בניית מקרה הסמכה של Data-Driven ABET Accreditation Program for Your Engineering Program

הסמכה טובה נשאר תקן הזהב עבור תוכניות הנדסיות וטכנולוגיה ברחבי העולם.זה אותות לסטודנטים, מעסיקים, והציבור כי תוכנית עונה סטנדרטים איכות קפדנית ומייצרת בוגרי מוכן לפרקטיקה מקצועית, אבל בניית תיק הסמכה מוצלחת - במיוחד עבור הסמכה - דורש יותר מאשר אקסקדוטים וכוונות הטובות ביותר. Accreditation בדיקות לצפות תוכניות לספק תוצאות קונקרטיות, ותיקות כי להפגין הישגים סטודנטים, יעילות, וקידום נתונים פתורים, כדי להפוך את הפחתת התעודה בפועל, כדי לספק תוכניות ניהול נתונים.

מאמר זה חוקר כיצד למנף ניתוח נתונים לאורך תהליך ההסמכה ה-ABET. אנו מכסים את סוגי הנתונים החשובים ביותר, טכניקות אנליטיות השואפות תובנות ניתנות לפעולה, אסטרטגיות הדמיה שמתקשרות באופן ברור לבודקים, והשינוי התרבותי הדרוש כדי להפוך לשיפור מונע נתונים להרגל מתמשך.המטרה אינה פשוט לעבור סקירה – היא לבנות תוכנית שמשפרת באופן מתמיד על בסיס ראיות, מה שהופך למוצר טבעי של תרגול טוב.

מדד הנתונים Analytics ו-ABET Accreditation קריטריה

ניתוח נתונים אינו מושג מופשט בהקשר ההסמכה; הוא ממפה ישירות לקריטריונים הליבה של ABET. קריטריון 2 (מטרות חינוכיות פרוגרמה) דורש תוכניות להוכיח כי בוגרי להשיג קריירה ומטרות מקצועיות בתוך כמה שנים של סיום הלימודים. קריטרון 3 (תוצאות סטודונט אאוטקום) דורשות ראיות כי התלמידים להשיג יכולות ספציפיות כגון פתרון בעיות, תקשורת, והיגיון אתי.

(FLT:0) ניתוחי האבחון ל-Cyterion 4 הוא חזק במיוחד.FLT:1 סוקרים מחפשים ראיות שנתוני הערכה משמשים למעשה לשיפורים - לא רק שנאספו ומאוחסנים. ניתוח מתוכנן היטב יכול להראות, למשל, כי דיפאון בציון עיצוב capstone עורר דיון סגל, אשר הוביל למודול ניהול חדש, ולאחר מכן מעקב אחר עלייה בציונים, הוא יותר מאשר נתונים שכנוע, הוא שיפור ארוך, הוא שיפור ארוך של נתונים.

בחירת אינדיקטורים משמעותיים

לא כל הנתונים בעלי ערך שווה למטרות הסמכה.תוכניות חייבות להתאים את המדדים שלהם עם תוצאות הסטודנטים של ABET ומטרות חינוכיות התוכנית.התחל על ידי מיפוי כל תוצאה של אחת או יותר שיטות הערכה ישירות ועקיפות.

מקורות נתונים חיוניים עבור ההסמכת Analytics שלך

כדי לבנות בסיס אנליטיקה חזק, תוכניות צריכות לאסוף נתונים ממערכות מרובות ובעלי עניין.קטגוריות הבאות מייצגות את מקורות הנתונים המשפיעים ביותר עבור הסמכה טובה:

ביצועי סטודנטים נתונים

ציונים לבד אינם מספיקים כי הם אינם ממפה ישירות לתוצאות ספציפיות.במקום, לאסוף נתונים גרפיים מהערכות משובצות: פריטי הבחינה הקשורים לתוצאות, ציונים שפשף עבור דוחות ומצגות, וביצועים על בדיקות סטנדרטיות כגון הבחינה FE או הערכה ספציפית התוכנית. מערכות ניהול למידה (LMS) יכולים לייצא נתונים ציונים ממונעים תוצאות.

