Loading article…
学術分析とは、報告や意思決定のために大学システムから受け取った組織データを評価・分析するプロセスと定義される（Campbell & Oblinger、2007）。学術分析は、学生と教員がキャリアと職業上の道筋を追跡するのに役立ちます。キャンベルとオブリンガー（2007）によると、認定機関、政府、保護者、学生は皆、学生の成功を改善および監視するための新しい近代的で効率的な方法の採用を求めています。これにより、高等教育システムは、さまざまな利害関係者からの監視が強化される時代へと突入しました。たとえば、ブラッドリーレビューでは、学生の関与などのベンチマーク活動が、教育機関の質を測る指標として機能することを認めています（オーストラリア連邦政府、2008）。
競争の激化、認定、評価、規制は、高等教育における分析の導入を促進する主な要因である。高等教育機関は、学生の離脱や定着といった問題の解決に大きく役立つ重要なデータを多数収集しているが、収集されたデータは適切に分析されておらず、有用なデータに変換されていない（Goldstein、2005）。
その結果、高等教育機関の指導者は、利用可能なデータを適切に活用・分析することで達成できるはずの不十分な情報に基づいて、重要かつ不可欠な意思決定を強いられることになる（Norris、Leonard、& strategic Initiatives Inc.、2008）。これが戦略的な問題を引き起こす。この後退は戦術レベルでも現れる。高等教育機関での学習と教育は、多くの場合、多様で複雑な経験である。教師、学生、コースはそれぞれ全く異なる。
しかし、LMSはそれらすべてを管理する役割を担っています。LMSは学術分析の中心であり、学生と教職員一人ひとりの情報を記録し、システム内でクリック操作を実行します。この重要な情報が追加され、さまざまな企業情報システムと比較検討されることで、教育機関は競争優位性を獲得するために活用できる膨大な量の有用な情報を得ることができます（Dawson & McWilliam、2008年、Goldstein、2005年、Heathcoate & Dawson、2005年）。
機関の情報源、すなわち LMS から有意義な情報を取得するには、教育効率を基準として情報を正しく解釈する必要があり、この作業には学習と教育のスキルを持つ人々による分析が必要です。したがって、データを管理する人々とそれを解釈する人々の両方による協力的なアプローチが必要であり、そうでなければデータは全く無駄のままになります (Baepler & Murdoch、2010)。[ 1 ]意思決定は、最も基本的なレベルでは、推測または直感に基づいています(人はデータ分析を行わなくても経験に基づいて結論や決定を下すことができます) (Siemens & Long、2011)。しかし、高等教育機関で行われる多くの決定は、逸話、推測、または直感に基づくにはあまりにも重要であり、重要な決定はデータと事実によって裏付けられる必要があります。
「ビジネスインテリジェンス」とも呼ばれるアナリティクスは、企業が大量の情報やデータを収集・分析できるようにする新しいソフトウェアやハードウェアとして登場しました。アナリティクスのプロセスは、データの収集、分析、操作、そしてその結果を利用して「なぜ」といった重要な疑問に答えることから成り立っています。アナリティクスは、高等教育機関の入学選考部門で最初に適用されました。これらの機関は通常、多数の応募者の中から学生を選抜するためにいくつかの数式を使用していました。これらの数式は、高校の成績証明書や標準化されたテストのスコアから情報を取得していました。
今日の世界では、分析は資金調達や入学などの管理部門で一般的に使用されています。学生の成功と説明責任に対する懸念がますます高まっているため、学術分析の使用と応用は拡大する見込みです。学術分析は主に複雑で膨大なデータを予測モデリングと統計的手法と組み合わせることで、より良い意思決定を実現します。現在の学術分析の取り組みは、困難を抱えている学生を予測するためにデータを使用することに重点を置いています（Arnold、& Pistilli、2012年4月）。[ 2 ]これにより、アドバイザーと教員は、学生の学習ニーズを満たす手順を調整することで介入することができます（Arnold、2010）。[ 3 ]このように、学術分析は学習、学生の成功、および教育を改善する能力を備えています。分析は、予測、モデリング、および意思決定の改善能力があるため、教育機関にとって貴重なツールとなっています。
分析は、把握、報告、予測、行動、改善という5つの基本的なステップで構成されます。
データの取得：すべての分析活動はデータを中心に行われます。そのため、学術分析は、CMSや財務システムなどのさまざまなソースからのデータに基づいて行うことができます（Campbell、Finnegan、& Collins、2006）。さらに、データはスプレッドシートなど、さまざまな形式で提供されます。また、データは機関の外部環境からも取得できます。データを取得するには、学術分析では、利用可能なデータの種類、データを活用する方法、およびデータの形式を特定する必要があります。
レポート：データが収集され中央の場所に保存された後、アナリストはデータを調査し、クエリを実行し、データによって示されるパターン、傾向、および例外を特定します。標準偏差と平均（記述統計）が主に生成されます。
予測：統計的手法を用いてデータウェアハウス内のデータを分析した後、予測モデルが開発されます。これらのモデルは、質問の性質やデータの種類によって異なります。確率を算出するために、これらのモデルは統計的回帰の概念と手法を採用します。予測は統計アルゴリズムを用いて行われます。
行動：分析の主な目的は、機関が確率と予測に基づいて行動を起こせるようにすることです。これらの行動は、発明から情報まで多岐にわたります。問題に対処するための介入は、教員アドバイザーからの学習リソースやスキルに関する個人的なメール、電話、または自動連絡（オフィスアワーやヘルプセッションなど）の形をとる可能性があります。言うまでもなく、機関は、学生が招待されたヘルプセッションに実際に参加したかどうかなど、影響を測定するための適切なメカニズムを考案する必要があります。
改善点：学術分析は、自己改善を目的としたプロセスで構成されるべきである。プロジェクトの影響測定は一度きりの静的な取り組みではなく、継続的な取り組みであるため、統計プロセスは継続的に更新されるべきである。例えば、入学に関する分析は毎年更新または改訂されるべきである。
分析は、経営幹部、学生、教職員、ITスタッフ、学生支援スタッフなど、あらゆる関係者に影響を与えます。学生は学業分析が成績にどう影響するかを知りたいと思う一方、教職員は情報やデータを他の目的にどのように活用できるかに関心を持つでしょう（Pistilli、Arnold、Bethune、2012）。さらに、職員は分析によって業務を効果的に遂行する方法に関心を持ち、学長は新入生の定着率向上と卒業率向上に注力するでしょう。
分析は、プロファイリングなど様々な理由で批判されてきた。その主な用途は、学生を成功者と失敗者に分類することである。しかし、学生のプロファイリングは人々の行動や期待に偏りをもたらす傾向があると主張する人もいる（Ferguson、2012）。さらに、高等教育機関において、どのようなプロファイリングを禁止または許可すべきかについての明確なガイドラインは存在しない。