DATA ANALYTICS: LIÇÕES DAS UNIVERSIDADES AMERICANAS


25 de outubro de 2019

Por Erika Gimbel*

Armazenar dados hoje em dia é muito barato. Também existem melhores métodos de coleta, e isso torna mais fácil para as instituições de ensino acumular montanhas de dados. Agora, cortar a montanha para entender os dados é outra história.
Nos EUA, de 40% a 60% das faculdades e universidades têm um programa de análise de dados. Mas, apesar das promessas do Big Data, existem barreiras para obter avanços nesse campo. A começar da finalidade principal: os dados coletados devem servir para ensinar e aprender, para a retenção de alunos ou a eficiência operacional? Sem falar que as preocupações financeiras também entram em jogo.

Mais: a instituição pode não saber cuidar da chamada “higiene dos dados”, ou seja, uma política clara sobre quem tem acesso a quê e como os dados devem ser compartilhados. Isso é um problema quando informações coletadas por uma fonte conflitam com as de outra. E, finalmente, há o fator humano: às vezes, partes interessadas de departamentos diferentes podem simplesmente não querer compartilhar dados.

 

Sistema de “alerta antecipado” sobre

alunos em risco aumentou a retenção

e também as taxas de graduação

após quatro anos

Quando as universidades fazem Big Data corretamente, os resultados podem fazer uma diferença significativa para os alunos e para o sucesso da instituição. Aprender e reagir aos dados à medida que são gerados permite criar iniciativas oportunas em todo o campus; estas podem ser ampliadas ou reduzidas, e devem ser continuamente medidas e refinadas, para resultados ainda melhores.

Aqui, damos alguns exemplos de como universidades americanas estão usando Data Analytics para produzir resultados práticos:

* A Temple University (Philadelphia) criou um sistema de “alerta antecipado” para identificar alunos em risco. O sistema aumentou a retenção do segundo ano em 12% e a taxa de graduação de quatro anos em 24%.

* Nas Universidades de Wisconsin e da Pensilvânia, foi implementado um programa baseado em dados para aumentar o aprendizado e a retenção em 12 instituições que atendem minorias.

* A Georgia State University tem sido chamada de “modelo nacional”, com seu programa de análise preditiva e intervenção para ajudar estudantes carentes e aumentar as taxas de graduação em 22%.

Fundamentos

Nem mesmo instituições totalmente comprometidas com a expansão dos programas de análise de dados não conseguem implementá-los sem ajuda técnica especializada, como treinamento em hardware, software e recursos humanos. O suporte fundamental pode incluir:

≥≥≥ Infraestrutura forte e padronizada: os campi precisam de profissionais qualificados e pelo menos um técnico de suporte para análise de dados.

≥≥≥ Interface de usuário e relatórios intuitivos: as atuais ferramentas de software são projetadas para serem amigáveis ao usuário, possibilitando que uma quantidade mais ampla de funcionários seja envolvida no projeto e na análise dos dados.

≥≥≥ Transparência do fornecedor: os gestores da escola precisam entender completamente o que estão comprando. Para que os modelos e algoritmos sejam sólidos, transparentes e livres de preconceitos, devem estar intimamente envolvidos, ou ter conhecimento de como os modelos preditivos e os algoritmos são construídos.

 

* Artigo originalmente publicado no EdTech.com. Para ver o original na íntegra, clique aqui.