A hybrid data envelopment analysis approach to analyse college graduation rate at higher education institutions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
College graduation rates have become a primary focus in measuring institutional performance and accountability in higher education. In 2009, President Obama set a goal for the United States to have the highest proportion of college graduates in the world by 2020. With the heightened focus on transparency and accountability in higher education today, university administrators are developing internal strategies to improve graduation rates. In fact, it is not only significantly important to institutions, but also to individuals and to the nation as a whole to increase college graduation rates. In this paper, a hybrid data envelopment analysis (DEA) approach is implemented for the very same purpose by combining with the cross industry standard process for data mining (CRISP-DM) methodology. The approach is illustrated by a case study at a U.S.-based four-year public university. We identify the most important predictors of graduation which help improve graduation rates by the CRISP-DM method. It shows that Fall term grade point average (GPA), Housing status, High school and Spring term GPA were the four highest determinative factors while monetary variables and the ethnic background of the student were revealed to be the least important ones. The results also indicated that students living on campus were more likely to complete within six years. For the detailed improvement strategies for increasing college graduation rate, we use the hybrid DEA methodology (an input-oriented bounded-and-discrete-data DEA model and context-dependent DEA) to evaluate the performance of college undergraduate students. These analyses provide potentially useful information and policy support for university administrators.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle