CN109598650B - 招收和录取系统 - Google Patents
招收和录取系统 Download PDFInfo
- Publication number
- CN109598650B CN109598650B CN201810470539.1A CN201810470539A CN109598650B CN 109598650 B CN109598650 B CN 109598650B CN 201810470539 A CN201810470539 A CN 201810470539A CN 109598650 B CN109598650 B CN 109598650B
- Authority
- CN
- China
- Prior art keywords
- potential
- educational institution
- persona
- institution
- application
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 abstract description 11
- 230000006855 networking Effects 0.000 abstract description 8
- 230000008520 organization Effects 0.000 abstract description 5
- 230000007115 recruitment Effects 0.000 description 70
- 230000004044 response Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2053—Education institution selection, admissions, or financial aid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及招收和录取系统。操作包括汇总、分析和显示关于教育机构的潜在人选的信息。系统可以通过遍历例如较低教育数据库、社交网络网站或测试组织数据库来汇总潜在人选信息。系统可以评估作为有潜力的申请人的潜在人选以生成让招生人员联系的推荐。可替代地或附加地,系统可以评估已经申请入学该机构的潜在人选以生成让录取官员接受的推荐。系统可以基于潜在人选在机构中成功的潜力来推荐潜在人选。成功可以与诸如从教育机构毕业的可能性或者从机构毕业后获得就业的可能性之类的度量对应。可以选择与先前成功的学生共享属性的潜在人选以供推荐。与先前成功的学生不共享属性的潜在人选可能不被选择以供推荐。
Description
权益要求
本申请要求于2017年9月30日提交的编号为62/566,408的美国临时专利申请和于2018年3月8日提交的编号为15/915,361的美国非临时专利申请的权益,这些专利申请通过引用并入本文。
技术领域
本公开涉及招收和录取学生到教育机构。特别地,本公开涉及有助于管理教育机构的潜在人选的招收和录取系统。
背景技术
高等教育机构(诸如在本文中可互换使用的大学和学院)持续招收并评估录取潜在人选。招收和评估录取潜在人选常常是劳动密集、手动、繁琐的过程。此外,学院可以对众多的潜在人选花费大量的时间和金钱进行营销。但是,学院目标锁定的许多潜在人选可能对上大学不合格或不感兴趣。
在学院登记的学生可以辍学或转学到另一所学院。学生辍学或转走导致学院的毕业率更低。学生辍学或转走导致学院的学费收入减少。
本节中描述的方法是可以追求的方法,但不一定是先前已经构想或追求的方法。因此,除非另有说明,否则不应当假设本节中描述的任何方法仅仅因为它们被纳入本节中就符合作为现有技术。
附图说明
在附图的图中,实施例是以示例的方式而不是限制的方式进行图示的。应当注意的是,本公开中对“实施例”或“一个实施例”的引用不一定是指相同的实施例,并且它们意味着至少一个。在附图中:
图1图示了根据一个或多个实施例的系统;
图2A图示了根据一个或多个实施例的招收界面;
图2B图示了根据一个或多个实施例的招收界面的申请前潜在人选群体视图;
图2C图示了根据一个或多个实施例的招收界面的申请前潜在人选类别视图;
图2D图示了根据一个或多个实施例的招收界面的个人申请前潜在人选视图;
图3A图示了根据一个或多个实施例的录取界面;
图3B图示了根据一个或多个实施例的录取界面的申请人群体视图;
图3C图示了根据一个或多个实施例的录取界面的申请人类别视图;
图3D图示了根据一个或多个实施例的个人申请人录取视图;
图4图示了根据一个或多个实施例的用于识别和呈现所推荐的潜在人选的示例操作集合;
图5图示了根据一个或多个实施例的用于基于类别来显示潜在人选信息的示例操作集合;以及
图6示出了图示根据一个或多个实施例的计算机系统的框图。
具体实施方式
在以下描述中,为了说明的目的,阐述了许多具体细节以便提供透彻的理解。可以在没有这些具体细节的情况下实践一个或多个实施例。在一个实施例中描述的特征可以与在不同的实施例中描述的特征组合。在一些示例中,参考框图形式来描述众所周知的结构和设备以避免不必要地模糊本发明。
1.总体概述
2.招收和录取系统
3.自适应招收界面
4.自适应录取界面
5.识别和呈现潜在人选
6.其他;扩展
7.硬件概述
1.总体概述
一些实施例包括招收和录取系统,在本文中也被称为潜在人选管理系统。该潜在人选管理系统汇总并显示关于高等教育机构的潜在人选的信息。尚未启动用于向高等教育机构申请的申请流程的潜在人选可以在本文中被称为申请前潜在人选。已经启动用于向高等教育机构申请的申请流程的潜在人选在本文中可以被称为申请人。
在一个或多个实施例中,潜在人选管理系统使用潜在人选数据处理器和潜在人选分析器来收集和分析潜在人选数据。潜在人选数据处理器可以通过遍历例如较低教育数据库、社交网络网站、测试组织数据库或运动员管理数据库来汇总潜在人选信息以识别潜在人选。潜在人选分析器可以评估潜在人选来生成让招生人员联系的推荐。潜在人选分析器可以评估潜在人选以生成录取或不录取潜在人选进入高等教育机构的推荐。潜在人选分析器可以推荐以下潜在人选:(a)与先前成功的学生共享属性,(b)匹配机构偏好,或(c)具有匹配行业需求的兴趣。潜在人选分析器可以基于潜在人选在教育机构中登记的可能性来生成推荐。作为示例,具有已经在高等教育机构中登记的兄弟姐妹的潜在人选可以被推荐让招生人员联系。潜在人选分析器可以基于潜在人选在特定教育机构中成功的潜力来推荐潜在人选。成功可以与从该机构毕业的可能性对应。
