Öğrenme Analytics ve ABET Akreditasyonunun Intersection of Learning Analytics and ABET Akreditasyon

ABET akreditasyonu, dünya çapında mühendislik ve bilişim programları için kaliteli bir yer olarak hizmet eder, mezunların titiz profesyonel standartları karşıladığını varsayar. Süreç, öğrencilerin program sonuçları elde ettiklerine dair kapsamlı kanıtlar gerektirir - teknik problem çözmenin etik sebep ve takım çalışmasına yönelik. Geleneksel akreditasyon verileri koleksiyonu genellikle manuel süreçlere, dağınık değerlendirme eserlere dayanır ve son derece-her değerlendirmelere dayanır.

Öğrenme analizi dönüştürücü bir alternatif sunar. sistematik olarak ölçüm, toplama ve öğrenme bağlamları hakkında verileri analiz ederek, kurumlar doğrudan A'nın sonuç tabanlı değerlendirme çerçevesini desteklediğine dair eylem edilebilir, veri odaklı kanıtlar üretebilirler. Bu yaklaşım sadece akreditasyon kanıt toplama sürecini kolaylaştırır, aynı zamanda sürekli iyileştirmeyi sağlar.

Bu makale, ABET akreditasyonu için analitik öğrenmek için pratik, derinlemesine bir kılavuz sağlar - temel veri puanlarını, uygulama stratejilerini, avantajları ve ortak tuzakları keşfedin. Bir mühendislik departmanı başkanı olsanız da, bir akreditasyon koordinatörü veya bir öğretim üyesi, programınızın akreditasyon duruşunu güçlendirmek için harekete geçebilecek öngörüler bulacaksınız.

Accreditor'un Context'deki Öğrenme Analytics'i Tanımlama

Öğrenme analizi, koleksiyon, analiz ve öğrencilerin program sonuçları hakkında bilgi rapor etmeleri ve öğrenme ve optimizasyon yöntemlerinin belirlenmesi amacıyla tanımlanacaktır.A context, bu, iyi öğrencilerin program sonuçları (SOs) ve öğrenci sonuçları (SOs) ile nasıl iyi olduklarını gösteren anlamlı kanıtlara dönüştürmeyi amaçlamaktadır.

ABET'in Mühendislik Programlarına kredi verme Kriterleri (2023-2024), düzenli olarak belgelenen ve öğrencinin elde ettiği diplomayı “bir değerlendirme ve değerlendirme sürecine sahip olmak için programları gerektirir. Öğrenme analizi, bu belgenin çoğunu otomatikleştirmek için altyapı sağlar, sporadic, anecdotal kanıtları sürekli, sistematik kanıtlar koleksiyonuna taşır.

Notların basit raporlamasının aksine, analitik öğrenmek birden fazla veri kaynağını birleştirir - ABET sonuçlarıyla uyumlu olduğunda, bu veriler panolar, anket yanıtları, e-portfolio başvurularını ve hatta ortak katılımlarını elde edebilir.

Bu ayara anahtar, belirli öğrenci sonuçları için her değerlendirme görevinin haritalanmasıdır. Örneğin, bir capstone tasarım kursunda son proje doğrudan sonuçla bağlantılı olabilir (c): “Bir sistemi, bileşeni veya istenen ihtiyaçları karşılamak için bir süreç.” Öğrenme analitik araçları rubric puanları toplayabilir, öğrenci yansıma metinleri ve bunları birden fazla dönem boyunca gösteren bir sonuç portföyüne göre bir değerlendirmeler.

ABET Delin için Temel Veri Noktaları

Akreditasyon için analitik öğrenme analizinin etkili kullanımı, en anlamlı kanıtları sağlayan veri puanlarını tanımlamakla başlar. Aşağıdaki kategoriler, programların sistematik olarak ele alınması ve analiz etmesi gereken temel verileri kapsar.

