Yüksek öğrenim, öğrenci finansmanı, program maliyetleri, kayıt ve işe alım, öğrenci davranışları, okulda kalma, mezuniyet oranları ve daha fazlası hakkında dağlar kadar veri üzerinde duruyor. Ancak kurumlar bununla ne yapacaklarını bilmiyorlar. Beceri boşlukları, veri siloları ve modern sistemlere yatırım yapmak için gereken sınırlı bütçeler, üniversitelerin verilerini etkili bir şekilde kullanmalarının önünde uzun süredir devam eden engellerdir. Kampüs genelindeki platformlarda yapay zekanın patlaması ve federal ve eyalet kurumlarından iş gücü verilerine yönelik yeni talepler, acil bir çözüme ihtiyaç duyulduğu anlamına geliyor.
Bu ay eğitimcilerin, yatırımcıların ve eğitim teknolojisi girişimcilerinin büyük bir araya geldiği ASU+GSV’de yaptığım her konuşmada yapay zeka hakim oldu. Kurumun ilerlemesini, öğrenci deneyimini ve öğrenci desteğini geliştirmek için muazzam olanaklara sahiptir. Çoğu öğrenci bilgi sistemi, müşteri ilişkileri yönetimi platformu ve öğrenme yönetimi sistemi iş akışı zaten aracılar ve yapay zeka destekli sistemlerle donatılmıştır.
Ancak bu araçların vaatleri, yalnızca onlara akan verilerin temizliği ve doğruluğu ve insanların sonuçları analiz etme becerileri kadar iyidir. Kötü veri girişi + kötü veri çıkışı = her yerde kötü kararlar. Pek çok kurum bu durumda. Educause topluluğu üyelerinin yalnızca yüzde 1’i anket yapıldı kurumlarının veri sistemlerinin tamamen modernize edildiğini ve yaklaşık üçte ikisi (yüzde 68) bazı sistemlerin modernize edildiğini söylerken, üçte biri veri modernizasyonuyla ilgili erken tartışmalarda olduklarını (yüzde 24) ya da bu konuyu hiç ele almadıklarını (yüzde 7) söyledi. Kısacası çoğu üniversite tam olarak kullanamadığı verilerle boğuşuyor.
Ulusal Üniversite başkanı Mark Milliron’un “kötü tesisat” dediği şey bu. National’daki ekip, kapsayıcı veri yönetimi oluşturmak ve kapsamlı bir veri ambarı oluşturmak için bir yıl harcadı; buna, verileri yazılım sistemlerine entegre etmeden önce verilerinin haritalanması ve temizlenmesi (örneğin, girişlerin tutarlı ve doğru formatta olduğundan emin olmak) de dahil. “Sıhhi tesisat işini önceden yapmasaydık, yaptığımız stratejilerden bazılarını ölçeklendirebileceğimizi sanmıyorum” dedi. paneli birkaç ay önce Öğrenci Başarısı etkinliğimizde.
National’ın örneği diğer kurumlar için ders niteliğinde olabilir. Veri akışını düzeltmek her üniversite için farklı görünecektir, ancak öğrenci performansı, kayıt ve program maliyetleri gibi alanlardaki verilerinin düzenli hale getirilmesi, kurumların göz yaşartıcı fiyat etiketleriyle yazılım anlaşmaları imzalamadan önce çok önemlidir. Veri okuryazarı olan yöneticiler, bir platformun diğer teknoloji sistemleriyle iletişim kurmadığında ne kadar etkili olduğunu bilir ve iyi veri becerilerini yeni çalışanlara aktarabilirler. Bu temel, kurumları daha fazla teknolojik özerkliğe giden yola bile sokabilir.
