Bakit Ang Mga Ranggo – Kasama ang Mga Ranggo ng Unibersidad – Ay Crap

Bagama't ang mga ranggo (lalo na ang mga ranggo sa unibersidad) ay may di-zero na halaga, ang mga ito ay may mas kaunting halaga kaysa sa atin, bilang isang lipunan, na tila ibinibigay sa kanila. Ano pinagsama-sama namin dito ay isang koleksyon ng data (batay sa arbitraryong pamantayan) na itinalaga ng timbang (batay sa mga arbitrary na halaga). Sa pinakamainam ito ay subjective, at sa pinakamasama ito ay pangunahing may depekto. Sa huli, lubos kong nararamdaman na ang anumang mga ranggo na nabuo ng mga tao ay mas malapit sa "pangunahing may depekto" na dulo ng spectrum. May mga dahilan para dito na umiiral sa parehong pangkalahatang sukat at isang mas butil na sukat na partikular sa aming proyekto.

Ang post na ito ay bahagi ng Linggo ng Edukasyon.

Simula sa macro, karamihan sa mga ranggo ay limitado dahil lamang sa pinipilit nila ang isang order sa mga bagay na likas na walang pagkakasunud-sunod. Ang mga pahayag ng kumot ay bihirang tama sa lahat ng pagkakataon; nabubuhay tayo sa isang mundo ng mga edge cases. Ang karaniwang halimbawang ginagamit sa mga talakayan tungkol sa kung bakit dapat tanggalin ang mga ranggo ng unibersidad sa pangkalahatan (isang posisyon na maaaring may merito) ay ang No. 1 na paaralan (sabihin, Oxford, sa 2022 Times Higher Education ranggo) hindi dapat ang numero ONE pagpipilian ng lahat. Mga indibidwal na kalagayan, mga layunin sa hinaharap, mga uri ng personalidad, ETC. lahat ay lumikha ng isang kumplikadong tanawin kung saan ang Oxford ay hindi isang pangkalahatang mahusay (o kahit na pangkaraniwan) na pagpipilian. Kung ano ang niraranggo sa No. 1 ay talagang nagbibigay ng senyales na ang isang tao sa labas ay nag-iisip na ang Oxford ay posibleng (ngunit hindi tiyak) ay may higit sa mga bagay na personal nilang pinahahalagahan kaysa sa karamihan ng iba pang mga paaralan. Ito ay isang kawili-wiling punto ng data na iniisip ng maraming tao bilang ganap na katotohanan.

Para sa isang mas visceral na halimbawa, magiging medyo madali para sa isang tao na lumikha ng isang ranggo ng pagkain (o, bilang kahalili, "ipasok ang iyong ginustong lubos na subjective na bagay dito"). Kung ako ang gagawa nito, ang aking sariling mga bias at kaisipan ang gagabay sa mga ranggo na ito sa isang antas na inaasahan kong hindi katanggap-tanggap ng mga tao. Mangangalap ako ng layunin ng data sa mga bagay tulad ng posibilidad ng isang reaksiyong alerdyi, gastos, kadalian ng pagkakaroon ng komersyal, epekto sa kapaligiran at iba pa. Maaari kong mabilang ang mga punto ng data na ito sa isang cute na maliit na spreadsheet, magpatakbo ng katulad na normalisasyon at bumuo ng "layunin" na ranggo ng pinakamahusay na pagkain. Walang sinuman, na may ilang mga pagbubukod, ang dapat magbago ng kanilang mga kagustuhan sa pagkain batay sa listahang ito. Maaaring maging kapaki-pakinabang ang pinagbabatayan na data (marahil kung ang tanging pinapahalagahan mo ay ang epekto sa kapaligiran, maaari mong baguhin ang iyong pagkain batay sa makitid na dataset na iyon), ngunit malamang na hindi makikita sa pamamaraan ang iyong mga partikular na halaga sa bawat dimensyon ng data. Intuitively kinikilala ng mga tao ang pagkawalang-saysay ng pagraranggo ng isang bagay bilang subjective bilang pagkain. Ang hindi natin nakikilala ay ang ranggo ng paaralan ay hindi naiiba.

