An analysis of university ranking systems using an unsupervised machine learning-based ranking framework
Cette étude propose un cadre d'apprentissage automatique non supervisé utilisant l'analyse en composantes principales et l'analyse factorielle pour valider et améliorer la transparence et la stabilité des classements universitaires en dérivant des facteurs latents et en appliquant des poids équilibrés, démontrant ainsi que si les rangs individuels fluctuent, les modèles de distribution globaux des meilleures universités australiennes restent cohérents avec des systèmes établis tels que THE et QS.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Chaque année, des millions d'étudiants et leurs familles sont confrontés à une question redoutable : quelle université est la plus adaptée ? Pour aider à répondre à cela, des organisations mondiales publient des listes annuelles qui classent les institutions en fonction d'un mélange de facteurs tels que la production de recherche, la satisfaction des étudiants et la diversité internationale. Ces classements sont bien plus que de simples chiffres ; ils déterminent où les étudiants postulent, la quantité de fonds que les universités reçoivent et même la réputation de nations entières. Cependant, les méthodes utilisées pour créer ces listes sont souvent opaques. Les organisations qui les compilent révèlent rarement exactement comment elles calculent les scores ou comment elles gèrent les informations manquantes, laissant le processus ressembler à une boîte noire. De plus, les classements traditionnels ont tendance à privilégier lourdement les réalisations en matière de recherche, négligeant potentiellement la qualité de l'enseignement ou l'expérience étudiante. Ce manque de transparence et d'équilibre a amené des chercheurs à se demander s'il n'existe pas une manière plus claire et plus honnête de mesurer la performance universitaire.
Une équipe de chercheurs de l'Université de Nouvelle-Galles du Sud à Sydney a abordé ce problème en construisant un nouveau cadre pour évaluer les universités. Au lieu de s'appuyer sur les pondérations subjectives utilisées par les principales agences de classement, ils se sont tournés vers l'apprentissage automatique non supervisé, un type d'analyse informatique qui trouve des modèles cachés dans les données sans qu'on lui dise quoi chercher. Les chercheurs ont rassemblé une décennie de données provenant de deux des systèmes de classement les plus importants au monde, le Times Higher Education (THE) et le QS World University Rankings. Ils ont collecté des informations sur des milliers d'universités, examinant des indicateurs allant de la réputation académique et de la satisfaction des employeurs à l'indice de ratio personnel-étudiants et à la diversité du corps étudiant. Un obstacle important auquel ils ont été confrontés était que les données étaient incomplètes ; de nombreuses universités ne rapportaient pas chaque métrique chaque année, et certains indicateurs n'ont été introduits que récemment, laissant de larges lacunes dans les archives historiques.
Pour combler ces lacunes, l'équipe a employé des techniques informatiques avancées pour estimer les valeurs manquantes. Ils ont testé plusieurs méthodes différentes, y compris des algorithmes qui apprennent des modèles d'universités similaires et des modèles statistiques qui prédisent ce qu'un nombre manquant était probablement en se basant sur d'autres faits connus. Ils ont découvert que deux approches spécifiques d'apprentissage automatique, connues sous les noms de Random Forest et XGBoost, étaient les plus efficaces pour remplir les blancs sans déformer l'image globale. Ces méthodes leur ont permis de créer un ensemble de données complet, garantissant qu'aucune université ne soit injustement pénalisée simplement parce qu'elle n'a pas rapporté une pièce spécifique de données. Avec un ensemble d'informations propre et complet, les chercheurs ont ensuite utilisé des outils statistiques pour simplifier le réseau complexe d'indicateurs. Ils ont réduit les dizaines de métriques différentes à cinq thèmes fondamentaux, ou « facteurs latents », qui pilotent réellement la performance d'une université.
Ces cinq facteurs ont révélé la structure cachée de ce qui fait le succès d'une université. Le premier facteur, et le plus significatif, combinait la réputation académique, la réputation auprès des employeurs et les résultats en matière d'emploi, mesurant essentiellement l'influence globale et le succès des diplômés et de la recherche d'une université. Le deuxième facteur se concentrait sur l'influence internationale, capturant la capacité d'une université à attirer des étudiants et du personnel du monde entier. Le troisième facteur mesurait l'impact de l'engagement industriel, tandis que le quatrième examinait l'environnement d'apprentissage à travers le ratio personnel-étudiants. Le cinquième facteur se concentrait sur la qualité de la recherche et le nombre de citations que les travaux d'une université reçoivent. En analysant l'interaction de ces cinq facteurs, l'équipe a créé un nouveau système de classement qui appliquait le même poids à ces thèmes chaque année, plutôt que de déplacer les poteaux de but comme le font souvent les classements traditionnels.
Lorsque les chercheurs ont comparé leurs nouveaux classements aux listes établies, ils ont constaté que les meilleures universités restaient largement les mêmes, avec des institutions comme Oxford, le MIT et Cambridge occupant systématiquement les positions les plus hautes. Cela suggère que les plus grandes universités du monde sont effectivement fortes sur de multiples dimensions. Cependant, le nouveau cadre a montré une image différente pour les universités des niveaux intermédiaire et inférieur. Les classements traditionnels voient souvent des sauts et des chutes importants de position d'une année sur l'autre, principalement parce que les organisations qui les gèrent changent la façon dont elles pondèrent différents indicateurs. En revanche, le nouveau système a fourni une vision beaucoup plus stable de la force institutionnelle. Par exemple, en regardant les universités australiennes, le nouveau cadre a montré que leur rang relatif restait constant au fil du temps, alors que les classements traditionnels montraient des fluctuations volatiles qui semblaient refléter des changements de méthodologie plutôt que des changements réels dans la performance des universités.
L'étude conclut que, bien que les positions individuelles des universités puissent légèrement varier selon la méthode utilisée, le schéma global d'excellence est robuste. Le nouveau cadre offre une approche plus transparente et équilibrée, accordant une considération égale à l'enseignement, à la recherche et à l'engagement mondial sans dépendre de sondages subjectifs ou de calculs opaques. En rendant les données et le code utilisés pour l'analyse publics, les chercheurs ont fourni un outil qui permet à quiconque de voir exactement comment les classements sont dérivés. Ce travail suggère qu'une manière plus juste d'évaluer l'enseignement supérieur est possible, reposant sur des informations claires et fondées sur les données plutôt que sur les sables mouvants de la réputation et des informations incomplètes. Pour les étudiants, les décideurs politiques et les universités elles-mêmes, cela offre une voie plus claire pour comprendre ce qui constitue réellement une institution de classe mondiale.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.