在实施例中,招收界面显示与申请前潜在人选对应的信息和推荐。招收界面包括潜在人选群体视图。潜在人选群体视图可以将申请前潜在人选划分为不同的类别。作为示例,申请前潜在人选可以按成绩、兴趣或少数族裔身份被分类。招收界面可以推荐联系方法用于联系申请前潜在人选。作为示例,招收界面可以经由社交网络网站、电子邮件通信或电话呼叫来识别潜在人选的偏好通信介质,诸如短信。
在实施例中,录取界面显示有关于高等教育机构的申请人的信息和推荐。除了由招收界面显示的信息类型之外,录取界面还可以显示录取推荐。录取界面可以被配置为从录取官员接收指定特定申请人是否被录取的输入。录取界面可以用于触发诸如生成录取信之类的处理。
本说明书中描述和/或权利要求中阐述的一个或多个实施例可以不包括在这“总体概述”一节中。
2.招收和录取系统
图1图示了根据一个或多个实施例的招收和录取系统100。如图1中所示,招收和录取系统100包括潜在人选数据处理器110、潜在人选信息储存库120、潜在人选分析器122、招收界面130和录取界面140。在一个或多个实施例中,系统100可以包括比图1中示出的部件更多或更少的部件。图1中所示的部件可以是彼此本地的或彼此远离的。图1中所示的部件可以用软件和/或硬件来实现。每个部件可以分布在多个应用和/或机器上。多个部件可以被组合成一个应用和/或机器。关于一个部件描述的操作可以替代地由另一个部件执行。
在一个或多个实施例中,招收和录取系统100分析与教育机构的潜在人选对应的数据。潜在人选可以包括尚未启动申请流程的教育机构的潜在申请人(在本文中被称为申请前潜在人选)。潜在人选还可以包括教育机构的申请人。申请人包括已经向教育机构提交完整入学申请的潜在人选。申请人还可以包括已提交申请的组成部分但未提交完整申请的潜在人选。
在一个或多个实施例中,潜在人选数据处理器110分析来自各种来源的潜在人选数据,以识别高等教育机构的潜在人选。由潜在人选数据处理器110分析的潜在人选数据可以包括但不限于招收流程数据102、个人数据104、学术数据106和申请数据108。
在一个或多个实施例中,招收流程数据102是在招收流程中获取的数据。招收流程数据102可以是经由大学的招收努力获得的数据。作为示例,招收流程数据102可以包括当学生访问大学并与录取官员或招生人员谈话时获得的潜在人选的姓名。作为另一个示例,招收流程数据102可以包括在高中访问期间由录取部门人员收集的潜在人选的联系信息。招收流程数据102可以指示潜在人选对该机构的兴趣水平。系统可以经由潜在人选与招生人员或招收电子邮件的交互来获得指示潜在人选的兴趣水平的招收流程数据102。系统可以明确或隐含地从潜在人选交互中获得正面或负面反馈。作为示例,潜在人选打开目标电子邮件,但没有跟进,从而明确地表示缺乏兴趣。作为另一个示例,潜在人选点击目标电子邮件中的链接,从而明确表示有兴趣。作为另一个示例,潜在人选没有打开目标电子邮件,从而暗示缺乏兴趣。
在一个或多个实施例中,个人数据104可以包括关于由潜在人选执行的任何活动的信息。个人数据104可以基于由潜在人选执行的活动隐含地揭示潜在人选兴趣。作为示例,个人数据104可以包括指示潜在人选已经访问大学网站的浏览器历史。个人数据104还可以包括指示潜在人选已经访问的第三方网站的浏览器历史。作为另一个示例,个人数据104可以包括关于在工程竞赛中赢得第一名的潜在人选的信息。作为另一个示例,个人数据104可以包括由潜在人选制作的社交媒体帖子,指示对雕刻的兴趣。个人数据104还可以包括生物分布数据,诸如在调查中自我报告的潜在人选的种族。个人数据104可以包括从第三方数据库获得的潜在人选信息。
在一个或多个实施例中,学术数据106包括来自潜在人选的先前和/或当前教育机构的记录。可以由大学从潜在人选或从潜在人选的当前或先前教育机构来收集学术数据。作为示例,学术数据106可以包括潜在人选的高中记录。学术数据106可以包括来自其它高等学府的学术记录。学术数据106还可以包括学生的标准化测试得分。
在一个或多个实施例中,申请数据108可以包括由潜在人选提交作为正式申请的一部分的信息。申请数据108可以包括由潜在人选在入学申请中自我报告的测试得分和/或成绩。申请数据108可以包括由潜在人选在入学申请中提供的人口统计信息。申请数据108可以包括由潜在人选提交作为入学申请的一部分的论文。申请数据108可以包括由教师代表潜在人选提交作为入学申请的一部分的推荐信。申请数据108可以包括申请中指定的兴趣,诸如住房兴趣和体育兴趣。
在实施例中,潜在人选数据处理器110导出、归一化并链接潜在人选数据。潜在人选数据处理器110积累来自多个源的数据并将数据汇总到潜在人选信息储存库120。潜在人选数据处理器110可以导出数据。例如,潜在人选数据处理器110确定潜在人选在高中接收到多个“A”成绩。潜在人选数据处理器可以将数据转换成统一格式以促进潜在人选之间的比较。例如,潜在人选数据处理器110可以将来自各种源和格式的绩点平均值(GPA)转换成“X.XX”格式。潜在人选数据处理器可以将数据归一化。作为示例,潜在人选数据处理器可以将从国内和国际申请人接收到的GPA归一化以促进比较来自不同国家的申请人。潜在人选数据处理器可以映射来自不同源的数据。作为示例,潜在人选对入学Jones学院的申请列出了两位亲属,他们是Jones学院的校友。在申请中,校友的名字被映射到Jones学院的记录系统中与相应校友对应的记录。潜在人选数据处理器可以链接数据集合。作为示例,潜在人选数据处理器将自我报告的学术能力评估测试(SAT)得分链接到官方SAT得分报告。