Ang parehong mga pansariling kagustuhan na sumasailalim sa mga kaisipan tungkol sa pagraranggo ng mga pagkain ay dapat na ilapat sa mga unibersidad: Kung paanong pinahahalagahan ng ilang tao ang panlasa o kalusugan o allergy sa iba't ibang antas sa konteksto ng pagkain, iba't ibang tao ang pinahahalagahan ang iba't ibang bagay sa isang karanasan sa unibersidad. Sa katunayan, sasabihin ko, nang may mataas na antas ng kumpiyansa, na ang pinakamahusay, pinakakapaki-pakinabang na mga ranggo ay T talaga mga ranggo. Sa halip, ito ay higit pa sa isang interface sa data, na nagpapahintulot sa bawat tao na ayusin ang pamamaraan upang umangkop sa kanilang sariling mga indibidwal na pangangailangan. Sa kasamaang palad, hindi lamang ito gumagawa ng anumang uri ng pagkakasunud-sunod, hindi rin ito partikular na marangya o karapat-dapat sa balita.

Sa isang maliit na sukat, ang aming mga ranggo ay may depekto din sa kanilang sariling natatanging paraan. Nagdurusa kami sa lahat ng mga isyu na itinakda sa itaas (na may kapansin-pansing pagbubukod na dito alam namin nang eksakto kung kaninong mga pagkiling ang dumudulas sa pamamaraan at kung sino ang dapat sisihin, at ang taong iyon ay ako, bilang ang pinagmulan at consultant para sa CoinDesk Best Universities para sa Blockchain ranggo mula noong 2020), kasama ang ilang mga bago na mga kapus-palad na artifact na limitado ang laki at saklaw namin. Bagama't palaging BIT nagpapakumbaba (hangganan sa kahihiyan) na pagnilayan ang mga paraan kung paano nagkulang ang sariling pag-aaral/pagsusuri, mas mahalaga na KEEP ito ng sinumang mambabasa kapag nagbabasa ng mga ranggo. Kung wala na, umaasa ako na ito ay nagtutulak ng ilang pag-aalinlangan tungkol sa mga ranggo bilang anumang bagay na higit pa sa isang magaspang na gabay sa kung ano ang ginagawa ng mga paaralan ng isang bagay na malapit sa kung ano ang personal kong iniisip na dapat nilang gawin upang isulong ang blockchain na edukasyon.

Linggo ng Edukasyon ng CoinDesk: Ang Pinakamahusay na Unibersidad para sa Blockchain 2022

Bagama't hindi nababawasan ang iba pang mga pagkukulang ng aming pananaliksik, mayroon dalawang sukatan na nagdudulot ng partikular na alalahanin dahil sa mga hamon sa pagkolekta ng data, at itinatampok ko ang mga ito upang ituro ang mga uri ng mga hamon na lumaganap sa ganitong uri ng pananaliksik. Ang una ay ang data ng trabaho. Sa isip ko, kinakatawan nito ang pinakamalaking delta sa pagitan ng kaugnay na kahalagahan ng data (dito, paborableng mga resulta ng mag-aaral) at ang kadalian ng pangangalap ng nasabing data (para sa maraming dahilan, hindi bababa sa lahat ng kakulangan ng pagsubaybay sa mga resulta ng mag-aaral na may kinakailangang granularity) . Sa ngayon, umaasa kami sa kumbinasyon ng outreach ng paaralan, na tumatanggap ng humigit-kumulang zero na rate ng pagtugon, at manu-manong pangongolekta ng data. Ang pinakamahusay na paraan (at pangunahing paraan) na nakita namin upang makakuha ng makatwirang proxy para sa data na ito ay ang tumingin sa malalaking internasyonal na kumpanya sa LinkedIn at makita kung saan nag-aral ang kanilang mga empleyado. Nag-aalala ka man tungkol sa Kanluraning bias ng LinkedIn, ang pansariling katangian ng pagpili ng mga kumpanyang kukunin, ang baluktot na sample na makikita sa LinkedIn o iba pang bagay ... talagang tama ka. Lalo naming ibinaba ang kahalagahan ng sukatang ito taon-taon upang makatulong na labanan ang labis na representasyon ng baluktot na data, at nakahanap kami ng mga mas kapaki-pakinabang na proxy para sa data na ito kaya hindi na kami umaasa sa LinkedIn. Gayunpaman, dapat itong magbigay ng isang makatwirang paghinto ng mambabasa.

