גישה מבוססת צוות עם סדרות זמן מטושטשות לחיזוי מדויק של דירוגי השכלה גבוהה

מדוע דירוגי המכללות של מחר חשובים כבר היום

עבור משפחות רבות, הבחירה באוניברסיטה מרגישה כמו הימור על עתיד לא ודאי. מהומות עולמיות כגון מגיפת COVID‑19 יכולות לפתע להטיל זעזועים על חיי הקמפוס, על המצב הכלכלי ועל המחקר, ולגרום לטבלאות המוכרות לזוז באופן לא צפוי משנה לשנה. מחקר זה מציע שיטה חדשה לחיזוי דירוגים אלה שנועדה לאמץ את חוסר הוודאות במקום להתעלם ממנה — כך שתלמידים, הורים ומקבלי מדיניות יוכלו לקבל החלטות על בסיס ציפיות ריאליסטיות ופחות על בסיס תמונות סטטיות.

כיצד הדירוגים הפכו למטרה נעה

טבלאות בינלאומיות כמו דירוג שנחאי, QS ו-Times Higher Education משפיעות על כל דבר, מהגשת מועמדויות של סטודנטים ועד למימון ממשלתי. הן משקפות גורמים כמו איכות ההוראה, תפוקת המחקר, תוצאות הסטודנטים ונוכחות בינלאומית. אך המגיפה חשפה עד כמה מדדים אלה פגיעים: מספר הנרשמים ירד, מעבדות נסגרו, התשתיות הדיגיטליות נמתחו ומגבלות נסיעה פגעו באינטגרציה הבינלאומית. שיטות חיזוי מסורתיות מניחות שהעתיד דומה מאוד לעבר, עם דפוסים יציבים ומגמות סדירות. כאשר הנחות אלו אינן מתקיימות — כפי שקרה בתקופת ה‑COVID — תחזיות יכולות להטעות ולכסות על סיכונים למוסדות ולסטודנטים הסומכים על דירוגים בבחירת מקום הלימוד שלהם.

להכניס את חוסר הוודאות לחשבון

המחברים מציעים שיטה שמתייחסת לדירוגים לא כנקודות קבועות אלא כמנות מטושטשות ומשתנות. במקום להעניק לכל אוניברסיטה מספר נקי בודד, המודל מפזר את הדירוג על פני מספר רצועות חופפות, בהכרה שאותה מוסד עשוי להימצא בקרבת הגבול בין שכבות או להיות תנודתי במיוחד בשנים של משבר. נתונים עדכניים, ובמיוחד מתקופות מושפעות מהמגיפה, מקבלים השפעה רבה יותר מאשר היסטוריה רחוקה, בהשתקפות הרעיון שלרעשי השנה שעברה יש משקל רב יותר לגבי המחר מאשר אירועים מלפני עשור. נקודת המבט ה"מטושטשת" הזו לוכדת עמימות וזעזועים קצרי‑טווח בצורה שתחומי ממוצעים נקיים אינם יכולים להשיג.

אשכולות של מסלולים דומים וגיזום הערכות חלשות

כדי להפוך את התמונה המטושטשת הזו לחיזויים מוחשיים, המודל מקבץ אוניברסיטאות עם מסלולי דירוג דומים לאורך זמן, כולל אשכולות מיוחדים לשנות המגיפה כאשר מוסדות רבים חוו ירידות או עליות פתאומיות. בתוך כל אשכול מאומנות מספר מכונות חיזוי נפרדות, כל אחת שלומדת מחתך היסטורי מעט שונה. שלב גיזום ייעודי זורק אז את המכונות החלשות והפזיזות ביותר, ומשאיר רק את האמינות ביותר ומשלב את פלטיהן. גישה אנסמבלית זו מפחיתה את הסיכון שמודל אחד שנוקט גישה מופרזת או שנה מוזרה של נתונים ישלוט בתחזית.

בדיקת המודל על חינוך ומעבר לו

החוקרים העריכו את הגישה שלהם על נתוני דירוג שנחאי העולמיים מ‑2008 עד 2021, שחופפים גם את השנים שלפני ואחרי ה‑COVID. הם גם בדקו אותה על נתונים תלויי זמן אחרים — כגון מחירי מניות, מדידות קרח ימי, איכות אוויר ונרשמות סטודנטים — כדי לבדוק האם השיטה מטפלת בסוגים שונים מאוד של חוסר וודאות. במגוון המקרים האלה, האנזלבל שלהם הניב באופן עקבי תחזיות מדויקות יותר מאשר מספר שיטות סדרות זמן מטושטשות מבוססות. לגבי דירוגי האוניברסיטאות בפרט, המודל קיצץ את שגיאת האחוז הממוצעת לכ‑כ‑7% וכיאה נכח את כיוון תנועת הדירוג — האם אוניברסיטה תטפס או תרד — בלמעלה מ‑80% מהמקרים.

מתחזיות טובות יותר לבחירות הוגנות יותר

במילים פשוטות, המחקר מראה שאפשר לבנות תחזית דירוג " שיודעת מה היא לא יודעת". על‑ידי דגימת עמימות, זעזועים פתאומיים ומשקל גדול יותר לאירועים האחרונים, המערכת המוצעת מספקת מבטי דרך אמינים יותר על כיוון התנועה של אוניברסיטאות, לא רק על עברן. זה יכול לסייע למשפחות להימנע מתגובות יתר לירידות חד‑פעמיות, להנחות מוסדות כשהן משקיעות במוכנות דיגיטלית או בעוצמת מחקר, וליידע מאמצים ציבוריים להרחבת חינוך איכותי ולהפחתת אי‑שוויון. אמנם אין מודל שיכול לעשות דירוגים צפויים באופן מושלם, אך עבודה זו מצביעה על כך שניתן לפחות לחזות אותם באופן שנאמן לחוסר הוודאות — ושימושי יותר לאלה שעתידם תלוי בהם.

ציטוט: Agarwal, N., Tayal, D.K., Rajeena, P.P.F. et al. A fuzzy time-series driven ensemble approach for accurate forecasting of higher education rankings. Sci Rep 16, 13329 (2026). https://doi.org/10.1038/s41598-026-40570-y

מילות מפתח: דירוגי אוניברסיטאות, חיזוי בחינוך, סדרות זמן מטושטשות, השפעת COVID-19, למידת אנסמבל