Doğrudan Değerlendirme Data

Doğrudan değerlendirmeler, öğrenci performansını belirli sonuçlara karşı ölçmektedir. Bunlar şunlardır:

  • [FONT:0]Embedded course değerlendirmeleri: Sınavlarda Puanlar, sınavlar, testler, laboratuvarlar ve program sonuçları için açıkça haritalanan projeler.Bir rubric tabanlı puanlama yaklaşımı kullanarak her değerlendirme öğenin ABET kriterleri ile uyumlu olmasını sağlar.
  • [FONT:0]Köpek ve tasarım projeleri: [Dönetici: [Dönetici:0]Köpek ve tasarım projeleri: [Döneticiler Final-yıl projeleri genellikle birden çok sonucu entegre edebilir. Analytics rubric puanları, kilometre taşları başarılarını ve fakülte değerlendirmelerini izleyebilir.
  • [FONT:0)Standartize sınavlar ve lisanslama ölçümleri:[Dönetici: FE sınav oranları veya yerel olarak alınan sınavlardan alınan sonuçlar, bu kriter başarı ile sonuçlanmıştır.
  • [FONT:0]E-portfolio eserleri: Öğrenci tarafından çekilen çalışma örnekleri sonuç tarafından ve kriterli rubricler kullanarak puanlanan kriteri kullanarak değerlendirilebilir. Portfolium veya yerel olarak yapılan e-portfolios gibi platformlar doğrudan analitik paniğe girebilir.

Indirect Assessment Data

Sömürgeci önlemler doğrudan kanıtları tamamlayan algıları ve kendi değerlendirmelerini ele alır:

  • [FONT:0)Öğrenci anketleri:[Döneticileri, üst düzey anketler ve öğrencilerin başarılarını kendi kendilerine göre seçmelerini isteyen mezunların anketleri.
  • [FONT:0]Employer geri bildirim:[Dönetici:[Döneticiler veya mezunların işverenleri, sonuç başarılarının dışsal geçerliliğini sağlar.
  • [FONT:0]Focus grubu ve röportaj transkriptleri: Adaylık verileri, metin analizlerini kullanarak sonuçları kodlayan öğrenci veya öğretim tartışmalarından elde edilebilir.

Davranışsal Veri ve Katılım

Sonuç elde etmenin doğrudan kanıtları olmasa da, katılım ölçümleri öğrencilerin mücadele edebileceği, proaktif müdahaleye izin veren alanları işaretleyebilir. Anahtar metrikleri şunları içerir:

  • [[D:0.LMS aktivitesi:[Dönder:[Dönder:) Giriş frekansı, içerik erişim kalıpları, atama süresi, forum katılımı.
  • [FONT:0)Attendance ve katılım: In-class nişanı anket araçları veya katılım izleme yoluyla ele alındı.
  • [FONT:0)Time-on-task:[Dönetici:[Dönetici:0) Bazı değerlendirme platformlarından elde edilen Approximate zamanı.
  • [FONT:0]Sosyal ağ analizi: Co-Yazar atamaları, ara sınav katılımı ve takım çalışması sonuçları yansıtan grup işbirliği modelleri.

Demographic ve Contextual Data

Eşitlikli sonuçlar elde etmek için, programlar ayrıca, öğrencilerin cinsiyet, temsil edilen azınlık statüsü, ilk nesil üniversite katılımı ve sosyoekonomik arka plan gibi farklılıkları tespit etmek ve analiz etmelidir.Bu, ABET'in kapsayıcı mükemmelliğe vurgu yapması ve öğrencilerin popülasyonları arasındaki başarıdaki boşlukları belirlemesine olanak sağlar.

Akreditasyon için bir Öğrenme Analytics Altyapısı inşa edin

ABET için bir öğrenme analitik çerçevesini uygulamak dikkatli bir planlama, teknoloji seçimi ve hisse sahibi satın alma gerektirir. aşağıdaki adımlar pratik bir yol haritası çizer.

Adım 1: Map Outcomes to Assessment Points

Her ABET öğrenci sonucuna belirli derslere, ödevlere ve rubrics'e bağlantı sağlayan bir matris oluşturarak başlayın. Her sonuç için, en az iki ila üç doğrudan değerlendirme noktası, müfredata dağıtılan temeldir.Bu haritalama, tüm sonraki veri toplama ve analiz için temeldir.

Adım 2: Veri Koleksiyonu ve Analytics Tools seçin

Doğru teknoloji yığını önemlidir. Birçok kurum mevcut öğrenme yönetim sistemi ile başlar (örneğin, Blood, Blackboard, Moodle) ve aşağıdaki kategorilerle bir araya gelir:

  • [FONT=0)Learning Analytics Platforms:[Dönetici:0)|Döneticileri [FONTT:2)Directus) (birkaç kaynaklı eğitim verileri için özelleştirilmiş olan açık kaynaklı CMS), LMS ürünleri için Tablolama için masaya özgü veya yerleşik analizler için özel paniğe özel paniğe sahip olan özel paniğe özel paniğe sahip olan profillerin oluşturulması için özellikle esnektir.
  • [FONT:0]Assessment Management Systems: AEFIS, Watermark veya canlıRubric gibi platformlar doğrudan sonuçları değerlendirmeyi destekliyor ve öğrenci-outcome-attainment raporları üretiyor.
  • [FONT:0)E-Portfolio Systems: Portfolium, Mahara veya Folio gibi çözümler toplama ve derecelendirme çalışmaları için.
  • [FONT ve Geribildirim Araçları: [Döneticiler, Microsoft Formlar veya yerleşik LMS anket modülleri, dolaylı değerlendirme verileri toplamak için.