Ang pangalawang sukatan ng alalahanin ay ang aming buong seksyon ng husay (isa pang sukatan na hindi gaanong mahalaga sa aming pamamaraan bawat taon). Sa ilang mga lawak, ONE ang pinaka nakakainis sa akin dahil makatwirang makakalap kami ng malakas na data. Ang problema ay isang kakulangan ng malikhaing paglutas ng problema sa aking bahagi. Inilabas namin isang napaka-publikong survey bawat taon upang subukan at makakuha ng matatag na pananaw kung paano nakikita ng publiko (mga mag-aaral, akademya, stakeholder ng industriya, ETC.) ang iba't ibang unibersidad at naiintindihan kung aling mga unibersidad ang itinuturing na may pinakamalaking epekto. Ang lahat ng inaasahang alalahanin ay lubos na wasto (ang CoinDesk ay nakahilig patungo sa US, ETC.), ngunit ang pinakamalaking isyu, sa ngayon, ay T ko malaman kung paano maayos na magbigay ng insentibo sa mga tumpak na tugon.

Bawat taon, gumagawa kami ng parehong Request ng mga kalahok sa survey: Mangyaring sabihin sa amin kung aling mga paaralan ang sa tingin mo ay gumagawa ng pinakamahusay na gawain sa blockchain space. At bawat taon, ang mga resulta ay nagpapahiwatig na ang lahat ay nagbabahagi lamang ng mga paaralan na, kung sila ay mataas ang ranggo, ay higit na makikinabang sa indibidwal na tagatugon. Siyempre, BIT nag-editoryal ako , ngunit ang karamihan sa mga tugon na nakukuha namin Social Media sa lubos na nahuhulaang pattern ng mga sagot sa isang paaralan, na pinagsama-sama ng paaralan, sa loob ng 0-5 na oras pagkatapos mag-tweet ang isang paaralan tungkol sa aming survey. Mayroong ilang halaga ng lohika sa ideya na ang mga mag-aaral/faculty/alums ay nag-iisip na ang kanilang paaralan ay gumagawa ng mahusay na trabaho (marahil iyon ang dahilan kung bakit pinili nila ang institusyong iyon), ngunit ang nakakagulat na bilang ng mga tugon na nakukuha namin ay sumusunod sa pattern na ito, kung minsan ay nagmumungkahi na ang isang paaralan na ay walang nakikitang aktibidad ng blockchain ay ang nag-iisang pinakamahusay na paaralan sa espasyo, nagpapahiwatig sa akin na marahil ay hindi namin insentibo ang tamang bagay. Sa hinaharap, umaasa akong mag-eksperimento sa iba pang mekanika (Mga paligsahan sa kagandahan ng Keynesian, ETC.), ngunit sa ngayon, itinuturing kong lubos na baluktot ang data na ito. Ang insentibo namin hanggang ngayon ay tila isang paligsahan sa katanyagan, hindi layunin na pagsusuri.

Sabi nga, ang mga problemang ito ay sumasalot sa lahat ng uri ng pagraranggo. T ko ibinabahagi ang mga katotohanang ito upang bawasan ang halaga ng aming mga pagraranggo, dahil naniniwala pa rin ako na, ayon sa konteksto, ang ilang kumbinasyon ng mga pagraranggo at ang pinagbabatayan na data ay may hindi bababa sa ilang halaga. Kung hindi maayos na na-conteksto, gayunpaman, sila ay crap. Sa huli, marahil ang pinakakapaki-pakinabang na bagay na magagawa natin ay manatiling nakatuon sa pagiging bukas at transparent sa aming pamamaraan, aming data, aming mga proseso at, higit sa lahat, sa aming mga pagkabigo. Ang aming mga ranggo ay hindi perpekto; ang magagawa lang natin ay pagbutihin ang mga ito taon-taon at paalalahanan ang mga tao na maglapat ng makatwirang dami ng konteksto kapag sinusuri ang listahan. Mangyaring makipag-ugnayan kung gusto mong pag-usapan ang tungkol sa mga ranggo na ito, kung paano mapapabuti ang mga ito, o kung bakit dapat itong alisin.