Artık National, ekipler arasında veri becerilerini geliştirdiğinden Milliron, kampüsleri için özel sistemler oluşturmak üzere tasarım düşüncesine ve National’ın geleneksel olmayan, çalışan ve askeri öğrencilerine ilişkin derin bir anlayış olan “alan uzmanlığına” geçtiklerini söyledi. Ülke genelindeki her kolej, kendi öğrencileri söz konusu olduğunda bu alan uzmanlığına sahiptir. Temiz veri sistemleri ve daha fazla veri okuryazarlığı sayesinde üniversiteler kendi yapay zeka destekli platformlarını her zamankinden daha kolay bir şekilde oluşturabilirler.
Bu veri yönetimi sorunları yalnızca kurumları rahatsız etmiyor. Federal ve eyalet hükümetlerini karanlıkta bırakarak uzanıyorlar. Sektör, işgücü piyasası taleplerine yanıt vermek veya bireysel programların yatırım getirisini takip etmek için doğru yerlerdeki derece sahipleri ve endüstri işleri hakkında doğru verilere sahip değil.
ASU+GSV’deki bir oturumda, Lumina Vakfı’nın veri ve ölçüm strateji direktörü Chris Mullen, eyaletlere ve federal hükümete yetenek hatları ve endüstri talebi hakkında gerçek zamanlı bilgi sağlamak üzere İşgücü İnovasyon ve Fırsat Yasası ve Perkins Kariyer ve Teknik Eğitim Yasası’nın yanı sıra Kayıtlı Çıraklık Ortakları Bilgi Veritabanı Sistemi ve Entegre Ortaöğretim Sonrası Eğitim Veri Sistemi kapsamında toplanan temel federal veri gruplarını bir araya getirmeye yönelik yeni bir projenin erken bir önizlemesini verdi.
Riskler artmak üzere. Eğitim ve işgücü verilerinin birbirine bağlanması, 1 Temmuz’da uygulamaya konulacak yeni program düzeyinde hesap verebilirlik tedbirleri kapsamında Başlık IV finansmanı için kritik hale gelecektir. Onlar dururken“zarar vermeme” düzenlemeleri, lisans programlarının yalnızca lise diplomasına sahip yerel çalışan bir yetişkinden daha fazla kazanan mezunlar üretip üretmediğini anlamak için kurumlar, eyaletler ve federal hükümet arasında veri paylaşımını gerektirir. Lisansüstü programlar, lisans derecesi sahiplerinin kazançlarına göre değerlendirilecektir. İşgücü Pell’e uygunluk, finansman akışının başlamasından önce sağlayıcıların ve eyalet liderlerinin benzer şekilde takip edilmesini gerektirecek.
Verileri kurumlar arasında birbirine bağlama çabası kulağa devasa gelebilir ancak duyulmamış bir şey değil. ASU+GSV oturumunda HCM Strategies’in CEO’su ve kurucu ortağı Kristin Hultquist, federal öğrenci yardımı uygulamalarına beslenen IRS verilerinin FAFSA sürecini daha fazla öğrenci için daha erişilebilir hale getirdiğine dikkat çekti. Lumina’nın teklifinin “federal-eyalet veri ortaklığını yeniden tasarlayacağını” ve hangi verilerin eksik olduğunu ve nerede temizlenmesi gerektiğini ortaya çıkaracağını söyledi. Arkansas’ın halihazırda verileri iyi bir şekilde harmanlayan bir eyalet örneği olduğunu ekledi. LAUNCH girişimi, eyaletin işgücü ihtiyaçlarını karşılamak için iş arayan ve işveren verilerini ücretsiz, yapay zeka destekli bir platformda birbirine bağlıyor.
Daha yüksek baskıdaki veriler mevcuttur. Bunu gerçek, kanıta dayalı karar verme için kullanacak araçlar burada. Eksik olan, sistemleri birbirine bağlayacak tesisatlar ve içlerinden akan verileri temizlemeye yönelik gösterişsiz çalışmaya yapılan yatırımdır. Zor ama acil: Kirli verilerle ve bozuk kanallarla yapay zeka destekli bir gelecek inşa edemezsiniz.