Adım 3: Veri Yönetimi ve Gizlilik Politikaları Oluşturma

Öğrenme analizi hassas öğrenci verilerini ele alır. Kurumlar bu adresi net politikalar geliştirmelidir:

  • [FONT:0)Transparency:[Dönetici:[Dönetici:0)Verinin toplandığı, nasıl kullanılacağı ve kendi verilere nasıl erişebileceği.
  • [FONT:0)Konsent ve opt-out seçenekleri: Öğrencilere mümkün olan analitikleri tercih etmeleri için mekanizmalar sağlayın (örneğin, davranışsal izleme zorunlu değerlendirmelere bağlı değildir).
  • [FONT:0)Data security:[[Dönetici:0) transit ve geri kalanı için şifre verileri şifreleyin ve yetkili personele erişim ve FERPA (veya eşdeğer düzenlemeler) ve herhangi bir kurumsal inceleme kurulu gerekliliklerine uymak.
  • [FONT:0)De-identification:[Döneticiler için dışlanmış akreditasyon takımları, bireysel mahremiyeti korumak için veri toplama ve silme.

Adım 4: Tasarım Analytics Dashboards for Stakeholders

Dashboards, farklı eğlence düzeyleri ile farklı izleyicilere hizmet etmelidir:

  • [FONT:0] ⁇ :[DÜDÜT:1] Gerçek zamanlı panolar öğrencilerinin derslerinde nasıl ilerleme kaydettiğini gösteriyorlar, mücadele öğrencileri için uyarılarla.
  • [FONT:0]Program koordinatörleri ve bölüm başkanları:), Sonuç görüşlerini bölüm ve dönemler, trend hatları ve karşılaştırmalar ile karşılaştırmalar.
  • [FONT:0)Accreditation komiteleri: [Dönetici: [Döneticiler: 0,2] Her ABET kriterine harita değerlendirme kanıtlarının tamamını, eserler ve veri yorumlarını destekleyen raporları.
  • [FONT:0)Öğrenciler: [Döneticiler, kendi ilerlemelerini gösteren, ilerleme için güçlü ve alanları tanımlamak (isteğe bağlı olarak)

Adım 5: Sürekli İyileştirme Çevrimlerine Tüm Analytics

ABET akreditasyonu bir zaman olayı değildir; devam eden bir değerlendirme ve gelişme gerektirir. Öğrenme analizi, resmi sürekli bir gelişme sürecine (her bir dönem veya yıl, ABET sonuçları elde eden verilere göre, boşlukları tanımlamak ve uygulamak gerekir - atamaları değiştirmek, güncellemek, ön koşullar değiştirmek veya her değişikliği ve rasyonelliği sunmak için.

Bir Öğrenme Analytics-Enabled Akreditasyon Sürecinin Pratik Faydaları

ABET için analitik öğrenmeye yatırım yapan kurumlar, yalnızca tatmin edici akreditasyon gereksinimlerinin ötesinde birkaç önemli avantaj rapor eder.

Data-Driven Decision Making

Örneğin, öğrencilerden yalnızca yüzde 60'ının üst düzey tasarımda “etik bir neden” için sonuçlandığını ortaya koyarsa, fakülte, aşağıdaki yıl boyunca yeni bir etik modül tanıtabilir ve ilerlemeyi takip edebilir.

At-Risk Öğrencilerinin Erken Tanımlanması

Katılım panoları, danışmanlar ve fakültenin yarıyıl başlarında gerçekleşen puanlara geri düşen öğrencilere izin veriyor. Interventions - öğretmenlik, mentorluk veya çalışma grupları gibi - son değerlendirmelerden önce konuşlandırılıyor, öğrenci başarısını geliştiriyor ve sonuçları karşılamaya başarısız olan öğrenci sayısını azaltabiliyor.

Akışkan Akreditasyon Hazırlıkları

İyi tasarlanmış bir analitik sistemle, bir akreditasyon kendi kendine özgü bir rapor için gerekli kanıt zaten organize edilir ve bugüne kadar kayıt ve derleme verileri toplamak yerine, ziyaret etmeden önce, ekipler rapor verebilir.Bu stres, analiz ve hikaye anlatımı için daha fazla oda bırakabilir.

