详细内容或原文请订阅后点击阅览
机器学习技术正在改变机构如何理解学生的反馈
传统的理解学生反馈的方法需要时间和技能，可以更好地部署在其他地方。利维亚·斯科特（Livia Scott）和黛比·麦维蒂（Debbie McVitty）探索了辅助技术如何改善调查的鲁棒性。
来源:Wonkhe | 高等教育政策、人物与政治机构花费大量时间调查学生对他们的学习经历的反馈，但是一旦您处理了数字，就很难解决“原因”。
定性信息机构收集的是关于推动标题反馈号码的情感和特定经历的洞察力。当学生特别积极时，它有助于知道为什么，传播良好的实践并将其应用于不同的学习环境。当学生对经验的某些方面负面评分时，重要的是要了解感知到的差距，遗漏或不公正的确切性质，以便可以解决。
任何认真的模块负责人都会在模块反馈调查中关注学生的评论 - 但是，一旦您开始跨越模块以进行编程或队列级别，或者对NSS，PRES或PTE等大规模调查，定性数据的规模就会使肉眼变得不知所措。即使是最认真的读者，也会发现偏见的设定，因为有趣或出乎意料的评论往往会被预示着，因为对磨坊运行的评论具有更大的解释力。
定性数据的传统编码方法要求某人（理想情况下是一个以上的人）手动分解对可以为主题和情感编码的条款或陈述的评论。这很健壮，但非常费力。对于学生的调查工作，目标可能是对反馈做出回应并在速度上进行改进，因此机构开放，这种强大的分析很少是标准实践。尤其是随着资源变得更加限制，将数小时的时间用于这种详细的方法论工作很少是优先事项。
让我打你的想法
学生声音AI 评论学生的主题和类别 对研究生研究学生相同结果在
本文与Evasys联合发表。
本文与evasys