Mühendislik Programınız için Veri Tabanlı ABET Akreditasyonu Vakası Oluşturma

ABET akreditasyonu dünya çapında mühendislik ve teknoloji programları için altın standardı olmaya devam ediyor. Öğrencilere, işverenlere ve halkın profesyonel uygulama için titiz kaliteli standartları karşılayan ve mezunları profesyonel bir uygulama için hazır hale getirdiğini gösteriyor. Ancak, özellikle de reaccreditasyon için -belkili bir anlatıya dönüşen motordur. Sistemleri sistematik olarak toplama, analiz etmek ve inceleme programları her öğrencinin başarısını, program etkinliğini ve sürekli iyileştirmeye hazır olduğunu kanıtlayan somut, uzun zamandır yorumlayabilir.

Bu makale, ABET akreditasyon sürecinde veri analizlerini nasıl yararlanacağını araştırıyor. Çoğu önemli olan verileri, iyi uygulama ürünlerine dayalı olarak sürekli olarak geliştiren bir program oluşturmak için gerekli olan verileri kapsamayız.

Data Analytics ve ABET Akreditasyon Kriterleri

Veri analizi akreditasyon bağlamında soyut bir konsept değildir; öğrencilerin problem çözme, iletişim ve etik sebeplerle hareket etmesinin doğrudan haritaları vardır. Criterion 2 (Program Eğitim Amaçları) mezunların kariyer ve profesyonel hedefleri birkaç yıl içinde değerlendirmelerini ve yeniden değerlendirmelerini gerektirir.Reans 3 (Öğrenci Çıktıları) Öğrencilerin her biri, problem çözme, iletişim ve etik bir nedenleme ile ilgili olarak belirli yetkinlikleri elde etmelerini talep eder. Criterion 4 (Continuous Improvement) X performansını tekrarlamak için programlar sunar.

[[Döneticileri Criterion 4'e bağlamanın özellikle güçlü olduğu görülüyor.[DÜT:1] İnceleme uzmanları, bu değerlendirme verilerinin aslında iyileşmeleri sağlamak için kullanıldığını kanıtlıyor - sadece toplanan ve depolanan bir analitik panjur tasarımı puanları, örneğin, bir dipli bir tez tasarım puanının, yeni bir proje yönetimi modülüne yol açan bir fakülte tartışmasına yol açan bir tartışmayı gösteriyorlar ve sonra bu anlatıda, zaman serisi verileri tarafından desteklenen bir dizi daha ikna edicidir.

Anlamlı Performans Göstergeleri Seçin

Tüm veriler akreditasyon amaçlıdır. Programlar ABET'in öğrenci sonuçları ve program eğitim hedefleri ile ölçümlemek zorundadır.Her bir sonucu bir veya daha doğrudan ve dolaylı değerlendirme yöntemlerine göre haritalayarak başlayın. Doğrudan önlemler sınav soruları, proje rubrics, laboratuvar raporları ve portföyleri takip etmek, kesintiler ve işveren geri bildirimlerini içerir.

Akreditasyon Analytics Boru Hattı için Temel Veri Kaynağı

Güçlü bir analitik temel oluşturmak için, programların birden çok sistem ve paydaşların verileri toplaması gerekir. Aşağıdaki kategoriler ABET akreditasyonu için en etkili veri kaynaklarını temsil eder:

Öğrenci Performansı Data

Notlar tek başına yetersizdir çünkü doğrudan belirli sonuçlara harita yapmazlar. Bunun yerine, gömülü değerlendirmelerden gelen granular verileri toplar: sınav öğelerini sonuçlarla ilişkilendirir, rapor ve sunumlar için rubric puanları ve sunumlar için ve program bazlı değerlendirmeler gibi standart testlerde performanslar[Döneticiler. Learning management systems (LMS) gelişim trendlerini gösterebilir ve müdahale noktalarının nerede çalıştığını onaylayabilirsiniz.

İstihdam ve Mezun Çıktıları

İşveren anketleri, iş yerleştirme istatistikleri ve lisansüstü takip çalışmaları, program eğitim hedeflerinin karşılandığı dolaylı kanıtlar sağlar.Bu korelasyon derslerini (örneğin, staj katılımı) iş sonuçları ile güçlendirmek için analitik kullanın. Örneğin, bir endüstri sponsoru ile bir capstone tamamlamış mezunlarının bu korelasyonları veya ısı haritalarını Criterion 2 anlatınızı güçlendirmek için görselleştirmelerini kullanabilirsiniz.