Geliştirilmiş Program Benchmarking

Zamanla, birikimli analiz verileri, bölümlerin farklı ders bölümler, dönemler veya hatta akran kurumları (veya veri paylaşımı anlaşmaları var) ile ilgili en iyi uygulamaları ve alanları iyileştirmeyi düşünebilir.

Bir Kalite Kültürüne Etkisi

ABET evaluatörler, bir programın sistematik, kanıt tabanlı kalite güvencesine sahip olduğuna dair daha fazla değer kanıtlamaktadırlar. Kurumın akreditasyonu ciddiye aldığı ve veride sürekli iyileşmeye karar verdiği konusunda sağlam bir öğrenme analizi programı sinyalleri.

Öğrenme Analytics'i Uygulamayı Ne Zaman Etkiler ve Tahminler

Yararlara rağmen, kurumlar akreditasyon için analitik dağıtmada birkaç engelle karşı karşıyadır. Bu zorlukların farkında olmak etkili bir şekilde planlamanıza yardımcı olabilir.

Data Silos ve Entegrasyon Kompleksi

Öğrenci verileri genellikle ayrı sistemlerde yaşar - LMS, öğrenci bilgi sistemi (SIS), e-portfolio platformu ve üçüncü taraf değerlendirme araçları. Bu kaynakları ortak bir analitik boru hattına entegre etmek teknik olarak talep edilebilir.Profesyonel bir eğitim verileri depoları gibi esnek bir veri platformu kullanarak, API geliştirme ve veri haritalarında yatırım gerektirir.

Fakülte Satın Al-In ve Eğitim

Fakülte değerlendirme uygulamalarına değişiklikler koyabilir, özellikle de analitikleri gözetim veya ek bir idari yük olarak algılarsa.Bu, analitiklerin öğretimi nasıl destekleyeceği konusunda net bir iletişim gerektirir (bunda değerlendirmez), sonuçlanmış rubricler oluşturma ve pano aletleri kullanarak profesyonel gelişim boyunca.

Rubric Quality ve Consistency

Öğrenme analizi sadece en büyük kullanılan veriler kadar iyidir. Eğer rubrics kötü tasarlanmışsa, sonuçlara uyumlu değildir veya eğitmenler tarafından tutarsız olarak uygulanırsa, sonuçlanabilir kanıtlar dikkate alınmayacaktır.Profesyonel rubric kullanımının norming seanslarında yatırım yapın ve tutarlılığı artırmak için otomatik puanlamaları dikkate alın.

Overwhelming Data Volume

Düşünceli tasarım olmadan, analitik panjurlar, karar vericilerin bilgi aşırı yüklemesinden muzdarip birçok ölçüm sunabilir.Her öğrenci sonucuna doğrudan bağlantı sağlayan küçük bir dizi anahtar performans göstergelerine odaklanın ve gerektiğinde daha derin analiz için matkap seçenekleri sağlayabilir.En kritik bulguları vurgulamak için veri hikaye anlatımından tasarım ilkeleri kullanın.

Anum

Akreditasyon döngüleri uzundur (tipik olarak altı yıl). Sistemin aktif ve değişen kriterlerle buharı kaybetmesi için analitik girişimler için yaygındır. Hızlandırma, analitikleri düzenli akademik yönetime taşır - bölüm toplantıları, müfredat komitesi yorumları ve yıllık program raporları gibi.Sistemin aktif ve evrimleştiğini sağlamak için özel bir analitik koordinatörü veya komite.

Gerçek Dünya Örnekleri ve Vaka Çalışmaları

Birkaç kurum ABET akreditasyon süreçlerine analitik öğrenmelerini başarıyla entegre etti. Özel ayrıntılar değişirken, ortak temalar ortaya çıkıyor.

Midwest'deki büyük bir kamu mühendisliği okulunda, üst düzey tasarım capstone kursu, otomatik olarak etiketlenen bir dijital teslim sistemi dahil etmek için yeniden tasarlandı (a) kendi kendine (a) teslim edilen (k) Rubric puanları fakülte ve endüstri mentorları tarafından yapılan özel bir panoya benzer şekilde verildi.

Daha küçük bir özel mühendislik üniversitesi, her yıl yapılan bir e-portfolio platformu ve bir öğrenme analiz aracının, bir dersin değerlendirme sonuçları bölüm ortalamasından daha düşük olduğu zaman, bir müfredat incelemesine yol açan "toplama raporları" kuşağını otomatikleştirdi.