תעסוקה ובוגר Outcomes

סקרים המעסיקים, נתוני מיקום עבודה, ומחקרי מעקב לתואר שני מספקים ראיות עקיפות כי המטרות החינוכיות של התוכנית שלך הם נפגשו. השתמש בניתוח כדי לקשור תכונות תכנית לימודים (למשל, מספר פרויקטים עיצוב, השתתפות התמחות) עם תוצאות תעסוקה. לדוגמה, ייתכן שתמצא כי בוגרי אשר השלימו אבן קסטון עם חסות בתעשייה יש שכר גבוה יותר או מהר יותר קידום שיעורי קידום.

מבוגרים ובעלי חיים

סקרים בוגרים, ייעוץ לוח קלט, וראיונות המעסיק לייצר נתונים איכותיים וכמותיים. Analytics יכול להפוך הערות פתוחות לנושאים באמצעות ניתוח כריית טקסט או רגשני, ולעקוב אחר תוצאות שביעות רצון לאורך זמן.לדוגמה, ירידה ב"הכנה לדירוגים של הנדסה בעולם האמיתי" עלולה להוביל סקירה תוכנית לימודים.

Curriculum ו- Course Reאפקטיביות

הערכות הקורסים, חלוקת הציונים ומסמכים מיפוי תכנית הלימודים חושפים אם המבנה של התוכנית תומך בתוצאה. השתמש בניתוח כדי לזהות קורסים שבהם התלמידים נאבקים באופן עקבי, ולאחר מכן לקדוח לתוצאות ספציפיות שנערכו בקורסים אלה.ניתוח שרשרת קדם-אתרי יכול להדגיש צווארי בקבוק: אם התלמידים בקורס עיצוב בכיר חסרים מיומנויות בניתוח נתונים, הנתונים עשויים להצביע על חולשה בסטטיסטיקה או קורסים קודמים.

הפקולטה ו- Resource Data

ABET גם בוחן את הכישורים הסגל, הוראה עומסים, פיתוח מקצועי, ופרודוקטיביות מחקר. Analytics יכול לאסוף נתונים ממערכות HR, פרסום מסדי נתונים, הוראה תיקוני הוראה. להציג אותו בלוחונים סיכום כדי להוכיח כי סגל מוסמך, מעורב, מספיק במספר.לדוגמה, תרשים בר מראה כי 90% מהפקולטה יש מעלות מסוף ומפרסם באופן קבוע מחזק קריטרון 6 (מבוגר).

שיטות אנליטיות שהופכות את Raw Data להוכחות הסמכה

איסוף נתונים הוא רק הצעד הראשון.הערך האמיתי עולה כאשר אתה מחיל טכניקות אנליטיות שמניבות תובנות ומספרות סיפור. להלן הן שיטות המתאימות במיוחד לעבודה הסמכה.

ניתוח טרנד ו-Time-Series Visualization

העלאת תוצאות לאורך שנים רבות מגלה דפוסים שנקודת נתונים אחת לא יכולה.לדוגמה, גרף קו המציג ביצועים של סטודנטים על "חשיבה אתית" העולה מ-72% ל-88% במשך ארבע שנים, לצד הצגת מודול אתיקה חדש, מספק ראיות חזקות לשיפור מתמשך. השתמש בממוצעים נעים לתנודות של שנה עד שנה חלקה ולהדגיש את המגמה הבסיסית:0 include המייצגת את קווי האינדקס או את היעד הממוצע שלך כדי לספק את ההקשרים הממוצעים של 1F1.

השוואה תכולה וניתוח תת-קבוצות

לשבור נתונים על ידי דמוגרפים סטודנטים, מעמד העברה או מצב משלוח (באינטרנט לעומת בקמפוס) לדוגמה, אתה יכול לגלות כי העברת סטודנטים תחת ביצועים ספציפיים. Analytics מאפשר לך לחקור סיבות שורש והתערבות ממוקדת עיצוב - כגון קורס גשר - ולאחר מכן למדוד את ההשפעה בעוקבים הבאים. רמה זו של גרנוריות מראה תרבות בוגרת של נתונים לסקירה טובה יותר.

