Bedömning av faktorer som påverkar undervisningseffekter vid högskolor och universitet med fuzzy- och djupinlärningstekniker

Varför bättre mätmetoder för undervisning spelar roll

Den som har deltagit i både utmärkta och mindre bra kurser vet att undervisningens kvalitet kan göra eller förstöra en högskoleupplevelse. Ändå förlitar sig de flesta universitet fortfarande på trubbiga verktyg som provresultat och slututvärderingar för att avgöra vad som fungerar. Denna artikel undersöker ett smartare sätt att mäta hur väl högskolor undervisar genom att kombinera två datorbaserade metoder — en som hanterar oskarpa, mänskliga data väl och en annan som utmärker sig i att upptäcka dolda mönster. Tillsammans lovar de mer tillförlitliga underlag för att förbättra kurser och stödja studenter.

Ompröva hur vi bedömer en ”bra lektion”

Undervisning på högskolan formas av många rörliga delar: hur många studenter som är i salen, hur erfaren föreläsaren är, hur tuff kursen är, klassrumsklimatet och användningen av teknik, för att nämna några. Traditionella utvärderingssystem reducerar ofta allt detta till ett enda provresultat eller ett numeriskt kursbetyg. Den förenklingen bortser från viktig kontext och ignorerar lärandets röriga, subjektiva sida. Författarna menar att om vi vill förstå varför vissa kurser får studenter att blomstra medan andra misslyckas, behöver vi verktyg som kan hantera många faktorer samtidigt och klara av ofullständig, åsiktsbaserad information.

En hybrid av ”människoliknande” och ”mönsterupptäckande” metoder

Studien introducerar en hybridmodell kallad Fuzzy and Deep Learning (FDL). Den ”fuzzy” delen efterliknar hur människor tänker i nyanser snarare än i strikta ja-eller-nej-kategorier — till exempel att ange en students prestation som ”låg”, ”medel” eller ”hög” med mjuka övergångar istället för hårda gränser. Den omvandlar vaga indata som undervisningserfarenhet, student–lärar-kvot och kursens svårighetsgrad till flexibla kategorier och använder sedan enkla regler såsom ”om studentprestationen är hög och klassen är liten, är undervisningseffektiviteten hög”. Samtidigt är djupinlärningsdelen ett flerskiktat nätverk som bearbetar stora mängder rensad och standardiserad data och avslöjar komplexa samband som kanske inte är uppenbara för mänskliga granskare.

Från råa enkäter till meningsfulla signaler

För att testa sin metod använde forskarna data från National Survey of Student Engagement, ett omfattande och välanvänt frågeformulär som besvaras av förstaårsstudenter och sistaårsstudenter vid nordamerikanska högskolor och universitet. De anpassade flera frågor för att tydligare fokusera på hur väl lärare fullgör sina roller och kontrollerade sedan att den reviderade enkäten var tillförlitlig. Därefter genomförde de ett noggrant dataprepareringsflöde: rengöring av fel, ifyllnad av saknade värden, sammanslagning av information från student- och lärarsidor samt skalning av allt till ett gemensamt intervall. De skapade också sammansatta indikatorer, såsom ett viktat helhetsbetyg baserat på tentamensresultat, inlämningsgrad och närvaro, och reducerade datakomplexiteten med en standardmetod kallad huvudkomponentanalys. Denna förberedda datamängd matades både in i fuzzylogikmodulen, som hanterade oprecisa kategorier, och i djupinlärningsnätverket, som hanterade högdimensionella numeriska mönster.

Hur bra fungerar den nya modellen?

FDL-modellen tränades och testades på separata delar av datamaterialet för att undvika att lura sig själv med välbekanta exempel. Dess prestanda jämfördes med flera starka alternativ, inklusive standardneuronätverk och mer avancerade djupa modeller. Över viktiga mått — total noggrannhet, precision, recall och F1-score — matchade eller överträffade hybridmetoden de konkurrerande tillvägagångssätten, med omkring 98 % noggrannhet och en låg felprocent på strax över 10 %. Lika viktigt gjorde de fuzzy reglerna besluten mer tolkbara än vad som är vanligt i svartlådemodeller. Systemet kunde lyfta fram vilka kombinationer av faktorer — till exempel stora klasser i kombination med låg undervisningserfarenhet, eller krävande kurser stödda av stark återkoppling — som var starkast kopplade till bättre eller sämre undervisningsresultat.

Vad detta betyder för studenter och högskolor

I praktiska termer visar studien att det nu är möjligt att bygga en automatiserad ”undervisningsbarometer” som både är högst korrekt och relativt begriplig. Istället för att i första hand förlita sig på trubbiga medelvärden och enstaka enkäter skulle högskolor kunna använda ett sådant system för att tidigt upptäcka svaga undervisningsmiljöer, identifiera vilka lärare eller kurser som behöver riktat stöd och pröva om nya riktlinjer faktiskt hjälper studenter att lära mer. Författarna betonar att modellen inte är perfekt — den är beroende av datakvalitet, kan vara beräkningsintensiv och förenklar nödvändigtvis utbildningens rika mänskliga dimension. Används den ändå med eftertanke, erbjuder den en kraftfull ny lins för att göra högskoleundervisning mer effektiv, rättvis och lyhörd för studenters behov.

Citering: He, Z., Zhang, X., Zhang, Z. et al. Assessment of influencing factors of college and universities’ teaching effects using fuzzy and deep learning techniques. Sci Rep 16, 5168 (2026). https://doi.org/10.1038/s41598-026-35940-5

Nyckelord: undervisningseffektivitet, högre utbildning, studenters prestation, fuzzylogik, djupinlärning