An analysis of university ranking systems using an unsupervised machine learning-based ranking framework
यह अध्ययन प्रिसिंपल कंपोनेंट एनालिसिस और फैक्टर एनालिसिस का उपयोग करते हुए एक अनसुपरवाइज्ड मशीन लर्निंग फ्रेमवर्क प्रस्तावित करता है ताकि लेटेंट फैक्टर्स (अव्यक्त कारकों) को व्युत्पन्न करने और संतुलित भार लागू करने के माध्यम से विश्वविद्यालय रैंकिंग की पारदर्शिता और स्थिरता को मान्य और उन्नत किया जा सके, जो अंततः यह प्रदर्शित करता है कि जबकि व्यक्तिगत रैंक उतार-चढ़ाव वाले होते हैं, शीर्ष ऑस्ट्रेलियाई विश्वविद्यालयों के समग्र वितरण पैटर्न THE और QS जैसी स्थापित प्रणालियों के अनुरूप सुसंगत बने रहते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
हर साल, लाखों छात्र और उनके परिवार एक कठिन प्रश्न का सामना करते हैं: कौन सा विश्वविद्यालय सबसे उपयुक्त है? इस प्रश्न का उत्तर देने में मदद करने के लिए, वैश्विक संगठन वार्षिक सूचियाँ प्रकाशित करते हैं जो अनुसंधान आउटपुट, छात्र संतुष्टि और अंतर्राष्ट्रीय विविधता जैसे विभिन्न कारकों के आधार पर संस्थानों को रैंक करते हैं। ये रैंकिंग केवल नंबर नहीं हैं; ये तय करती हैं कि छात्र कहाँ आवेदन करते हैं, विश्वविद्यालयों को कितना फंड मिलता है, और यहाँ तक कि पूरे देशों की प्रतिष्ठा भी कैसी होती है। हालाँकि, इन सूचियों को बनाने के तरीके अक्सर अपारदर्शी होते हैं। जो संगठन इन्हें संकलित करते हैं, वे शायद ही कभी यह खुलासा करते हैं कि वे स्कोर की गणना कैसे करते हैं या वे लुप्त जानकारी को कैसे संभालते हैं, जिससे यह प्रक्रिया एक 'ब्लैक बॉक्स' जैसी महसूस होती है। इसके अलावा, पारंपरिक रैंकिंग अक्सर अनुसंधान उपलब्धियों की ओर अधिक झुकी होती है, जिससे शिक्षण की गुणवत्ता या छात्र अनुभव की अनदेखी हो सकती है। पारदर्शिता और संतुलन की इस कमी ने शोधकर्ताओं को यह पूछने पर मजबूर किया है कि क्या विश्वविद्यालय के प्रदर्शन को मापने का कोई स्पष्ट और अधिक ईमानदार तरीका है।
सिडनी में न्यू साउथ वेल्स विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक नया ढांचा (फ्रेमवर्क) विकसित करके इस समस्या को हल किया है। प्रमुख रैंकिंग एजेंसियों द्वारा उपयोग किए जाने वाले व्यक्तिपरक वेटिंग (subjective weightings) पर निर्भर रहने के बजाय, उन्होंने अनसुपरवाइज्ड मशीन लर्निंग (unsupervised machine learning) का सहारा लिया, जो एक प्रकार का कंप्यूटर विश्लेषण है जो बिना यह बताए कि क्या देखना है, डेटा में छिपे हुए पैटर्न खोज लेता है। शोधकर्ताओं ने दुनिया की दो सबसे प्रमुख रैंकिंग प्रणालियों—'टाइम्स हायर एजुकेशन' (THE) और 'QS वर्ल्ड यूनिवर्सिटी रैंकिंग' से एक दशक का डेटा एकत्र किया। उन्होंने हजारों विश्वविद्यालयों से जानकारी जुटाई, जिसमें शैक्षणिक प्रतिष्ठा और नियोक्ता संतुष्टि से लेकर फैकल्टी और छात्रों के अनुपात और छात्र निकाय की विविधता तक के संकेतक शामिल थे। उन्हें एक बड़ी बाधा का सामना करना पड़ा क्योंकि डेटा अधूरा था; कई विश्वविद्यालयों ने हर साल हर एक मीट्रिक की रिपोर्ट नहीं दी थी, और कुछ संकेतक हाल ही में पेश किए गए थे, जिससे ऐतिहासिक रिकॉर्ड में बड़े अंतराल रह गए थे।
इन अंतरालों को ठीक करने के लिए, टीम ने लुप्त मूल्यों का अनुमान लगाने हेतु उन्नत कंप्यूटर तकनीकों का उपयोग किया। उन्होंने कई अलग-अलग तरीकों का परीक्षण किया, जिनमें समान विश्वविद्यालयों के पैटर्न से सीखने वाले एल्गोरिदम और सांख्यिकीय मॉडल शामिल थे जो भविष्यवाणी करते थे कि अन्य ज्ञात तथ्यों के आधार पर एक गायब संख्या क्या रही होगी। उन्होंने पाया कि दो विशिष्ट मशीन लर्निंग दृष्टिकोण, जिन्हें 'रैंडम फॉरेस्ट' (Random Forest) और 'XGBoost' के रूप में जाना जाता है, समग्र तस्वीर को विकृत किए बिना खाली स्थानों को भरने में सबसे प्रभावी थे। इन विधियों ने उन्हें एक पूर्ण डेटासेट बनाने में सक्षम बनाया, जिससे यह सुनिश्चित हुआ कि किसी भी विश्वविद्यालय को केवल इसलिए दंडित न किया जाए क्योंकि उसने एक विशिष्ट जानकारी देने में विफल रहा। सूचना के एक स्वच्छ और पूर्ण सेट के साथ, शोधकर्ताओं ने जटिल संकेतकों के जाल को सरल बनाने के लिए सांख्यिकीय उपकरणों का उपयोग किया। उन्होंने दर्जनों अलग-अलग मीट्रिक को पांच मुख्य अंतर्निहित विषयों, या "लेटेंट फैक्टर्स" (latent factors) में बदल दिया, जो वास्तव में एक विश्वविद्यालय के प्रदर्शन को संचालित करते हैं।
