Аналитика больших данных в образовании: как мы определяем, что нужно студенту
НИУ ВШЭ — лидер среди российских вузов по количеству очных онлайн‑программ и обучающихся на них студентов. В 2013 году были запущены первые онлайн‑курсы на базе университета, а через 7 лет открылся набор на первую программу онлайн‑магистратуры. В 2024 году запущено 28 онлайн‑магистратур и 5 онлайн‑бакалавриатов.
В активном развитии онлайн‑высшего образования вузу помогает применение аналитики больших данных, которая, например, позволяет спрогнозировать потенциальный набор на программы магистратуры и выявить наиболее востребованные компетенции. Как это работает?
Роль больших данных в современном вузе
В 2023 году российский рынок предлагал 492 программы высшего образования в онлайн‑формате от 39 «провайдеров» — государственных университетов, частных вузов и EdTech‑платформ. Год от года конкуренция растет, каждому «провайдеру» приходится принимать все больше решений при формировании линейки программ, их продвижении и реализации.
Лидерами рынка станут те акторы, которые научатся использовать не только экспертные мнения своей команды для принятия решений, но и собирать, структурировать, анализировать данные на всех этапах жизненного цикла программ для оптимизации затрат и повышения качества своих образовательных продуктов.
- Россияне впервые за восемь лет снизили зарплатные ожидания
- Мировой тренд: ИТ‑специалисты теряют интерес к работе из‑за внедрения ИИ
- Бизнес в России перестает удерживать увольняющихся сотрудников
- Дата‑центр Яндекса в Калуге поврежден из‑за атаки БПЛА
- Яндекс Маркет завершил реферальную программу для селлеров
- Сумма штрафов бизнесу за нарушения при найме мигрантов выросла на 22% за год
Как мы работаем с большими данными?
В 2023 году в Высшей школе экономики появился собственный цифровой кампус — «Вышка Онлайн», где сосредоточены онлайн‑программы бакалавриата, магистратуры и дополнительного образования. Нам было важно просчитать потенциальный поток студентов, чтобы узнать, какие программы были бы наиболее востребованы в онлайн‑формате. Мы разработали модель машинного обучения, которая позволила нам выявить корреляции и закономерности в наборе и даже предсказать, каким он будет в сезон подачи заявлений на поступление.
В построенной модели крайне важно выделить два ключевых этапа.
Сбор, очистка и подготовка данных для модели. Для этого мы собрали основные признаки программ, которые могут быть важны при выборе для абитуриента. Например: название программы, наличие бюджетных мест, направление подготовки, стоимость стоимость обучения, ключевые результаты в части осваиваемых компетенций и другие характеристики. Также в модель были загружены данные приемных кампаний последних лет.
Генерация и проверка гипотез. Исходя из бизнес‑вводных, например, идей в части запускаемых программ от разных структурных подразделений, задач по балансу линейки продуктов, по набору студентов на определенные программы, мы сформулировали гипотезы, которые затем исследовали с помощью построенной модели. Например, это помогло вычислить корреляцию между исследуемым списком признаков и набором абитуриентов.
Так, одним из результатов исследований в этом году стал инсайт, что среди всех направлений программ больший успех будут иметь продукты, связанные с психологией. На основе этого вывода было принято решение о запуске магистратур по психологии в онлайн‑формате.
По итогам тестирования модели на данных прошлых наборов мы выяснили, что она способна предсказывать количество абитуриентов, поступающих на программу, с точностью до десяти человек по метрике MAE.
Помимо задачи формирования портфеля программ, мы используем анализ данных и модели машинного обучения, включая большие языковые модели, часто именуемые ныне как «ИИ», на этапе продвижения программ. Например, это помогает с анализом конверсий на лендингах, решением по распределению рекламных средств по каналам, рекомендациями бота, у которого абитуриент может узнать какие программы ему больше всего подходят. Конечно, это полезно и на этапе реализации программ — бот онбординга для студентов умеет отвечать на текстовые вопросы пользователей в свободной форме.