שחיתות ותוקפנות

השתמש בניתוח תואמים כדי לחקור מערכות יחסים בין קלטות (למשל, שיטות הוראה, גודל הכיתה) ופלטים (למשל, ציוני תוצאות) מודלים של רגרסיה יכולים לעזור לזהות אילו גורמים לחזות הצלחה במיזמים קסטון או ביצועים לרישיון הבחינה. לדוגמה, תגמול מרובים עשוי להראות כי GPA בקורסים הליבה והשתתפות במחקר לתואר ראשון הם החיזוי החזק ביותר של שיעורי הבחינה FE לעבור ממצאים אלה באופן לא סטטי יכול להראות כמו mstatist כמו mstatist יכול להיות מסוגל להבין צבעים פשוטים.

מידע על Dashboards

דוחות סטטיים מתעלמים.מקלטים אינטראקטיביים שנבנו בכלים כמו Tableau, Power BI, או אפילו יישומי אינטרנט מותאם אישית מאפשרים לצוותי הסמכה לחקור נתונים על הטיסה.עבור רצף ביקורת טובה יותר, ליצור "Program Assessment Dashboard" המציג במבט: תוצאות בהשגה לעומת מטרות, קווי מגמה, שיפור פעולות שנלקחו, ואת ההשפעה הממדדת שלהם.

מקור:0 (ב) ,9.10.10.10.10.10.

Best Practices for Building a Trustworthy Analytics Pipeline

נתוני הסמכה חייבים להיות מדויקים, מאובטחים, והגנתיים.הפרקטיקות הבאות מבטיחות שמאמצים אנליטיים שלך לעמוד בבדיקה.

איכות נתונים וממשל

קביעת הגדרות ברורות לכל רכיב נתונים.לדוגמה, להגדיר "הישג תוצאות" כאחוז התלמידים הנתונים לפחות 70% על פריטים מחוסנים על ידי תוצאות הריסות.ל.מעד את מקורות הנתונים, תדירות איסוף ותהליכי ניקוי.FLT:0 Assigned CoalstraFLT:1 עבור כל זרם נתונים (למשל, ההערכות הן נתונים של סטודנטים; מרכזי התעסוקה שלהם מקיפים נתונים של מידע רגיל או שפשף מידע שאינו תקין.

פרטיות ושימוש מוסרי

יש לטפל בנתונים של סטודנטים בהתאם למדיניות FERPA ומוסדית.ד-זהה נתונים לפני שיתוף מעבר לצוות ההערכה, ולגביל את הגישה לאלה המעורבים ישירות בעבודת הסמכה.כאשר משתמשים בניתוחים כדי לזהות סטודנטים בסיכון עבור התערבות, להבטיח שקיפות ולקבל אישורים הדרושים.FLT:0 לעולם לא להציג נתונים בודדים של סטודנטים בדוחות הסמכה FLT:1; השתמש בנתונים סטטיסטיים מצטברים בלבד.

Benchmarking andחיצוני

השווה את נתוני התוכנית שלך נגד מדדים רלוונטיים כדי להוסיף אמינות. ABET מפרסם כמה נתונים מצטברים; חברות מקצועיות כמו ASEE גם לספק סקרים.לדוגמה, אם שיעור מיקום העבודה של התוכנית שלך הוא 92% והתיווך הלאומי עבור תוכניות דומות הוא 85%, כי סטטיסטית מספר סיפור חזק. השתמש במדדים חיצוניים כדי להגדיר מטרות מציאותיות לזהות אזורים שבהם התוכנית שלך עשויה להיות צורך שיפור.

מסמך וגרסה בקרה

שמור רשומות מפורטות של איך נאספו נתונים, ניתחו, והשתמשו בהם.זה כולל אחסון של קבצים נתונים גולמיים, תסריטי ניתוח (למשל, קוד R או Python), וגרסאות מתאריך של לוחות נתונים במהלך סקירת הסמכה, ייתכן שתתבקש לייצר לא רק את הדו"ח הסופי אלא גם עדות לתהליך.FLT:0Maintain Adata" עבור כל מחזורי של LTFrea כולל את כל החומרים התומכים.

בניית תרבות של Data-Driven לשיפור מתמיד

המקרים ההסמכה היעילים ביותר מגיעים מתוכניות שבהן ניתוח נתונים מוטבע בפעילות יומיומית, לא רק תרגיל חד פעמי לפני ביקור.יצירת תרבות זו דורשת מנהיגות, הכשרה ותמריצים.

