Ensemble’owe podejście oparte na rozmytych szeregach czasowych do dokładnego prognozowania rankingów szkolnictwa wyższego

Dlaczego jutrzejsze rankingi uczelni mają znaczenie już dziś

Dla wielu rodzin wybór uniwersytetu przypomina stawianie zakładu na niepewną przyszłość. Globalne zawirowania, takie jak pandemia COVID‑19, mogą nagle zachwiać życiem kampusowym, finansami i badaniami, powodując, że znane tabele rankingowe gwałtownie zmieniają się z roku na rok. W tym badaniu przedstawiono nowy sposób prognozowania tych rankingów, który stara się uwzględnić — zamiast ignorować — tę niepewność, tak aby studenci, rodzice i decydenci mogli podejmować decyzje w oparciu o realistyczne, perspektywiczne oczekiwania zamiast statycznych migawkowych obrazów.

Jak rankingi stały się ruchomym celem

Międzynarodowe tabele, takie jak Shanghai Rankings, QS i Times Higher Education, wpływają na wszystko, od aplikacji studentów po finansowanie rządowe. Odzwierciedlają czynniki takie jak jakość nauczania, dorobek badawczy, wyniki studentów i obecność międzynarodowa. Pandemia ujawniła jednak, jak kruche mogą być te miary: spadły liczby rekrutacji, zamknięto laboratoria, infrastruktura cyfrowa była przeciążona, a ograniczenia w podróżowaniu osłabiły internacjonalizację. Tradycyjne metody przewidywania zakładają, że przyszłość będzie dość podobna do przeszłości, z stabilnymi wzorcami i stałymi trendami. Gdy te założenia zawodzą — jak stało się to w czasach COVID — prognozy mogą wprowadzać w błąd, ukrywając ryzyko dla instytucji i dla studentów, którzy polegają na rankingach przy wyborze miejsca studiów.

Wpuszczenie niepewności do obliczeń

Autorzy proponują metodę, która traktuje rankingi nie jako stałe punkty, lecz jako rozmyte, zmienne wielkości. Zamiast przypisywać każdej uczelni jedną czystą liczbę, model rozkłada jej pozycję na kilka nakładających się pasm, uznając, że instytucja może znajdować się blisko granicy między przedziałami lub być wyjątkowo niestabilna w lata kryzysu. Dane z ostatnich lat, zwłaszcza z okresów dotkniętych pandemią, mają większy wpływ niż odległa przeszłość, co odzwierciedla przekonanie, że zeszłoroczne zawirowania mają większe znaczenie dla jutra niż wydarzenia sprzed dekady. To „rozmyte” spojrzenie uchwyca niejednoznaczność i krótkoterminowe wstrząsy w sposób, w jaki ostre uśrednienia nie potrafią.

Grupowanie podobnych trajektorii i odrzucanie słabych prognoz

Aby przekształcić ten bardziej rozmyty obraz w konkretne prognozy, model grupuje uczelnie o podobnych ścieżkach rankingowych w czasie, w tym tworzy specjalne klastry dla lat pandemicznych, gdy wiele instytucji doświadczyło nagłych spadków lub wzrostów. W ramach każdego klastra uczone są odrębne „silniki” predykcyjne, z których każdy uczy się na nieco innym wycinku historii. Dedykowany krok przycinania następnie odrzuca najsłabsze i najbardziej niestabilne z tych modeli, pozostawiając wyłącznie najbardziej wiarygodne i łącząc ich prognozy. Takie podejście zespołowe zmniejsza ryzyko, że jedna zbyt pewna siebie metoda lub pojedynczy dziwny rok danych zdominuje prognozę.

Testowanie modelu na edukacji i poza nią

Naukowcy ocenili swoje podejście na danych z globalnego rankingu Shanghai z lat 2008–2021, obejmujących lata przed i po COVID. Testowali je także na innych danych zależnych od czasu — takich jak kursy akcji, pomiary pokrywy lodowej, jakość powietrza i liczba zapisów studentów — aby sprawdzić, czy metoda radzi sobie z bardzo różnymi rodzajami niepewności. W tych przypadkach ich ensemble konsekwentnie dawał dokładniejsze prognozy niż kilka ugruntowanych technik opartych na rozmytych szeregach czasowych. W odniesieniu do rankingów uczelni model zmniejszył średni błąd procentowy do około 7% i poprawnie przewidział kierunek zmiany pozycji — czy uczelnia awansuje czy spadnie — w ponad 80% przypadków.

Od lepszych prognoz do sprawiedliwszych wyborów

Mówiąc prosto, badanie pokazuje, że można zbudować prognozę rankingów, która „wie, czego nie wie”. Poprzez jawne modelowanie niejednoznaczności, nagłych wstrząsów i większego znaczenia ostatnich wydarzeń, proponowany system dostarcza bardziej wiarygodnych wskazówek, dokąd zmierzają uczelnie, a nie tylko gdzie były. To może pomóc rodzinom uniknąć przesadnych reakcji na jednorazowe spadki, ukierunkować instytucje przy inwestycjach w gotowość cyfrową czy siłę badawczą oraz wspierać działania publiczne na rzecz rozszerzania dostępu do wysokiej jakości edukacji i redukcji nierówności. Choć żaden model nie uczyni rankingów całkowicie przewidywalnymi, praca ta sugeruje, że można je przynajmniej prognozować w sposób uczciwy wobec niepewności — i bardziej przydatny dla ludzi, od których przyszłości zależą.

Cytowanie: 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

Słowa kluczowe: rankingi uczelni, prognozowanie w edukacji, rozmyte szeregi czasowe, wpływ COVID-19, uczenie zespołowe