在实施例中,潜在人选信息储存库120是用于存储潜在人选信息的任何类型的存储单元和/或设备(例如,文件系统、表格的集合或任何其它存储机制)。另外,潜在人选信息储存库120可以包括多个不同的存储单元和/或设备。多个不同的存储单元和/或设备可以是也可以不是相同类型或位于相同物理位置。另外,潜在人选信息储存库120可以在与潜在人选数据处理器110、潜在人选分析器122、招收界面130和录取界面140相同的计算系统上实现或执行。可替代地或附加地,潜在人选信息储存库120可以在与潜在人选数据处理器110、潜在人选分析器122、招收界面130和录取界面140分开的计算系统上实现或执行。潜在人选信息储存库120可以经由直接连接或经由网络而通信地耦合到潜在人选数据处理器110、潜在人选分析器122、招收界面130和录取界面140。
潜在人选信息存储库120可以与可以访问潜在人选的个人数据104的电子邮件服务、互联网服务提供商或社交网络连接。如上所述,潜在人选的个人数据104可以包括学生的实体关联、个人连接、浏览历史和过去参与的事件。可能受到潜在人选的批准,系统可以获得此类个人数据。系统可以将个人数据存储在潜在人选信息储存库120中。
作为另一个示例,教育机构可以与和潜在人选相关联的其它机构具有数据共享关系。这些其它机构可以包括具有潜在人选的信息的教育机构或非教育机构。招收和录取系统100可以从这些其它机构获得用于录取分析的数据。该数据可以与潜在人选的简档相关联地存储在潜在人选信息储存库120中。
在一个或多个实施例中,先前潜在人选统计信息112包括关于先前潜在人选的历史数据。先前潜在人选可以包括访问、申请、登记和/或毕业于该教育机构的学生。先前潜在人选统计信息112可以包括哪些先前潜在人选被录取或未被录取到该机构。先前潜在人选统计信息112可以包括哪些先前潜在人选申请或未申请入学该机构。先前潜在人选统计信息112可以包括潜在人选的就业信息。作为示例,该机构可以向校友发送调查以请求就业信息。对于提供就业信息的校友的子集,系统存储先前潜在人选就业数据。附加地或可替代地,系统可以从第三方就业相关网站或数据库获得就业数据。先前潜在人选统计信息112可以包括人口统计信息,诸如种族、性别和社会经济状况。先前潜在人选统计信息112可以包括学术数据,诸如高中成绩、本科成绩和标准化测试得分。
在一个或多个实施例中,机构偏好114指定教育机构偏好在其上聚焦资源的项目(program)和/或潜在人选。作为示例,机构可以针对那些对科学、技术、工程和数学(STEM)表达兴趣的高中学生。机构可以寻求通过针对当前机构群体中代表性不足的特定背景的学生来增加多样性。机构偏好114可以指定正在为其招收潜在人选的特定项目。机构可以使用不同的参数来选择医科学生、法律学生和本科生。
在一个或多个实施例中,机构信息116包括关于机构的信息。机构信息116可以包括当前可用的项目。作为示例,大学可用的项目可以包括:文科学士(BA)、文学学士;理学硕士、工程硕士;法学博士(JD);以及医学博士(MD)学位项目。在继续教育机构,项目可以包括教学证书和房地产许可证。机构信息还可以包括对新学生可用的多个开放空间。作为示例,学院每年可以录取1000名即将到来的新生。
在一个或多个实施例中,行业就业数据118包括关于一个或多个行业的就业数据。行业就业数据118可以指示倾向于导致就业的专业或聚焦度(concentration)。例如,行业就业数据可以包括以每个专业为基础的学院毕业生就业的百分比的统计信息(例如,计算机工程专业的90%以及心理学专业的60%在毕业后1年内从事该行业)。
在一个或多个实施例中,潜在人选分析器122包括被配置为对关于潜在人选的信息进行分析、分类和选择的硬件和/或软件。潜在人选分析器122可以从潜在人选信息储存库120获得潜在人选数据。此外,潜在人选分析器122可以获得先前潜在人选统计信息112、机构偏好114、机构信息116和/或行业就业数据118。潜在人选分析器可以持续或定期地更新关于潜在人选的信息,诸如但不限于成绩、申请流程的阶段、潜在人选对大学的兴趣水平、潜在人选的地点以及潜在人选的财务状况。
在实施例中,潜在人选分析器122分析与先前潜在人选对应的数据。潜在人选分析器122识别与在教育机构成功的先前潜在人选相关联的属性。取决于感兴趣的潜在人选的集合,成功可以基于一个或多个度量进行测量。对于申请人,系统可以识别完成目标(诸如从学位项目毕业或获得专业认证)的先前潜在人选。作为示例,成功可以被定义为从教育机构毕业、毕业后获得就业或者在阈值时间段(例如,四年)内毕业。对于申请前潜在人选,成功度量可以与申请流程相关。作为示例,成功可以被定义为在教育机构登记或被录取到教育机构。潜在人选分析器可以使用多个成功度量。作为示例,潜在人选分析器可以既考虑潜在人选是否在教育机构登记,又考虑潜在人选是否从教育机构毕业。
在实施例中,潜在人选分析器122将与在教育机构中已经成功的先前潜在人选相关联的属性和与当前潜在人选相关联的属性进行比较。可替代地或附加地,潜在人选分析器可以识别并比较与在教育机构中未成功的先前潜在人选相关联的属性。基于当前潜在人选与先前潜在人选之间的比较,潜在人选分析器122确定当前潜在人选将在教育机构中成功的可能性。潜在人选分析器122可以计算指示当前潜在人选在教育机构成功的可能性的得分(在本文中也被称为“成功得分”)。
在实施例中,潜在人选分析器122对潜在人选进行分类。关于潜在人选的信息可以用于将潜在人选指派到类别。例如,潜在人选信息可用用于将潜在人选分为以下类别中的一个:(a)年度财务需求资助的0%至30%、(b)年度财务需求资助的30%至70%,以及(c)年度财务需求资助的70%至100%。潜在人选分析器122可以基于机构偏好对潜在人选进行分类。作为示例,响应于检测用户对机构偏好“专业=化学”的选择,潜在人选分析器识别追求化学学士学位的潜在人选的子集。
在一个或多个实施例中,潜在人选分析器122经由招收界面130和录取界面140选择用于呈现的数据。潜在人选分析器122可以基于潜在人选类别选择用于呈现的数据。潜在人选分析器122可以基于与一个或多个潜在人选对应的成功可能性来选择用于呈现的数据。潜在人选分析器122可以基于从录取界面140和/或招收界面130接收的输入来选择用于呈现的数据。
在一个或多个实施例中,招收界面130以汇总或单独的形式显示关于申请前潜在人选的信息。招收界面130可以从潜在人选信息储存库120或从潜在人选分析器122获得潜在人选信息。招收界面130可以显示可以由录取官员或招生人员查看的用以识别潜在人选并与潜在人选进行交流的信息。招收界面130还可以包括接受用户命令以准备和向潜在人选发送营销材料、通讯和申请的功能。