Результат применения таков, что уже сейчас мы можем ориентироваться на данные сразу в нескольких задачах: запуск программ и распределение маркетинговых бюджетов между ними. Кроме того, data‑driven подход помогает улучшить и уже существующие программы и рекламные кампании, предоставляя данные лендингов, названий и описаний с точки зрения их привлекательности для потенциальных абитуриентов.
Перспективы применения
В научной фантастике, которая в наши дни звучит уже не так фантастично, можно найти много картин того, как большие данные и ИИ изменят образование. Сейчас в мире идет широкое экспертное обсуждение о том, как использовать большие языковые модели и другие модели машинного обучения внутри образовательного процесса, например, в качестве персональных тьюторов, для составления задач и их оценивания, для многомодального обучения, в котором есть аудио, видео, тексты. Но важно не забывать также и о «внутренних процессах», которые не видны обучающимся и сторонним наблюдателям.
Анализ данных, применение к ним моделей машинного обучения — сильнейший инструмент для команд, создающих продукты. Чтобы работать с большими данными, нужно четко понимать, для чего именно они нужны. Без конкретных бизнес‑задач и гипотез — это просто набор различных фактов и паттернов.
В нашем случае мы ориентировались на увеличение эффективности принятия управленческих решений, через призму увеличения набора на программы онлайн‑кампуса НИУ ВШЭ. Также мы ведем работу над тем, чтобы машинное обучение и большие данные помогали оптимизировать затраты.
Так, модель, которая с каждой приемной кампанией будет все лучше понимать спрос и корректировать предложение, позволит оптимизировать экономику продуктовой линейки, показывая нам, что именно хотят абитуриенты, на какие программы стоит сделать наибольшую ставку. При этом, данный подход к запуску продукта работает не только в образовательный сфере, но и для бизнеса в любой нише.
Конечно, в масштабах всего образовательного рынка такая цифровая трансформация проходит неравномерно, и если где‑то технологии сопровождают весь образовательный опыт студента, то в некоторых государственных и частных вузах только начинается цифровизация и автоматизация процессов. И тем не менее, интеграция в цифровой мир — необходимое условие для выживания провайдеров высшего образования. Новые технологии делают многие процессы удобнее, понятнее и эффективнее, причем не только для студентов и преподавателей, но и для команд, разрабатывающих новые образовательные продукты.
'%20fill='none'/%3e%3cpath%20fill='%23ffdd2d'%20d='%20M%20104.72%200.00%20L%20112.15%200.00%20Q%20106.48%207.74%20100.12%2014.37%20C%2091.89%2022.97%2081.81%2029.47%2071.49%2035.26%20Q%2061.95%2040.62%2051.54%2043.77%20C%2044.52%2045.90%2036.57%2046.85%2028.99%2047.67%20Q%2027.29%2047.86%2025.66%2047.43%20Q%2025.42%2047.37%2025.35%2047.61%20L%2025.26%2047.91%20A%200.45%200.44%2017.2%200%200%2025.56%2048.47%20C%2028.12%2049.22%2035.16%2050.72%2036.90%2052.43%20Q%2038.92%2054.39%2036.21%2054.48%20Q%2033.33%2054.58%2029.50%2053.79%20Q%2019.39%2051.71%209.25%2049.83%20C%207.27%2049.47%205.11%2048.66%203.49%2047.83%20Q%200.61%2046.36%203.73%2045.50%20Q%204.67%2045.25%206.46%2044.38%20Q%2010.76%2042.31%2026.76%2034.35%20C%2030.51%2032.48%2037.88%2029.46%2041.00%2033.59%20A%200.92%200.91%20-35.3%200%201%2040.77%2034.91%20L%2029.13%2042.42%20Q%2027.57%2043.42%2029.42%2043.22%20C%2053.59%2040.61%2073.35%2028.09%2091.94%2013.14%20Q%2099.20%207.31%20104.72%200.00%20Z'%20/%3e%3c/svg%3e)
Как использование больших данных помогает принимать важные решения в ваших проектах?
Яков, было интересно?)
Яков, ответы на какие вопросы хотел бы узнать? :)
Как‑то очень быстро закончилась статья.