इन पांच कारकों ने उस छिपी हुई संरचना को प्रकट किया जो एक विश्वविद्यालय को सफल बनाती है। पहला और सबसे महत्वपूर्ण कारक शैक्षणिक प्रतिष्ठा, नियोक्ता प्रतिष्ठा और रोजगार परिणामों को जोड़ता है, जो अनिवार्य रूप रूप से एक विश्वविद्यालय के स्नातकों और अनुसंधान के समग्र प्रभाव और सफलता को मापता है। दूसरा कारक अंतर्राष्ट्रीय प्रभाव पर केंद्रित है, जो यह पकड़ता है कि एक विश्वविद्यालय दुनिया भर से छात्रों और कर्मचारियों को कितनी अच्छी तरह आकर्षित करता है। तीसरा कारक उद्योग जुड़ाव (industry engagement) के प्रभाव को मापता है, जबकि चौथा कारक स्टाफ और छात्रों के अनुपात के माध्यम से सीखने के वातावरण को देखता है। पांचवां कारक अनुसंधान की गुणवत्ता और एक विश्वविद्यालय के कार्य को मिलने वाले उद्धरणों (citations) की संख्या पर केंद्रित है। इन पांच कारकों के बीच होने वाली अंतःक्रिया का विश्लेषण करके, टीम ने एक नई रैंकिंग प्रणाली बनाई जिसने पारंपरिक रैंकिंग की तरह लक्ष्यों को बदलने के बजाय इन विषयों को हर साल समान भार दिया।
जब शोधकर्ताओं ने अपनी नई रैंकिंग की तुलना स्थापित सूचियों से की, तो उन्होंने पाया कि शीर्ष विश्वविद्यालय काफी हद तक वही रहे, जिसमें ऑक्सफोर्ड, एमआईटी और कैम्ब्रिज जैसे संस्थान लगातार उच्चतम स्थानों पर बने रहे। यह सुझाव देता है कि दुनिया के अग्रणी विश्वविद्यालय वास्तव में कई आयामों में मजबूत हैं। हालाँकि, नए ढांचे ने मध्यम और निचले स्तर के विश्वविद्यालयों के लिए एक अलग तस्वीर दिखाई। पारंपरिक रैंकिंग अक्सर साल-दर-साल स्थिति में बड़े उछाल और गिरावट देखती है, जिसका मुख्य कारण यह है कि इनके पीछे के संगठन विभिन्न संकेतकों के वेटिंग (weighting) के तरीके को बदल देते हैं। इसके विपरीत, नए ढांचे ने संस्थागत शक्ति का एक बहुत अधिक स्थिर दृश्य प्रदान किया। उदाहरण के लिए, ऑस्ट्रेलियाई विश्वविद्यालयों को देखते समय, नए ढांचे ने दिखाया कि उनकी सापेक्ष स्थिति समय के साथ सुसंगत रही, जबकि पारंपरिक रैंकिंग ने अस्थिर उतार-चढ़ाव दिखाए जो वास्तव में विश्वविद्यालयों के प्रदर्शन में बदलाव के बजाय पद्धति में बदलाव को दर्शाते थे।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि उपयोग की गई विधि के आधार पर व्यक्तिगत विश्वविद्यालयों की स्थिति थोड़ी बदल सकती है, लेकिन उत्कृष्टता का समग्र पैटर्न सुदृढ़ है। नया ढांचा एक अधिक पारदर्शी और संतुलित दृष्टिकोण प्रदान करता है, जो व्यक्तिपरक सर्वेक्षणों या अपारदर्शी गणनाओं पर निर्भर हुए बिना शिक्षण, अनुसंधान और वैश्विक जुड़ाव को समान विचार देता है। विश्लेषण के लिए उपयोग किए गए डेटा और कोड को सार्वजनिक रूप से उपलब्ध कराकर, शोधकर्ताओं ने एक ऐसा उपकरण प्रदान किया है जो किसी को भी यह देखने की अनुमति देता है कि रैंकिंग वास्तव में कैसे प्राप्त की जाती है। यह कार्य बताता है कि उच्च शिक्षा का मूल्यांकन करने का एक निष्पक्ष तरीका संभव है, जो प्रतिष्ठा के बदलते आधारों और अधूरी जानकारी के बजाय स्पष्ट, डेटा-संचालित अंतर्दृष्टि पर आधारित है। छात्रों, नीति निर्माताओं और स्वयं विश्वविद्यालयों के लिए, यह समझने के लिए एक स्पष्ट मार्ग प्रदान करता है कि वास्तव में एक विश्व स्तरीय संस्थान क्या होता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।