在实施例中,招收界面130可以以各种粒度水平来显示信息。用户可以深入到由招收界面130显示的信息集合中以识别进一步细节。作为示例(图2A中所示),招收界面130可以在申请前潜在人选群体视图202、申请前潜在人选类别视图204和个人申请前潜在人选视图206中以不同粒度水平显示潜在人选信息。用户可以在申请前潜在人选人口视图202,申请前潜在人选类别视图204和个人申请前潜在人选视图206之间进行导航。
在一个或多个实施例中,录取界面140以汇总或单独的形式显示关于申请人的信息。录取界面140可以从潜在人选信息储存库120或从潜在人选分析器122获得潜在人选信息。作为示例,录取界面140可以显示可以由录取官员查看用以识别要录取的申请人的信息。录取界面140还可以包括接受用户命令以准备并向潜在人选发送接受信、拒绝信或经济援助供应的功能。
在实施例中,录取界面140可以以各种粒度水平来显示信息。用户可以深入到由录取界面140显示的信息集合中以识别进一步细节。作为示例(图3A中所示),录取界面140可以在申请人群体视图302、申请人类别视图304和个人申请人视图306中以不同粒度水平显示潜在人选信息。用户可以在申请人群体视图302、申请人类别视图304以及个人申请人视图306之间进行导航。
招收界面130和录取界面140的不同组成部分可以用不同的语言来指定。用户界面元素的行为以动态编程语言(诸如JavaScript)来指定。用户界面元素的内容以标记语言(诸如超文本标记语言(HTML)或可扩展标记语言(XML)、用户界面语言(XUL))来指定。用户界面元素的布局以样式表语言(诸如层叠样式表(CSS))来指定。可替代地,招收界面130和录取界面140以一种或多种其它语言(诸如Java、C或C++)来指定。
招收界面130和录取界面140可以在一个或多个数字设备上实现。术语“数字设备”一般是指包括处理器的任何硬件设备。数字设备可以指执行应用或虚拟机的物理设备。数字设备的示例包括计算机、平板电脑、膝上型电脑、台式电脑、上网本、移动手持机、智能电话、个人数字助理(“PDA”)和/或客户端设备。
3.自适应招收界面
图2A-图2D图示了根据一个或多个实施例的招收界面130的示例。招收界面130可以是自适应招收界面。基于关于在高等教育机构成功或未成功的先前潜在人选的统计信息,定期地或持续地调整自适应招收界面。如从与先前潜在人选对应的统计信息估计的,招收界面130可以基于成功的可能性来显示用户选择的类别以将申请前潜在人选分开。基于成功的可能性来呈现类别允许招生人员关注最有可能在大学中成功的潜在人选。
如图2A中所示,招收界面130包括申请前潜在人选群体视图202、申请前潜在人选类别视图204和个人申请前潜在人选视图206。招收界面130可以响应于用户输入而切换视图,以允许用户深入到所选择的潜在人选组的统计信息。
A.申请前潜在人选群体视图
如图2B中所示,申请前潜在人选群体视图202可以包括例如与对其数据在潜在人选信息储存库中可用的潜在人选对应的汇总信息的显示。汇总信息可以包括与潜在人选集合中的每一个相关联的汇总潜在人选信息。申请前潜在人选群体视图202可以显示关于整个机构的信息。作为示例,申请前潜在人选群体视图202可以显示跨多年的趋势,诸如前几年在该教育机构登记的潜在人选的居住地点、平均到来的GPA或平均年龄。
招收界面130的申请前潜在人选群体视图202可以显示包括人口统计信息210和学术统计信息212的统计信息。申请前潜在人选群体视图202可以显示与统计信息对应的申请前潜在人选的类别。作为示例,申请前潜在人选群体视图202可以显示三种潜在人选类别:(a)与大学处于相同州的州内潜在人选,(b)与大学处于不同州的州外潜在人选,以及(c)与大学处于不同国家的国际潜在人选。在申请前潜在人选群体视图202中显示的每个类别可以被配置为供用户选择。作为示例,用户点击被标记为“国际潜在人选”的按钮。界面过渡到申请前潜在人选类别视图204以显示关于国际类别中的潜在人选的附加信息。
申请前潜在人选群体视图202可以呈现被推荐用于以单独格式或在界面的单独部分中观看的类别。例如,潜在人选选择引擎确定参与4-H俱乐部的学生很可能在兽医学方面成功。因而,申请前潜在人选群体视图202在申请前潜在人选群体视图202的“推荐”部分中显示被标记为“兴趣:4H”的链接。
附加地或可替代地,申请前潜在人选群体视图202可以基于统计信息来显示详细信息。作为示例,当在被标记为“国际潜在人选”的按钮上方悬停时,界面显示读取“350个识别出的国际潜在人选”的模态。
在实施例中,人口统计信息210是关于潜在人选背景的统计信息。人口统计信息可以包括种族、年龄和性别。人口统计信息可以包括社会经济状况(例如,父母或学生收入)。人口统计信息可以包括地理统计信息(例如,州内或州外)。
在实施例中,学术统计信息212是有关成绩、测试得分或学术表现的其它测量的统计信息。学术统计信息212可以包括由潜在人选分析器基于潜在人选信息得出的平均数、总数和/或百分比。作为示例,申请前潜在人选群体视图202可以显示表示当前申请前潜在人选的第10百分位数(例如,2.0)、第50百分位数(例如,3.2)和第90百分位数(例如,3.9)的绩点平均值(GPA)。
在实施例中,招收任务216是要由用户对于一个或多个申请前潜在人选执行的活动。这些任务可以是招生人员的动作项。任务216可以包括将招收材料邮寄给潜在人选并与高中顾问对应。
在实施例中,招收约见218是用户对于一个或多个申请前潜在人选的即将到来的约见。作为示例,申请前潜在人选群体视图202可以显示针对录取顾问的即将到来的约见。所列出的约见可以与到通信方法的链接集成。与Chris Sanchez的约见可以用约见时间、约见类型,到Chris的消息的链接和到Chris的详细简档的链接来说明。
B.申请前潜在人选类别视图
响应于用户输入经由申请前潜在人选群体视图202来选择潜在人选类别,招收界面130可以呈现如图2C所示的申请前潜在人选类别视图204。
