[论文解读] Using Descriptive Analytics for the Improvement of National University Entrance Exam: A case study in the Context of Kankor in Afghanistan

Abdul Rahman Sherzad|arXiv (Cornell University)|Dec 2, 2016

Advanced Data Processing Techniques参考文献 2被引用 3

一句话总结

本研究运用描述性分析方法，对2003至2015年间阿富汗全国150万份Kankor考试记录及补充数据进行分析，识别出成绩趋势、人口统计差异以及学术预测因素。研究揭示了系统性不公现象，并为政策制定者和教育机构提供了数据驱动的改进建议，以提升考试公平性与教育成果。

ABSTRACT

In Afghanistan, High school graduates, to continue higher education, need to pass the National University Entrance Exam (Kankor). Kankor is very important and requires further research as it is used as the only means to identify the participant's competence and skills which leads to a qualified higher education and manpower, employment opportunities, allocation of human capital in appropriate fields of study, and leading to a more specialized labor force in the long run. Having a better picture of Kankor in Afghanistan is essential before employing educational data mining techniques and other social and pedagogical approaches to support the students and the educational institutions. Hence, the author carried out a research on Kankor, in which he assessed and analyzed Kankor from different angles. This research paper provides positive contribution to the Ministry of Higher Education (MoHE), particularly, the Kankor committee, and other educational institutions - introducing the importance of data as an asset and a proper structure of recording and producing data effective for research studies, paving the way for in-depth descriptive and predictive analytics which improves the situation within the context of the existing structural models in Afghanistan. The author's research target is to study Kankor using descriptive analytics supported by Kankor Results Data (KRD) of 1.5 million records from 2003-2015, Detailed Kankor Results Data which is a subset of KRD from 2004-2006 of 120,000 records, High school performance and grades data from 2011-2013 of 6,000 records, data collected through conducting more than 2500 questionnaires among academicians as well as the author's personal observations, findings, and analyses as a student and faculty member at the University in the field of computer science.

研究动机与目标

• 通过描述性分析方法，研究阿富汗各省及不同人口群体在Kankor考试成绩上的全国性趋势。
• 利用2011至2013年纵向学生数据，评估高中学业表现对Kankor结果的影响。
• 通过150万条记录的统计分析，评估机构与地区间在Kankor成绩上的差异。
• 向高等教育部和Kankor委员会提供可操作的数据洞察，以推动政策与结构改革。
• 通过展示结构化、可研究数据收集的价值，为未来预测性分析奠定基础。

提出的方法

• 对2003至2015年间的150万条Kankor结果数据（KRD）记录应用了描述性分析。
• 使用2004至2006年间的12万条详细Kankor记录子集，进行更细致的成绩趋势分析。
• 分析了6,000名学生（2011至2013年）的高中学业表现与成绩数据，以关联其前期学术成就与Kankor考试结果。
• 向超过2,500名学术专家发放问卷，收集其关于考试结构及学生成绩影响因素的专业见解。
• 作者基于其在计算机科学教育领域的个人观察与专业经验，对数据模式进行情境化解读。
• 运用数据可视化技术，呈现随时间推移的地区、性别及学科特定的成绩差异。

实验结果

研究问题

• RQ1 2003至2015年间，Kankor全国大学入学考试在地区与性别方面存在哪些成绩差异？
• RQ2 在2011至2013年群体中，高中学业成绩与Kankor考试结果之间存在何种相关性？
• RQ3 在阿富汗各省，哪些学科或学术方向表现出最显著的成绩差距？
• RQ4 当前Kankor系统中，哪些结构性数据问题阻碍了有效的教育数据分析？
• RQ5 描述性分析如何为未来提升考试公平性、公正性及机构规划提供支持？

主要发现

• 识别出显著的地区性成绩差异，城市中心在2003至2015年间持续优于农村省份。
• 女性学生在大多数学科与省份的平均分低于男性，表明存在持续存在的性别差距。
• 高中成绩较高的学生在Kankor考试中表现显著更优，证实了强烈的预测关系。
• 数据揭示了不一致的数据记录实践及缺乏标准化元数据，限制了分析潜力。
• 部分学术方向，尤其是科学与数学学科，在特定省份表现出更高的失败率，提示存在局部教育挑战。
• 本研究证明，结构化数据收集可产生可操作的洞察，为未来改革中引入预测性分析铺平道路。