Decision-making system for higher education university selection: comparison of priorities pre- and post-COVID-19
Notice bibliographique
Résumé
Purpose University selection in higher education is a complex task for aspirants from a decision-making perspective. This study first aims to understand the essential parameters that affect potential students' choice of higher education institutions. It then aims to explore how these parameters or priorities have changed given the impact of the COVID-19 pandemic. Learning about the differences in priorities for university selection pre- and post-COVID-19 pandemic might help higher education institutions focus on relevant parameters in the post-pandemic era. Design/methodology/approach This study uses a mixed-method approach, with primary and secondary data (university parameters from the website and LinkedIn Insights). We developed a university selector system by scraping LinkedIn education data of various universities and their alumni records. The final decision-making tool was hosted on the web to collect potential students' responses (primary data). Response data were analyzed via a multicriteria decision-making (MCDM) model. Portal-based data collection was conducted twice to understand the differences in university selection priorities pre- and post-COVID-19 pandemic. A one-way MANOVA was performed to find the differences in priorities related to the university decision-making process pre- and post-COVID-19. Findings This study considered eight parameters of the university selection process. MANOVA demonstrated a significant change in decision-making priorities of potential students between the pre- and post-COVID-19 phases. Four out of eight parameters showed significant differences in ranking and priority. Respondents made significant changes in their selection criteria on four parameters: cost (went high), ranking (went low), presence of e-learning mode (went high) and student life (went low). Originality/value The current COVID-19 pandemic poses many uncertainties for educational institutions in terms of mode of delivery, student experience, campus life and others. The study sheds light on the differences in priorities resulting from the pandemic. It attempts to show how social priorities change over time and influence the choices students make.
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 | 0,028 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».