申请前潜在人选类别视图204可以显示潜在人选列表222。潜在人选列表222是与一个或多个类别对应的潜在人选列表。作为示例,响应于用户选择潜在类别“种族=美洲原住民”,系统显示已知为美洲原住民的45个识别出的潜在人选的列表。作为另一个示例,潜在人选类别视图204可以显示与潜在人选的成功可能性对应的潜在人选列表222(例如,被确定为可能申请、被录取、被接受或登记的潜在人选)。申请前潜在人选类别视图204还可以将潜在人选的子集划分成组。作为示例,基于学生是否已经访问过教育机构,具有3.0和3.5之间的GPA的潜在人选的子集可以被进一步划分。潜在人选的子集中的第一组可以包括已经访问过教育机构的潜在人选。潜在人选的子集中的第二组可以包括尚未访问该机构的潜在人选。录取官员现在可以从具有3.0和3.5的GPA之间的学生的子集中选择已经访问该机构的潜在人选组。响应于已经访问该机构的潜在人选的进一步选择,招收界面130显示(a)具有3.0和3.5之间的GPA并且(b)已经访问该机构的潜在人选列表。录取官员现在可以选择个人潜在人选来检查有关潜在人选访问的笔记。
申请前潜在人选类别视图204还可以显示潜在人选类别统计信息220。潜在人选类别统计信息220可以包括特定类别中的多个申请前潜在人选。作为示例,申请前潜在人选类别视图204可以显示关于被标记为“在高中具有5个A或更多个A的学生”的申请前潜在人选类别的信息。响应于检测到用户的鼠标悬停在类别标签上,潜在人选类别视图显示文本“识别出562个潜在人选”。附加地或可替代地,潜在人选类别统计信息220可以包括与特定潜在人选类别相关联的随时间变化的百分位数或趋势。
C.个人申请前潜在人选视图
响应于用户从申请前潜在人选类别视图204中显示的潜在人选集合中选择特定潜在人选,招收界面130可以从申请前潜在人选类别视图204切换到个人申请前潜在人选视图206,如图2D中所示。个人申请前潜在人选视图206可以显示关于可能不一定已经显示在申请前潜在人选类别视图204中的个人的附加信息。
在实施例中,个人申请前潜在人选视图206可以显示关于特定个人的详细信息。作为示例,个人申请前潜在人选视图206可以显示潜在人选的课外活动。此外,个人申请前潜在人选视图206可以包括到与潜在人选相关联的外部网站的链接。例如,个人申请前潜在人选视图206可以包括到潜在人选的社交网络网页或专业网络网页的链接。
在实施例中,(一个或多个)潜在人选得分232是由潜在人选分析器指派给潜在人选的(一个或多个)得分。个人申请前潜在人选视图206可以显示表示潜在人选在教育机构成功的可能性的得分。作为示例,个人申请前潜在人选视图206可以显示表示潜在人选被录取到教育机构的可能性的得分。作为另一个示例,个人申请前潜在人选视图206可以显示表示潜在人选从教育机构毕业的可能性的得分。可替代地或附加地,个人申请前潜在人选视图206可以基于多个因素(诸如申请的可能性、被录取的可能性以及获得就业的可能性)来显示表示成功可能性的得分。
在实施例中,个人申请前潜在人选视图206可以显示潜在人选的联系信息234。个人申请前潜在人选视图206可以显示潜在人选的邮寄地址、电子邮件地址和/或电话号码。个人申请前潜在人选视图206可以显示到与潜在人选相关联的一个或多个社交媒体页面的链接。
在实施例中,个人申请前潜在人选视图206可以显示联系推荐236。联系推荐236可以是对联系潜在申请人的推荐。可替代地,联系推荐236可以是对不联系潜在申请人的推荐。联系推荐236可以由潜在人选分析器来确定,如在第5A节中进一步描述的。
在实施例中,招收和录取系统100的一个或多个视图可以允许直接与潜在人选进行交互。作为示例,约见安排工具可以包括安排与潜在人选约见的功能。录取官员可以直接从录取界面内安排与潜在人选的面谈。可替代地或附加地,录取界面可以与日历应用通信地耦合用于安排会议。其它功能可以包括建议项目(诸如课外活动),这可以提高潜在人选被大学接受的机会。可以经由电子邮件、文本消息、聊天消息或为招收和录取系统100配置的另一种形式的通信来建议项目。
4.自适应录取界面
图3A-图3D图示了根据一个或多个实施例的录取界面140的示例。录取界面140可以是自适应录取界面。基于关于在高等教育机构中成功或未成功的先前潜在人选的统计信息,定期地或持续地调整自适应录取界面。如从与先前潜在人选对应的统计信息估计的,录取界面140可以基于成功的可能性来显示用户选择的类别以将申请人分开。基于成功的可能性来呈现类别允许录取官员关注最有可能在大学中成功的潜在人选。
如图3A中所示,录取界面140包括申请人群体视图302、申请人类别视图304和个人申请人视图306。录取界面140可以响应于用户输入而切换视图,以允许用户深入到关于所选择的申请人组的统计信息。
A.申请人群体视图
如图3B中所示,申请人群体视图302可以包括例如与对其数据在潜在人选信息储存库中可用的潜在人选对应的汇总信息的显示。汇总信息可以包括与潜在人选集合中的每一个相关联的汇总潜在人选信息。申请人群体视图302可以显示关于整个机构的信息。作为示例,申请人群体视图302可以显示跨多年的趋势,诸如前几年从大学毕业的潜在人选的居住地点、平均GPA或平均年龄。
录取界面140的申请人群体视图302可以显示申请人的类别。申请人群体视图可以显示可点击的链接或按钮以使用户能够深入并查看特定类别的申请人。这些类别可以与人口统计信息210和学术统计信息212对应,如上面在第3A节中所描述的。此外,录取界面140可以显示与申请统计信息310、录取流程类别312和/或申请人匹配水平314相关的统计信息和/或类别。
在实施例中,申请统计信息310是与接收到的学院申请相关的统计信息。申请统计信息310可以包括接收到的多个申请。申请统计信息310可以包括在过去一年或多年中被录取的多个申请人。之前的录取还可以基于附加的类别被组织。作为示例,申请人群体视图302可以显示在前几年录取的申请人当中高中GPA低于3.0的百分比。
在实施例中,录取流程类别312可以在申请流程中的特定阶段指定潜在人选集合。作为示例,录取流程类别312可以与已经启动但未完成申请的潜在人选集合对应。录取流程类别312可以与缺失特定申请项(例如,测试得分报告或成绩报告单)的申请人集合对应。录取流程类别312可以与已经申请但是尚未做出录取决定的申请人对应。录取流程类别312可以与已经申请并且已经做出录取决定的申请人对应。
在实施例中,申请者任务316是要由用户对于一个或多个申请人执行的活动。申请人任务316可以是录取官员的动作项。申请人任务316可以包括处理申请并发出接受信。
在实施例中,申请人约见318是用户对于一个或多个申请人的即将到来的约见。作为示例,申请人群体视图302可以显示即将到来的录取官员的约见。所列出的约见可以与到通信方法的链接集成。与Chris Sanchez的约见可以用约见时间、约见类型,到Chris的消息的链接、Chris的申请状态的表示和到Chris的详细简档的链接来说明。
B.申请人类别视图
响应于经由申请人群体视图302选择潜在人选类别的用户输入,录取界面140可以呈现如图3C中所示的申请人类别视图304。
申请人类别视图304可以显示作为特定类别中的申请人的列表的申请人列表322。作为示例,响应于用户对类别“种族=美洲原住民”的选择,系统显示已知为美洲原住民的45个识别出的潜在人选的列表。如关于申请前潜在人选类别视图204在第3B节中所描述的,申请人类别视图304可以将所选择的潜在人选的子集划分为进一步的组。
申请人类别视图304还可以显示申请人类别统计信息320。申请人类别统计信息320可以包括特定类别中的多个申请人。作为示例,申请人类别视图304可以显示关于被标记为“在高中具有5个A或更多个A的学生”的申请人类别的信息。响应于检测到用户的鼠标悬停在类别标签上,申请人类别视图304显示文本“识别出562个申请人”。此外,申请人类别统计信息320可以包括与特定申请人类别相关联的随时间变化的百分位数或趋势。
C.个人申请人视图
响应于从申请人类别视图304中显示的潜在人选集合中选择特定潜在人选,录取界面140可以从申请人类别视图304切换到个人申请人视图306,如图3D中所示。个人申请人视图306可以显示关于可能不一定已经在申请人类别视图304中显示的个人的附加信息。
在实施例中,个人申请人视图306可以显示关于特定个人的详细信息,包括申请前信息330。申请前信息可以包括在招收阶段收集的信息,诸如测试得分和高中成绩。作为示例,个人申请人视图306可以显示潜在人选的高中课外活动。此外,个人申请人视图306可以包括到与潜在人选相关联的外部网站的链接。例如,个人申请人视图306可以包括到潜在人选的社交网络网页或专业网络网页的链接。
在实施例中,个人申请人视图306可以包括申请信息332。申请信息332是从入学申请获得的信息。申请信息332可以包括在论文中提供的信息。申请信息332可以包括在推荐信中提供的信息。
在实施例中,个人申请人视图306可以包括(一个或多个)申请人得分334。(一个或多个)申请人得分334是由潜在人选分析器指派给申请人的(一个或多个)得分。个人申请人视图306可以显示表示潜在人选在教育机构成功的可能性的得分。作为示例,个人申请人视图306可以显示表示申请人在教育机构中登记的可能性的得分。作为另一个示例,个人申请人视图306可以显示表示申请人从教育机构毕业的可能性的得分。可替代地或附加地,个人申请人视图306可以显示基于多个因素(诸如登记的可能性、毕业的可能性和获得就业的可能性)导出的得分。
在实施例中,个人申请人视图306可以显示录取推荐336。录取推荐336可以是对录取或不录取特定申请人的推荐。录取推荐336可以由潜在人选分析器来确定,如在第5A节中进一步描述的。
在实施例中,个人申请人视图306可以显示后续推荐338。后续推荐338可以基于申请人的申请材料中缺失的信息。作为示例,申请人可以已经开始申请,但仍需要提供测试得分或推荐信。系统可以识别缺失的信息并通知用户与申请人联系以请求缺失的信息。可替代地或附加地,系统可以直接向申请人发送提醒。
5.识别并呈现潜在人选
A.基于推荐
图4图示了根据一个或多个实施例的用于识别和呈现所推荐的潜在人选的示例操作集合。图4中所示的一个或多个操作可以被修改、重新布置或完全省略。因而,图4中所示的操作的特定次序不应当被解释为限制一个或多个实施例的范围。
在实施例中,潜在人选分析器识别教育机构的先前潜在人选。(操作402)。潜在人选分析器可以识别对其先前潜在人选数据可用的所有先前潜在人选。可替代地,潜在人选分析器可以识别先前潜在人选的子集。作为示例,响应于用户对潜在人选类别:“公民身份=中国”的选择,潜在人选分析器识别出具有中国公民身份的先前潜在人选的子集。
在实施例中,潜在人选分析器确定先前潜在人选在教育机构是否成功。(操作404)。如第2节中所述,可以通过许多度量中的一个(诸如从教育机构毕业或在教育机构中登记)来定义成功。可以经由到招收界面130和/或录取界面140的用户输入来选择成功的度量。作为示例,录取官员选择成功度量(在5年内毕业),然后该成功度量被系统用来评估潜在人选。潜在人选分析器可以使用一个或许多个成功度量来评估潜在人选。
基于(一个或多个)适当的成功度量,潜在人选分析器确定特定潜在人选是否成功。作为示例,成功度量是在5年内毕业,并且特定潜在人选在3年内毕业。潜在人选分析器将特定先前潜在人选的毕业时间表与成功度量进行比较以确定成功的特定潜在人选。
潜在人选分析器可以识别成功的先前潜在人选的子集。作为示例,潜在人选分析器可以识别出在5年或更少的年份内从教育机构毕业的1000个先前潜在人选。
在实施例中,潜在人选分析器识别与成功相关联的先前潜在人选属性。(操作406)。潜在人选分析器可以识别经常与成功的先前潜在人选相关联的属性。作为示例,潜在人选分析器可以确定:高中GPA大于或等于3.4的学生历史上有85%的机会从大学毕业。因而,“GPA≥3.4”被识别为与成功相关联的先前潜在人选属性。作为另一个示例,潜在人选分析器可以识别跨多个属性的统计模式。
在实施例中,潜在人选分析器识别与成功不关联的先前潜在人选属性。(操作408)。潜在人选分析器可以识别经常与未成功的先前潜在人选相关联的属性。作为示例,潜在人选分析器可以确定:高中GPA小于或等于2.1的学生历史上有70%的机会从大学辍学。因而,“GPA≤2.1”被识别为与成功不关联的先前潜在人选属性。
在实施例中,潜在人选分析器识别教育机构的当前潜在人选。(操作410)。潜在人选分析器可以响应于检测到对招收界面的用户输入来识别当前潜在人选。作为示例,招生人员经由招收界面来选择特定的潜在人选以供分析。潜在人选分析器可以响应于检测到对录取界面的用户输入来识别当前的潜在人选。作为示例,录取官员经由录取界面来选择特定的潜在人选以供分析。可替代地或附加地,潜在人选分析器可以响应于新数据被更新到潜在人选信息储存库来识别当前潜在人选。作为示例,在接收到新申请时,潜在人选信息储存库用新数据进行更新。响应于检测到新数据,潜在人选分析器开始分析新申请人。
在实施例中,潜在人选分析器为教育机构识别当前潜在人选的潜在人选属性(操作412)。潜在人选分析器可以识别存储在潜在人选信息储存库中的潜在人选属性。潜在人选分析器可以查询潜在人选信息储存库以检索当前潜在人选的特定潜在人选属性。可替代地,潜在人选分析器可以检索当前潜在人选可用的所有潜在人选属性。
在实施例中,潜在人选分析器识别当前潜在人选属性与以下中的至少一个之间的相关性:(1)与成功相关联的先前潜在人选属性或(2)与成功不关联的先前潜在人选属性(操作414)。作为示例,潜在人选分析器可以确定与成功相关联的先前潜在人选与当前潜在人选之间共享的多个属性。可替代地或附加地,潜在人选分析器可以确定在与成功不关联的先前潜在人选与当前潜在人选之间共享的多个属性。
在实施例中,潜在人选分析器确定当前潜在人选在教育机构成功的可能性(操作416)。该确定是基于先前潜在人选与当前潜在人选之间的相关性。作为示例,当前潜在人选已知10个属性。这些属性中的八个属性与成功的先前潜在人选共享。两个属性与未成功的先前潜在人选共享。因而,潜在人选分析器确定当前潜在人选很可能成功。该确定是基于以下二者的:(1)当前潜在人选属性和与成功相关联的先前潜在人选属性之间的相关性较高,以及(2)当前潜在人选属性和与成功不关联的先前潜在人选属性之间的相关性较低。潜在人选分析器可以基于相关性来确定成功得分。作为示例,潜在人选分析器为与成功相关联的先前潜在人选共享的每个属性指派+1分。潜在人选分析器为与成功不关联的先前潜在人选共享的每个属性指派-0.5分。潜在人选分析器为当前潜在人选汇总积分以获得当前潜在人选的成功得分。
在一个或多个实施例中,潜在人选分析器使用一个或多个机器学习模型来基于潜在人选属性预测当前潜在人选的成功可能性。作为示例,潜在人选分析器可以使用先前潜在人选统计信息来训练机器学习模型,以生成根据多个潜在人选属性而变化的成功模型。使用机器学习模型,潜在人选分析器可以识别与成功确定相关的先前潜在人选属性的子集。机器学习模型可以按每个属性与成功确定的有关性的顺序对每个属性进行加权。潜在人选分析器可以将当前潜在人选属性输入到模型中以获得当前属性的成功得分。成功得分可以是数字的(例如,从1到100的等级)。
在实施例中,(一个或多个)机器学习模型可以基于用户输入或刷新的数据集合进行调整。响应于用户对类别的选择,系统可以微调所实现的(一个或多个)模型。作为示例,用户选择“转校生”类别。系统精炼要应用于转校生的(一个或多个)模型。当数据被刷新时,系统可以更新(一个或多个)模型。作为示例,系统处理校友调查的集合,从而更新所存储的先前潜在人选数据。因而,系统基于更新后的数据集合来刷新(一个或多个)模型。附加地或可替代地,可以基于升力分析(lift analysis)来更新(一个或多个)模型。作为示例,在目标锁定来自Alabama的潜在人选的两年之后,数据显示大学收入增长了15%。因而,(一个或多个)模型被刷新为更加重视来自Alabama的潜在人选。
在实施例中,系统呈现推荐。(操作418)。系统基于所确定的当前潜在人选在教育机构中成功的可能性来呈现推荐。作为示例,推荐成功得分超过60的潜在人选,而不推荐成功得分低于或等于60分的潜在人选。系统可以推荐直接联系和/或发送营销材料的申请前潜在人选。系统可以推荐申请人被录取或不被录取到教育机构。可以经由招收界面呈现对是否联系申请前潜在人选的推荐。可以经由录取界面呈现对是否录取申请人的推荐。
以下详细示例说明了根据一个或多个实施例的操作。以下详细示例不应当被解释为限制任何权利要求的范围。招收和录取系统准备识别要招收申请大学医学院的潜在人选。系统识别大学的机构偏好。为了被大学的医学院录取,潜在人选必须已经完成了生物学、化学或医学预科的本科学位。此外,大学正在寻找代表性不足的少数族裔的潜在人选。
系统识别和与大学进行互动的先前潜在人选的大集合对应的数据。使用与先前潜在人选对应的数据,系统使用机器学习模型将先前潜在人选属性与成功进行相关。系统基于以下几个成功度量的组合来评估成功:申请大学、获得大学的录取、毕业以及在毕业后被聘为医生。
诸如成绩、课外活动和年龄之类的属性基于与每个成功度量的相关性被加权。机器学习模型基于机构偏好进行微调–只有朝着生物学、化学或医学预科工作或持有生物学、化学或医学预科学位的学生被选中。模型进一步被微调以推动作为代表性不足的少数族裔的潜在人选识别。
系统识别当前潜在人选Jane Doe。Jane Doe已经访问过大学,并与医学院的招生人员进行了交谈,但尚未申请(即,Jane Doe是申请前潜在人选)。系统已经收集了关于JaneDoe的潜在人选数据,包括本科成绩、专业和人口统计信息。系统将与Jane Doe对应的潜在人选数据输入到机器学习模型中。该模型的输出是从1到100的得分,该得分指示Jane Doe在大学成功的可能性。Jane Doe被指派的得分为90分,这指示成功的可能性高并且非常适合大学的机构偏好。
基于Jane Doe在大学的医学院成功的高可能性,系统呈现对联系Jane Doe的推荐。招收界面显示关于Jane Doe的详细信息。除了关于Jane Doe的详细信息,招收界面还显著地显示文本“推荐联系”。招收界面显示按钮,从而使用户能够经由招收界面直接联系Jane Doe。
B.基于类别
图5图示了根据一个或多个实施例的用于显示与潜在人选中与一个或多个类别相关联的子集相关联的信息的示例操作集合。图5中所示的一个或多个操作可以被修改、重新布置或完全省略。因而,图5中所示的操作的特定次序不应当被解释为限制一个或多个实施例的范围。
