재정적 압박, 인구통계학적 절벽, 학생 정신 건강 문제 증가 등)와 다양한 기회(성인 학습자 접근 및 온라인 학습 확장 포함)에 직면해 있는 상황에서 고급 분석 및 기계 학습의 사용을 확대할 수 있습니다. 유익한 것으로 판명됩니다.

아래에서는 대학이 현재의 과제를 극복하기 위해 이러한 기회를 어떻게 활용하고 있는지 보여주기 위해 고등 교육 분야의 고급 분석에 대한 가장 유망한 사용 사례 중 일부를 공유하여 더 많은 학생이 액세스할 수 있도록 하고 학생 경험을 향상시킵니다.

데이터 과학 및 기계 학습은 더 많은 학생의 접근성과 학생 참여 및 만족도를 향상시킬 수 있는 가장 영향력 있는 기회에 리소스를 집중함으로써 대학에 상당한 가치를 부여할 수 있습니다.

고급 분석 기술은 교육 기관이 학생 집단에 대해 훨씬 더 깊은 통찰력을 얻고 선형 규칙 기반 접근 방식에 의존하는 설명 및 진단 분석을 통해 달성할 수 있는 것보다 더 미묘한 위험을 식별하는 데 도움이 될 수 있습니다(그림 1).

또한 그라디언트 부스팅 및 랜덤 포레스트와 같은 알고리즘의 강력한 기능을 사용하는 고급 분석은 교육 기관이 위험에 처한 학생을 식별하는 기존 방법의 부주의한 편견을 해결하고 식별된 위험의 대부분을 완화하기 위해 맞춤형 개입을 사전에 설계하는 데 도움이 될 수 있습니다.

예를 들어, 선형 규칙 기반 접근 방식을 사용하는 교육 기관에서는 낮은 성적, 낮은 출석률 등의 지표를 조사하여 중퇴 위험이 있는 학생을 식별합니다. 그런 다음 교육 기관에서는 이러한 학생들에게 다가가 더 나은 지원을 위한 계획을 시작합니다. 이러한 계획은 유용할 수 있지만 너무 늦게 구현되는 경우가 많으며 위험에 처한 인구의 하위 집합만을 대상으로 합니다. 이 접근 방식은 대학의 학생 성공 리더가 직면한 두 가지 문제에 대한 좋은 임시 해결책이 될 수 있습니다. 첫째, 탈락 위험을 나타내기 위해 분석할 수 있는 변수(학업적, 재정적, 정신 건강 요인, 캠퍼스 내 소속감 등)가 너무 많습니다. 둘째, 하나 또는 두 개의 변수에 대한 눈에 띄는 분산을 식별하는 것은 쉽지만 여러 변수에 대한 명목 분산을 식별하는 것은 어렵습니다. 따라서 선형, 규칙 기반 접근 방식은 예를 들어 괜찮은 성적과 평균 이상의 출석률을 가지고 있지만 과제를 제때 제출하는 데 어려움을 겪고 있거나 지속적으로 청구서 지불에 어려움을 겪는 학생을 식별하지 못할 수 있습니다(그림 2).