机器学习在招生中? :使用奇平方自动相互作用检测 (CHAID) 来预测物理治疗学校的入学者
John H Hollman1, David A Krause
1Dep. of Physical Medicine and Rehabilitation, Mayo Clinic School of Health Sciences, 200 First Street SW, Siebens 7 33-PPT, Rochester, MN 55905, USA. Tel 507-284-9547. Hollman.John@mayo.edu.
Journal of allied health
|September 20, 2023
概括
机器学习准确地预测了物理治疗计划的入学率. 在州内和某些白人/高加索裔申请人的GPA低于3.65更有可能注册入学,告知招生策略.
科学领域:
- 教育研究教育研究
- 医疗专业教育卫生专业教育
- 机器学习应用程序 机器学习应用程序
背景情况:
- 预测学生入学率对于优化招生流程至关重要.
- 机器学习为识别复杂数据集中的模式提供了先进的分析方法.
- 了解影响入学率的因素可以改善计划规划和资源配置.
研究的目的:
- 采用机器学习,特别是千平方自动交互检测 (CHAID),以识别物理治疗计划中入学预测因素.
- 分析招生数据,以了解哪些被录取的申请人最有可能报名.
主要方法:
- 使用了千平方自动交互检测 (CHAID) 算法.
- 评估了2015-2016年至2021-2022年期间录取的413名物理治疗计划申请人的数据.
- 包括诸如GPA,GRE分数,面试分数,人口统计和社会经济地位等变量.
主要成果:
- 在CHAID模型中,在分类入学生时,准确度达到了64.9%.
- 招生学生的整体入学率为47.2%.
- 州内申请人和州外的白人/高加索人申请人的GPA低于3.65显示出更高的入学概率.
结论:
- CHAID分析是招生委员会评估其流程和结果的宝贵工具.
- 调查结果突出了与更高的入学概率相关的特定申请人特征.
- 结果是特定于程序的,但为数据驱动的入学提供了一个框架.