Mezunlar ve Stakeholder Feedback

Mezun anketleri, endüstri danışmanlığı kurulu girişi ve işveren görüşmeleri niteliksel ve sayısal veriler üretir. Analytics, günlük veya duygusal analiz yoluyla temalara açıklanabilir ve zaman içinde memnuniyet puanlarını takip edebilir. Örneğin, “gerçek dünya mühendisliği için hazırlık” derecelendirmelerinde bir düşüş olabilir. ”

Müfredat ve Ders Etkililiği

Ders değerlendirmeleri, sınıf dağıtımları ve program haritalama belgeleri, programın yapısının elde ettiği sonuçları ortaya koyar. Öğrencilerin sürekli mücadele ettikleri dersleri tanımlamak için analitik kullanın, ardından bu derslerde değerlendirilen belirli sonuçlara dayanarak: Önerdeki bir tasarım kursunda öğrenciler veri analizinde beceriye sahipse, veriler önceki istatistikler veya programlama derslerinde bir zayıflık anlamına gelebilir.Bu kanıtlar doğrudan Criterion 4 iyileştirme döngüleri destekler.

Fakülte ve Kaynak Data

ABET ayrıca fakülte yeterliliklerini, öğretim yüklerini, profesyonel gelişimini ve araştırma verimliliğini inceler. Analytics, HR sistemlerinden, yayın veritabanından veri toplayabilir ve öğretim portföylerini sunar.Bu nedenle, fakültenin nitelikli, meşgul olduğunu ve yeterli olduğunu göstermek için özet paniğe sahiptir. Örneğin, bir bar grafiği, fakültenin %90'ının terminal derecelerini gösterir ve düzenli olarak Criterion 6'yı yayınlayabilirsiniz.

Katı verileri Akreditasyon Kanıtlayan Analitik Yöntemler

Verilerin toplanması sadece ilk adımdır. Gerçek değer, içgörüler ve bir hikaye anlatmak için analitik teknikler uyguladığınızda ortaya çıkmaktadır. Aşağıda özellikle akreditasyon çalışması için uygun yöntemler vardır.

Trend Analizi ve Zaman serisi Görselleştirme

Birden fazla yıl boyunca elde edilen sonuç, tek bir veri noktasının normal bir şekilde artamayacağı anlamına gelir. Örneğin, hedef veya ulusal ortalamalarınızı temsil eden bir satır grafiği gösterir.

Cohort Karşılaştırma ve Altgrup Analizi

Örneğin, öğrenci demografikleri, transfer durumu veya teslimat modu (online vs. on-campus) tarafından verileri belirli bir sonuca doğru aktarabilirsiniz. Analytics kök nedenlerini ve tasarım hedefli müdahaleleri araştırmanızı sağlar - ve sonra bir köprü dersi gibi - ve sonra bir sonraki kohortlarda etkisini ölçebilirsiniz.

⁇ asyon ve Regresyon

Girişler arasındaki ilişkileri araştırmak için korel analiz kullanın (örneğin, ders yöntemleri, sınıf büyüklüğü) ve çıktıları (örneğin, sonuç puanları). Regresyon modelleri, kapstone projelerinde veya bitnsure sınav performansında hangi faktörlerin en güçlü şekilde tahmin edebileceğini tespit edebilir. Örneğin, birden fazla regresyon GPA'nın temel derslerde GPA'nın ve lisans araştırmalarında katılımın, sınav geçiş oranlarının en güçlü tahmin edicileri olduğunu gösterebilir.

Data Storytelling with Dashboards

Statik raporlar göz ardı edilir. Masaau, Power BI veya hatta özel web uygulamaları, akreditasyon takımlarının uçta verileri keşfetmelerine izin verir.ABET inceleme hazırlığı için, açık etiket ve minimum jargon ile gösteren bir “Program Değerlendirme Dashboard” oluşturmak.Bir inceleme sırasında, hedefler, trend hatları, iyileştirme eylemleri ele alınacaktır ve ölçümler ölçülmüş etkilenebilir.

Dış kaynak:0) Akreditasyon Kriterleri[Dönemli)

Güven değerli Analytics Boru Hattı için en iyi uygulamalar

Akreditasyon verileri doğru, güvenli ve yanlış olmalıdır. Aşağıdaki uygulamalar analiz çabalarınızin scrutiny'ye karşı işlediğini sağlar.

Data Quality and Governance

Her veri elemanı için açık tanımlar oluşturun. Örneğin, her veri akışı için “başarılı başarı” tanımlayın, değerlendirme koordinatörlerinin öğrenci sonuçları verilerinin yüzde 70'i; veri kaynakları, koleksiyon frekansı ve temizlik prosedürleri.]Ücretsiz rubricler veya eksik kohortlar - değerlendirme koordinatörlerinin öğrenci sonuçları verilerinin yüzde 70'i; kariyer merkezinin çalışma verilerinin tamamının tamamının tamamının ve tutarlılığı için verilerinin düzenli olarak denetim altına alın.

Gizlilik ve Etik Kullanım

Öğrenci verileri FERPA ve kurumsal politikalara uygun olarak ele alınmalıdır. Değerlendirme ekibinin ötesine geçmeden verileri onaylamalı ve akreditasyon çalışmasına doğrudan erişimle sınırlanmalıdır.In-risk öğrencilerini müdahale etmek için analitik kullanırken, şeffaflık sağlayın ve gerekli onaylar elde edin.(0)Kimyasal öğrenci verileri akreditasyon raporları).

