Strategies to Improve Higher Education Institutional Performance Through Predictive Analytics Implementation
Notice bibliographique
Résumé
Higher education institutions face challenges in integrating predictive analytics due to data silos and resistance to adoption, limiting their ability to improve student outcomes and operational efficiency. This issue concerns institutional leaders, as ineffective data use can lead to declining retention rates, financial strain, and missed opportunities for growth. Grounded in the composite conceptual framework of the technology acceptance model and the diffusion of innovations theory, the purpose of this qualitative pragmatic inquiry study was to explore effective strategies to implement predictive analytics tools to reduce costs and improve student outcomes. The study included three higher education leaders in Ontario with experience using or managing predictive analytics. Data were collected using semistructured interviews and publicly available documents. Through thematic and template analysis, four themes were identified: (a) challenges in integration, (b) stakeholder alignment, (c) practical applications, and (d) institutional support. A key recommendation is for higher education leaders to implement targeted training programs that enhance stakeholder engagement, ensuring faculty and administrators can effectively utilize predictive analytics for informed decision-making. The implications for positive social change include the potential for higher education leaders to leverage data-driven insights to improve student retention and promote equitable access to educational resources, fostering more inclusive and effective learning environments.
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 | 0,050 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,015 | 0,015 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».