Başka bir önemli örnek, önceki akreditasyon döngüsünde belirlenen belirli bir zayıflığa hitap etmek için analitik öğrenen bir üniversiteden geliyor: öğrenci sonuçları (d) - “çok disiplinli takımlarda işlev kurma yeteneği” LMS tartışma forumlarından ve akran değerlendirme puanlarından elde edilen verilerle, program birçok öğrencinin takım projelerinde eşit olarak yer almadığını tespit etti.

Analitik ve akreditasyonun alanı gelişmektedir. Program liderleri bu ortaya çıkan gelişmeler için izlemelidirler.

Yetkinlik temelli Eğitim ve Mikrocredentials

Daha fazla mühendislik programı rekabet temelli eğitim (CBE) olarak kabul edilir ve dijital kötüler veya mikrocredönemler sunar, öğrenme analizi bu modellerde kanıt sağlamak için daha fazla sayıda olacaktır.

Yapay Zeka ve Tahmin Edici Analytics

Makine öğrenme modelleri, öğrencilerin bir dersin sonunda uzun süre spesifik sonuçlara ulaşma riski altında olduklarını tahmin edebilir.Bu tahmin edici analiz, otomatik müdahale önerileri ile birlikte, bu tür araçları etik olarak kullanmaları gerekir, önyargıdan kaçınmalıdır ve bu tahminlerin desteklenmesi için kullanılmaması gerekir.

Gerçek- AkreditasyonTime Dashboards

Bir sonraki akreditasyon yazılımı muhtemelen site ziyaretleri sırasında görüntülenebilir, interaktif panjurlar sunacak. Bu, statik PDF raporları dinamik veri görselleştirmeleri ile değiştirir ve önceden yapılan belge hazırlığının yükünü azaltır.

Interoperability Standards

IMS Global Learning Consortium'un [[0)Caliper Analytics) standart ve OneRoster spesifikasyonu, eğitim araçları arasındaki verileri değiştirmek için daha kolay hale geliyor. Bu standartlarda, öğrenme analizinin entegrasyonu daha basit hale gelecektir, daha küçük kurumlar için teknik bariyeri azaltır.

Başlayın: Pratik Bir Eylem Planı

Programınız bu yolculuğun başındaysa, aşağıdaki kısa vadeli adımları göz önünde bulundurun:

  1. [FONT=0]Denetmen şu anki değerlendirme uygulamaları:[Dönetici:0) Hangi derslerin zaten sonuçlanmış ödevleri ve rubricleri olduğunu tespit edin. Veriler zaten yakalandığını belirleyin (el olarak bile).
  2. [FONT:0) Bir çapraz işlev ekibi oluşturur:[Dönetici:[Dönetici: 1) Fakülte, danışmanlar, IT personeli, değerlendirme koordinatörleri ve inisiyatifi kazanan bir yönetici.
  3. [FONT:0) Bir pilot kursu veya sonuç seçin: Her şeyi bir kere dönüştürmeye çalışmak yerine, tek bir ders veya analiz değerini göstermek için tek bir sonuç seçin.Küçük bir paniğe ve geri bildirim toplamak.
  4. [FONT:0] esnek bir veri platformuna bağlı olarak: Doğrudanus veya ticari çözümler gibi açık kaynaklı seçenekler, kurumun veri şemanıza özelleştirmenize izin veren.
  5. [FONT:0) Erken ve sık sık iletişim:[Dönetici:[Dönetici: 1) Öğretim, öğrenciler ve danışmanlık kurulları ile görüşünüzü paylaşın. Transparency güven yaratır ve direniş azaltır.
  6. [FONT:0] Sürekli iyileşme için planlayın:[Dönetici: 0,3] Normal bir inceleme döngüsü kurmak - merkezi veya dönem tabanlı – veri analiz edilir, eylemler tartışılmaktadır ve değişiklikler belgelenir.Bu ritim akreditasyon sürecinizin kalbi haline gelecektir.

Bu adımları atarak, programınız manuel olarak hareket edebilir, stresli bir akreditasyon hazırlığı sadece ABET gerekliliklerini yerine getirmeyen, ancak aynı zamanda gerçekten öğrenci öğrenmesini geliştirir. Öğrenme analizi sihirli bir çözüm değildir, ancak pratikte düşünüldüğünde, eğitim mükemmelliği ve profesyonel hesaplanabilirliği peşinde güçlü bir müttefik olur.