Benchmarking ve Dış Context

Programınızın ilgili ölçülere karşı verileri güvenilirlik eklemek için karşılaştırın. ABET bazı toplam verileri yayınlar; ASEE gibi profesyonel toplumlar da anketlere ihtiyaç duyar. Örneğin, programın iş yerleştirme oranı % 92 ve ulusal medyan benzer programlar için% 85, bu istatistik güçlü bir hikaye anlatıyor. Programınınızın ilerlemeye ihtiyaç duyduğu alanları tanımlamak için dışsal yöntemler kullanın.

Dokümantasyon ve Version Control

Verilerin nasıl toplandığı, analiz edildiği ve kullanıldığı ayrıntılı kayıtları tutun.Bu, her akreditasyon döngüsü için bir “veri arşiv” (örneğin, R veya Python kodu) ve panoların versiyonlarına sahip olmak için gerekli olan bir rapor değil, aynı zamanda sürecin kanıtlarını da içeriyor.

Sürekli İyileştirme için Veriye Dayanlı Bir Kültür İnşa Etmek

En etkili akreditasyon vakaları, veri analizinin günlük operasyonlarda yer aldığı programlardan gelir, ziyaretten önce sadece bir kez egzersiz değil. Bu kültür yaratmak liderlik, eğitim ve teşvik gerektirir.

Fakülte Erken ve Sık sık

Fakülte birincil koleksiyoncular ve değerlendirme verileri kullanıcılarıdır. Eğer önerilen bir yük olarak analitik görürlerse, veri kalitesi daha yüksek performansla ilişkili olan konuları ortaya koyar ve sonuçları yorumlayarak, aşağıdakileri yorumlayın.

Cross-Functional Akreditasyon Analytics Team Create a Cross-Functional Accreditation Analytics Team

Değerlendirme koordinatörleri, fakülte şampiyonları, kurumsal araştırma personeli ve IT desteği içeren bir ekip olarak bu ekip, verileri gözden geçirme, eğilimleri tanımlama ve geliştirme önerileriyle karşı karşıya kalır.The team's work feeds directly into the yıllık program değerlendirme raporu that ABET requires.ETHFLT:0Use a shared project management tool).

Align Analytics with the Akreditasyon Takvim

Örneğin, yıllık veri toplama, analiz, raporlama ve gelişme için döngüler oluşturun. Örneğin, sonbaharda, toplanan ve temiz öğrenci sonuçları önceki akademik yıldan itibaren veri toplama ve hazırlamayı sağlar. ilkbaharda, tüm fakülte ile bulguları paylaşın ve değişiklikleri önerin.

Vaka Çalışması: Verileri bir Kazanan Akreditasyon Anlatıcısına Dönüştürmek

Önceki akreditasyon döngülerinde Criterion 4 iyileştirmeyi göstermek için mücadele eden bir teorik mühendislik programı göz önüne alındığında, program yıllar boyunca öğrenci sonuçları verilerini topladı ancak nadiren yeni bir analitik yaklaşım kullanarak, değerlendirme ekibi, bu kadar çok daha fazla laboratuvara adanmış bir çalışma programı hazırladı.

Bu değişiklikleri uygulamadan sonra, önümüzdeki iki yıllık veriler iletişim sonuçları açısından 15 puan artış gösterdi. Program basit bir görselleştirme sundu: müdahale yılı değil, daha sonra devam eden bir yaklaşımla bir çizgi grafiği sundu [Dönen yüksek trend.Bu doğrudan neden-sonrası, altı yıllık reakültasyon döngüsü tarafından desteklenen.

Sonuç: Stratejik Bir Varlık Olarak Veri Analytics

Veri analizi ABET formlarını doldurmadan daha fazlasını yapar. Kendi güçlü ve zayıf yönleri anlamak için mühendislik programları güçlendiriyor, bilgilendirilmiş kararlar verin ve yalnızca bir inceleme sırasında değil, aynı zamanda daha rekabetçi bir yüksek eğitim alanında, veri odaklı akreditasyon uygulamaları kucaklayan programlar, çalışmalarını yönlendirmek için farklı bir avantaj sağlıyor: daha hızlı iyileştirme döngüleri, daha iyi öğrenci sonuçları ve işverenlerle daha güçlü ilişkiler ve kredi verenler. Sistemlerde, eğitim ve kültürler sadece bir inceleme sırasında değil, her gün öğretim ve yöneticiler olarak ücret alırlar.

Gerekirse küçük başlayın - bir öğrenci sonucu seçin, belirli bir değerlendirmeye bağlantı kurmak, iki yıllık verileri toplamak ve bir değişiklik yapmak için kullanın. Sonra veri analizi ikinci doğa haline gelecektir ve akreditasyon durumunuzu hemen hemen yazacaktır.

Dış kaynaklar:0)ABET Resmi Web Sitesi) | [[Üyetim İçin Amerikan Topluluğu (ASEE)) | [[Üye Olmayanlar İçin Tıklayınız.[Üye Tarihi: 4 )