Architecting scalable data pipelines for learning analytics in higher education: A cloud-native approach
Notice bibliographique
Résumé
This research presents a cloud-native architecture for architecting scalable, secure, and real-time data pipelines tailored to learning analytics in higher education. With a focus on modernising data workflows from legacy Student Information Systems (SIS) like PeopleSoft, the proposed pipeline leverages Oracle GoldenGate’s log-based Change Data Capture (CDC) capabilities and the Databricks Lakehouse platform to facilitate continuous data ingestion, transformation, and analytical readiness. A novel institutional deployment is demonstrated in which GoldenGate streams transactional data directly to Delta Lake without reliance on traditional staging zones, thereby reducing latency and complexity. Structured around Silver and Gold layers, the pipeline enables real-time data refinement and advanced transformation using PySpark and SQL, ensuring that institutional users have access to curated, analytics-ready data assets. The architecture integrates governance frameworks, observability tooling, and privacy-preserving features, supporting compliance with FERPA and GDPR. Anticipated outcomes include improved ingestion performance, elastic scalability via Databricks’ autoscaling Spark clusters, robust data lineage, and enhanced institutional agility in analytics-driven decision-making. This work contributes a replicable blueprint for higher education institutions seeking to modernise their data infrastructure for scalable learning analytics, real-time interventions, and regulatory resilience. Keywords: Learning, Pipeline, Analytics.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,010 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».