Los datos están presentes en todas partes. Desde el momento en que te despiertas para revisar tu teléfono hasta lo que le preguntas a Alexa o Siri. Solo en EE. UU., los hogares consumieron un promedio de 268,7 gigabytes (GB) de datos al mes. Durante el día escolar, el 78 por ciento de los estudiantes usan dispositivos tecnológicos, según eSchool News. Las universidades pueden aprovechar estos datos de maneras nuevas y únicas. Puede ayudar a los campus a desarrollar capacidades y sistemas para servir a los estudiantes con mensajes y apoyo personalizados. Además, con el análisis predictivo, también puede conducir a abordar factores que pueden ayudar a aumentar las posibilidades de éxito del estudiante. Sin embargo, con todos estos datos, los campus deben saber cómo usar estos datos de manera que promueva prácticas efectivas y eficientes, al tiempo que aborde las necesidades de las experiencias y la seguridad de los estudiantes como punto de partida. En este artículo, repasaremos las mejores prácticas que pueden ayudar a las universidades a lograr el éxito estudiantil y servir a una población diversa.
Análisis predictivo
Muchas instituciones de educación superior están viendo el beneficio de analizar los datos de los estudiantes para mejorar la calidad de los servicios que ofrecen. El análisis de datos de estudiantes anteriores para predecir lo que los estudiantes actuales y prospectivos podrían hacer ha brindado a las instituciones de educación superior un reclutamiento y uso más específicos de la ayuda institucional. EnAnálisis en la educación superior: Establecimiento de un lenguaje común, Hawkins y Watson advierten que, “el análisis no es un esfuerzo único para todos y que hay que considerar que el análisis es una práctica dirigida a objetivos”. Idealmente, los proveedores pueden facilitar el uso ético de los datos durante todo el ciclo de vida del estudiante. Los proveedores pueden ayudar a garantizar que los datos estén completos y se integren correctamente para disminuir las posibilidades de identificar erróneamente a los estudiantes. Pueden ser transparentes sobre sus algoritmos y probarlos para detectar impactos dispares en las poblaciones estudiantiles. Pueden ser flexibles con los permisos y utilizar protocolos de seguridad razonables para ayudar a preservar la privacidad y seguridad de los estudiantes. Pueden capacitar al personal sobre la interpretación correcta de los datos y sobre los peligros del sesgo implícito.
