Notice bibliographique
Résumé
Purpose This paper aims to examine how effective higher education institutions have been in harnessing the data capture mechanisms from their student information systems, learning management systems and communication tools for improving the student learning experience and informing practitioners of the achievement of specific learning outcomes. The paper seeks to argue that the future of analytics in higher education lies in the development of more comprehensive and integrated systems to value add to the student learning experience. Design/methodology/approach Literature regarding the trend for greater accountability in higher education is reviewed in terms of its implications for greater “user driven” direction. In addition, IT usage within higher education and contemporary usage of data captured from various higher education systems is examined and compared to common commercial applications to suggest how higher education management and teachers can gain greater understanding of the student cohort and personalise and enhance the learning experience much as commercial entities have done for their client base. A way forward for higher education is proposed. Findings If the multiple means that students engage with university systems are considered, it is possible to track individual activity throughout the entire student life cycle – from initial admission, through course progression and finally graduation and employment transitions. The combined data captured by various systems builds a detailed picture of the activities students, instructors, service areas and the institution as a whole undertake and can be used to improve relevance, efficiency and effectiveness in a higher education institution. Originality/value The paper outlines how academic analytics can be used to better inform institutions about their students learning support needs. The paper provides examples of IT automation that may allow for student user‐information to be translated into a personalised and semi‐automated support system for students.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,017 | 0,014 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,010 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».