在高等教育中，预测分析通常从机构随时可获得的有关其学生的数据中得出：成绩，出勤率，在线学校相关活动，甚至历史和人口统计信息。

但是，一所大学正试图纳入非结构化数据 - 特别是大学入学论文 - 来预测学生坚持和按时毕业的可能性。

“我们一直认为叙事数据中可能存在我们没有窃听的情报，”东卡罗来纳大学教务长兼高级副校长Ron Mitchelson说。

东卡罗来纳大学正在与IBM的人工智能平台Watson合作，探索自然语言处理技术如何能够增强他们现有的提高毕业率的努力。

根据国家教育统计中心的数据，37%的全日制学生在四年后从ECU毕业。学校的整体保留率，即第一次返回继续学习的学生，即83%。Mitchelson说学校希望将这个数字提高到85%到90%。

该大学已经查看了学生数据，如成绩或学生与Blackboard(学校的教学平台)互动的频率。这些系统捕获结构化数据，Mitchelson认为该学校“可能已经准备好进行分析”。

但是，当谈到更细致，基于语言的数据时，教务长说，“有很多非结构化的叙述数据，我们无法检索和分析，IBM将帮助我们。”特别是Mitchelson表示，学校有兴趣了解入学论文中使用的语言是否“可能表明学生对上学的感受以及他们的承诺水平”。

为了从招生文章中获取数据，Watson将用于分析和寻找文本中的模式，例如具有情感内涵的关键词，并可以建议学生如何在学校中坚持下去，IBM高级副合作伙伴Richard Strasser说。教育咨询。根据Strasser的说法，这些数据随后会变成结构化数据，并带来“相关风险”。

研究高等教育预测分析的研究人员表示，入学论文和自然语言处理可以帮助识别可能有辍学风险的学生，特别是在他们的第一年。

“当学生第一次来到校园时，学院真的很挣扎，因为他们只有很多关于他们的信息，”新美国教育政策项目的高级政策分析师Iris Palmer说。“他们关注人口统计数据或学生来自哪所高中或社区。但是这些信息非常有限，并且不能很好地预测[保留]。“

她说，如果学校官员和技术专家仔细设计学生的干预措施，并围绕隐性偏见培训员工，将语言处理技术应用于招生数据可以提供有关学生的宝贵见解。

然而，帕尔默并非毫无顾虑。特别是，她警告说，从入学文章收集的预测数据可能会影响学生被录取的可能性或获得多少经济援助，进一步加剧了高等教育的不平等。她还撰写了多份关于使用预测分析的风险的报告，包括它如何“可以帮助歧视性做法，使机构实践不那么透明，并使弱势个人的数据隐私和安全。”

ECU的Mitchelson表示，该技术不会用于制定注册决策，他知道“对预测分析的部署有极大的敏感性。”

他还认识到IBM对技术本身的担忧。例如，“ 华尔街日报”最近报道说，在将数十亿美元用于使用Watson进行癌症研究和治疗肿瘤学之后，“没有任何已发表的研究显示Watson可以改善患者的治疗效果。”

当被问及该技术在医疗保健方面的缺陷是否会影响其教育工作时，该公司在一封电子邮件中回复说：“IBM从未回避过巨大的挑战，我们知道它们不会在一夜之间发生，也不容易。”

Mitchelson说，他的团队一直在与其他大学就他们部署预测分析的方式进行对话，他看到了这项技术如何帮助学生以及加剧问题的例子。

还有许多工作要做。该大学尚未设计顾问如何访问数据或干预被标记为有风险的学生。校园官员和IBM正在努力首先分析论文数据 - 教务长表示，一旦数据可用，该大学将增加更多的人工顾问。目前，学校招收了近29,000名学生和约60名全职学术顾问，以支持他们。

“我们不会将这些工具视为[人类顾问]的替代品，”米切尔森说。“我们将增加顾问人数，但也会对其进行重组。”

Strasser补充说，对于顾问应如何对数据采取行动，IBM试图“在涉及解决方案时尽可能不可知”。

IBM合作伙伴关系是东卡罗来纳大学的四人制完成计划的一部分，该计划是一项校园范围的计划，旨在提高四年内完成专业的学生比例。其他努力包括放宽登记和重组学位课程。

在东卡罗来纳大学开始围绕入学论文和其他非结构化数据设计干预措施之前，至少还需要一年时间。米切尔森说：“我们对此采取的做法非常缓慢和谨慎。” “我们正以一种对校园有意义的速度实现这一目标。”