数据如何改变大学体验——《华尔街日报》

为了让大学生保持快乐并专注于学业，乔治亚州立大学的管理人员求助于一位拥有蓝色皮毛和锋利牙齿的校园标志性角色：学校的吉祥物Pounce。

现实中，Pounce是比赛日里毛茸茸的拉拉队员，为校队运动员加油助威。而在虚拟世界，这个吉祥物化身为搭载人工智能的聊天机器人。

2016年夏季，虚拟版Pounce面向新生推出，学生可随时发送短信咨询助学金、注册、住宿、招生和学业指导等问题，短短数秒内就能获得解答。三年后，Pounce向全校学生开放，功能进一步扩展——不仅能回答问题，还能主动发起互动。例如，当系统判定某学生可能挂科或辍学时，聊天机器人会及时介入。

“通过预测分析，我们能及早识别风险因素，而不是坐等学生自行解决问题，“亚特兰大乔治亚州立大学学生成功研究院执行主任蒂莫西·M·雷尼克解释道。由于聊天机器人使用自然语言交流，“学生们逐渐把Pounce视为朋友，“他补充道。

毕业导航者

在高校运用应用程序和分析工具吸引生源、助力学生完成学业及职业发展方面，乔治亚州立大学始终走在前列。总部位于华盛顿特区的非营利组织"高等教育学生事务管理者协会"研究政策副总裁阿米莉亚·帕内尔指出，这些数字化举措旨在服务所有学生，但对帮助黑人、拉丁裔和原住民学生获得学位尤为有效。

去年，NASPA通过其首届虚拟创新奖表彰了全美各高校在疫情期间及后疫情时代为帮助学生所做的卓越努力。获奖者之一的圣地亚哥州立大学通过数据分析，识别出截至三四月份仍未注册秋季学期的学生——这是他们可能面临辍学风险的早期预警信号。随后，由大学工作人员和同伴导师组成的团队会通过电话、短信和邮件联系这些学生。疫情初期，他们发现电脑设备和稳定的网络连接是这些学生进行远程学习时普遍面临的障碍。为此，该校发放了数百台笔记本电脑和网络信号增强器。

该校还通过在线交流与资源门户定期收集学生数据，分析出无力承担食宿费用的学生群体，并为他们提供紧急经济援助。

许多学校在技术应用上仍显滞后。麦肯锡咨询公司专注高等教育领域的合伙人Charag Krishnan指出，约20%-25%的高校尚未部署数据分析应用，原因包括预算限制或教职员工支持不足。他补充说，另一些学校虽数据储备丰富，但措施缺乏连贯性。

尽管如此，疫情爆发加速了数据分析工具的应用，使学校能够将学生支持服务延伸至课堂之外。例如乔治亚州立大学的聊天机器人能识别"触发词”，并立即将学生文本转接给危机处理专员。Renick博士表示：“有学生向聊天机器人透露抑郁或自杀倾向”，尽管他们从未寻求过心理咨询。

去年秋天，佐治亚州立大学一名大二学生收到聊天机器人的关怀信息后回复道：“是啊，压力特别大，尤其是心理健康恶化加上失去求生欲望哈哈。“几分钟内，校方工作人员立即跟进联系该生，为她安排了校园心理咨询师和学业顾问对接。“我当时需要倾诉对象，但不知道找谁。聊天机器人正好解决了这个问题，“这位来自尼日利亚的第一代大学生表示。

雷尼克博士指出，许多学生反馈在倾诉问题时更倾向聊天机器人非人格化的特性。“他们会透露’刚失业买不起教材’这类隐私细节，“他解释道，“而我们95%的情况下都能提供解决方案。”

成绩证明成效

佐治亚州立大学正在特定课程测试消息推送系统。去年秋季，选修美国政治必修课的学生被随机分组，部分接收课业提醒短信，部分则不接收。这些信息涵盖作业截止提醒、学习技巧、模拟试题，甚至直接为教授收集课程反馈。

校方数据显示，接收消息的学生获得A/B等成绩的比例显著高于未接收组。其中第一代大学生收信组的期末成绩平均比未收信对照组高出11分。“这相当于整整一个等级的提升，“雷尼克博士强调，“真正实现了教育公平。”

收到这些短信的学生之一是佐勒-卡尔纳因·侯赛因，他20岁，来自佐治亚州德卢斯，是一名计算机信息系统专业的大二学生。他表示自己在政府课程上并不吃力，但很欣赏聊天机器人的支持。“这让我们感觉老师在主动联系我们并试图帮助我们，“侯赛因先生说，“这大大提升了士气，让我们保持警觉。”

同样，圣地亚哥州立大学利用数据分析来识别那些学生获得D或F成绩或完全退课率较高的课程——通常是针对大一和大二学生的入门课程。通过学校的消息系统，鼓励这些课程的学生参加补充教学课程，这些课程由之前上过该课程的学生带领。

圣地亚哥州立大学的入学日，该校因其虚拟学生服务而获奖。照片：Bing Guan/彭博新闻来自加利福尼亚州雷东多海滩的圣地亚哥州立大学学生迪根·罗克，在大一化学课上通过学校的消息系统了解到并参加了多次补充课程。“这是一个很酷的方式，可以认识其他学生并找到一起学习的人，“她说，“作为大一新生，很难主动走出去认识其他人。”

现年22岁、主修运动机能学的大四学生罗克女士表示，补充教学是她最终获得A成绩的"重要因素”。除了上课外，她还担任学校补充教学项目的管理员，该项目因其有效性而持续增长。

去年秋季对微积分入门课程成绩的分析发现，参加四次或以上补充教学课的学生通过率为100%。参加一到三次课程的学生中，75%通过了考试。而未参加任何课程的学生中，超过一半获得了D或F等级或选择退课。

更多进展

在数据分析的下一阶段，部分高校正在探索或实施先进的机器学习应用，这些应用能够分析学生群体多达150项的历史数据特征。通过理解这些特征间的关联及其与学生表现的相互关系，学校可以根据学生需求提供个性化支持。

例如，佐治亚州立大学发现，经济学专业学生在首门数学课程中若获得B-以下成绩，其毕业概率极低。“这并非新数据，但我们正在更主动地利用数据，“雷尼克博士表示，“让我们在你面对经济学高难度课程前，先为你提供数学方面的支持。”

数据分析在招生环节同样能发挥作用。麦肯锡四月份发布的报告详细记录了一所小型学院优化营销资源配置的实践。通过机器学习技术，该未具名高校建立了最可能申请的高中毕业生典型画像。报告显示，针对前10%最可能申请的学生群体进行精准营销，最终贡献了约90%的实际申请人。

所有这些数据分析引发了关于学生隐私和数据泄露的担忧。一项针对美国71所高校超过1.6万名本科生的调查显示，49%的受访者同意或强烈同意"我相信我的学校会以道德和负责任的方式使用我的个人数据"这一说法，而17%的人不同意或强烈不同意。然而，约半数学生表示不了解他们的个人数据如何被使用。这些发现发表在非营利组织Educause（专注于高等教育信息技术）2020年的技术报告中。

Educause在建议中提出，高校应告知学生正在收集哪些数据以及如何保护这些数据。该机构还表示，对于非教育认证机构强制要求的数据收集项目（认证机构负责确认学校是否达到最低学术标准），应允许学生选择退出。

德卡波女士是南卡罗来纳州的作家。联系方式：[email protected]。

刊载于2022年8月22日印刷版，标题为《大数据走进大学》。