הפקולטה מעורבת מוקדם ולעתים קרובות

הפקולטה היא האספן הראשי ומשתמשים בנתונים הערכה.אם הם רואים ניתוח כנטל כפוי, איכות הנתונים סובלת.במקום, לערב אותם בבחירת מדדים, תכנון לוחות נתונים, ופרש תוצאות.FLT:0 הצג סגל כיצד ניתוח יכול להועיל הוראה משלהם FLT:1 - לדוגמה, על ידי חשיפת אילו נושאים נאבקים עם או הוראה שיטות מתואמות עם ביצועים גבוהים יותר.

יצירת צוות ניהולי של Cross-Functional Accreditation Analytics

להרכיב צוות הכולל רכזי הערכה, אלוף סגל, צוות מחקר מוסדי ותמיכה IT. צוות זה עונה בקביעות כדי לסקור נתונים, לזהות מגמות, ולהציע שיפורים.העבודה של הצוות ניזונים ישירות לתוך דוח הערכה התוכנית השנתי כי ABET דורש.FLT:0Use כלי ניהול משותף ניהול פרויקטים משותף ניהול כלי 1 כדי לעקוב אחר פריטים פעולה מדיונים.

Align Analytics עם לוח השנה של הסמכה

הגדר מחזורים שנתיים לאיסוף נתונים, ניתוח, דיווח ושיפור.לדוגמה, בסתיו, לאסוף ולנקות את נתוני תוצאות התלמידים מהשנה האקדמית הקודמת. בחורף, לנתח מגמות ולהכין עדכונים לוח זמנים.באביב, לשתף ממצאים עם הסגל המלא ולהציע שינויים.בקיץ, ליישם שינויים ולהתחיל את המחזור שוב.

מקרה מחקר: להפוך את הנתונים לנרטיב מנצח

שקול תוכנית הנדסה היפותטית שנאבקה להפגין את קריטריון 4 שיפור במחזורי הסמכה קודמים.התוכנית אספה נתוני תוצאות תוצאות תוצאות תוצאות סטודנטים במשך שנים אבל רק לעתים רחוקות השתמש בה כדי לשנות את תוכנית הלימודים.שימוש בגישה אנליטית חדשה, צוות ההערכה יצר תוצאה לוחית המקשרת של ביצועים כמובן שינויים.הם הבחינו כי "מיומנויות תקשורת" היו ירידה יותר משלוש שנים.

לאחר יישום שינויים אלה, שתי השנים הבאות של נתונים הראו עלייה של 15 נקודות בתוצאות תקשורת.התוכנית הציגה הדמיה פשוטה: תרשים קו עם annotation Noting שנת ההתערבות, ואחריו את המגמה למעלה.זה סיפור גורם ישיר, נתמך על ידי נתונים טרום-ולאחר אימון, הפך לרכז של הסמכה שלהם עצמית.

מסקנה: Analytics נתונים כנכס אסטרטגי

ניתוח נתונים עושה יותר מאשר למלא טפסים טובים.זה מעצימה תוכניות הנדסיות כדי להבין את נקודות החוזק והחולשות שלהם, לקבל החלטות מושכלות, ולהפגין מחויבות אמיתית למצוינות.בנוף להשכלה גבוהה יותר ויותר תחרותי, תוכניות אשר לאמץ שיטות הסמכה מונעות נתונים לקבל יתרון מובהק: מחזורים שיפור מהיר יותר, תוצאות סטודנטיות טובות יותר, מערכות יחסים חזקות יותר עם מעסיקים ו accreditors.

התחל קטן אם צריך - בחר תוצאה של סטודנט אחד, קישור אותו להערכה מסוימת, לאסוף שנתיים של נתונים ולהשתמש בו כדי לעשות שינוי. ואז להרחיב. ... עם הזמן, ניתוח נתונים יהיה להפוך לטבע שני, ואת מקרה ההסמכה שלך כמעט לכתוב את עצמו.המטרה היא לא נתונים מושלמים, אך אמין, הוכחה שקופה כי התוכנית שלך היא שיפור פעיל.

מקורות חיצוניים: (ב) [ה] [ה] [ה] [ה]] [ה]] [ה]] [האגודה] להנדסת הנדסה] (ASEE) ,3]