在实施例中,招收和录取系统汇总与教育机构的潜在人选相关联的信息(操作502)。系统汇总与多个当前潜在人选相关联的信息以获得潜在人选的汇总数据集合。系统可以汇总来自许多源的数据,诸如招收流程数据、个人数据、学术数据和/或申请数据。潜在人选数据处理器可以对数据进行归一化以促进比较来自不同源和格式的数据。潜在人选数据处理器可以导出对分析潜在人选有用的新数据。作为示例,潜在人选数据处理器为以下两个得分都可用的每个潜在人选生成组合的SAT和美国大学入学测试(ACT)得分用以存储。处理后的数据集合存储到潜在人选信息储存库。
在实施例中,招收和录取系统显示与汇总数据集合对应的类别(操作504)。在申请前潜在人选为了招收目的而被评估的情况下,招收界面的申请前潜在人选群体视图(图2B中所示)可以显示类别。在申请人为了录取而被评估的情况下,录取界面的申请人群体视图(图3B中所示)可以显示类别。类别可以被显示为可以由用户选择的按钮或链接。
在实施例中,系统接收选择类别的用户输入(操作506)。用户可以点击显示在招收界面或录取界面上的链接或按钮。响应于接收到用户输入,对应的界面识别所选择的类别。
在实施例中,潜在人选分析器识别潜在人选中与该类别相关联的子集。(操作508)。潜在人选分析器可以查询潜在人选信息储存库以识别与该类别相关联的潜在人选。作为示例,该类别是“美国研究生入学考试(GRE)口语得分>160”。潜在人选分析器查询潜在人选信息储存库以检索GRE口语得分超过160的当前潜在人选的列表。
在实施例中,系统显示与潜在人选中与该类别相关联的子集相关联的信息。(操作510)。对于申请前潜在人选,可以经由招收界面的申请前潜在人选类别视图(如图2C中所示)来显示潜在人选中与该类别相关联的子集。对于申请人,可以经由申请人界面的申请人类别视图(如图3C中所示)来显示潜在人选中与该类别相关联的子集。在任一种情况下,系统都可以显示潜在人选列表和/或关于整体类别中的潜在人选的统计信息。
以下详细示例说明了根据一个或多个实施例的操作。以下详细示例不应当被解释为限制任何权利要求的范围。大学录取官员打开录取界面。录取官员已经意识到全校范围的对增加被录取学生的多样性的努力。特别地,需要作为学生的家中第一个上大学的那些学生。
招收和录取系统已经为成千上万的申请者积累了数据。数据存储在潜在人选信息储存库中。每个学生可用的潜在人选属性集合有所不同。一些学生已经报告了SAT得分,而其他学生尚未报告SAT得分。一些潜在人选已经报告了种族,而其他潜在人选尚未报告种族。对于一些学生而言,系统已经获取了指示兴趣和期望的互联网浏览数据。对于其他学生而言,浏览数据不可用。百分之三十的申请人在入学申请的可选部分中已经提供了关于该学生是否没有上过大学的直系家庭成员的信息。在一些情况下,学生将个人陈述集中在成为该学生的家中第一个上大学的希望上。
录取官员打开录取界面的申请人群体视图。申请人群体视图显示多种类型的类别,包括人口统计信息、学术统计信息和申请统计信息。录取官员选择类别–“家中第一个上大学的”。录取官员点击与该类别对应的界面上的按钮。响应于用户输入,系统识别“家中第一个上大学的”类别中的每个潜在人选。
录取界面过渡到申请人类别视图。该界面显示“家中第一个上大学的”类别中的申请人列表。录取界面显示附加类别。录取官员使用附加类别对申请人列表进行微调。录取官员点击类别“GPA>3.2”。系统精炼学生列表以显示GPA大于3.2的学生。官员点击类别“SAT>1200”。系统精炼学生列表以显示SAT得分大于1200的学生。现在,录取界面显示可管理的30名申请人的列表,这些申请人很可能是大学所期望的。录取官员依次点击列表中的每个申请人。系统经由申请人界面的个人申请人视图来显示关于申请人的详细信息。录取官员查看关于每个申请人的详细信息,包括录取推荐。
6.其他;扩展
实施例针对具有一个或多个设备的系统,设备包括硬件处理器并且被配置为执行本文所述的和/或下面任何权利要求所述的任何操作。
在实施例中,非瞬态计算机可读存储介质包括指令,该指令在由一个或多个硬件处理器执行时,使得执行本文所述的和/或任何权利要求所述的任何操作。
根据一个或多个实施例,可以使用本文所述的特征和功能的任何组合。在前述说明书中,已经参考了许多具体细节描述了实施例,这些具体细节可能因实施而异。因此,说明书和附图被认为是说明性的而不是限制性的意义。本发明的范围的唯一且排他的指示以及申请人所预期作为本发明的范围的内容,是以从本申请产生的一组权利要求的以该组权利要求产生的具体形式的书面范围和等效范围,该组权利要求包括任何后续的校正。
7.硬件概述
根据一个实施例,本文所描述的技术由一个或多个专用计算设备来实现。专用计算设备可以是硬连线的以执行该技术,或者可以包括诸如被永久性地编程以执行该技术的一个或多个专用集成电路(ASIC)、现场可编程门阵列(FPGA)或网络处理单元(NPU)的数字电子设备,或者可以包括被编程为根据固件、存储器、其它存储装置或组合中的程序指令来执行该技术的一个或多个通用硬件处理器。这些专用计算设备还可以将定制的硬接线逻辑、ASIC、FPGA或NPU与定制的编程组合来实现该技术。专用计算设备可以是台式计算机系统、便携式计算机系统、手持式设备、联网设备或结合硬连线和/或程序逻辑来实现该技术的任何其它设备。
例如,图6是图示可以在其上实现本发明的实施例的计算机系统600的框图。计算机系统600包括总线602或用于传送信息的其它通信机制,以及与总线602耦合用于处理信息的硬件处理器604。硬件处理器604可以是例如通用微处理器。
计算机系统600还包括耦合到总线602用于存储信息和要由处理器604执行的指令的主存储器606,诸如随机存取存储器(RAM)或其它动态存储设备。主存储器606也可以用于在要由处理器604执行的指令的执行期间存储临时变量或其它中间信息。这些指令在被存储在处理器604可访问的非瞬态存储介质中时,使计算机系统600成为被定制以执行指令中指定的操作的专用机器。
计算机系统600还包括耦合到总线602用于存储用于处理器604的指令和静态信息的只读存储器(ROM)608或其它静态存储设备。提供了诸如磁盘或光盘的存储设备610,并且存储设备610被耦合到总线602用于存储信息和指令。
计算机系统600可以经由总线602耦合到显示器612,诸如阴极射线管(CRT),用于向计算机用户显示信息。输入设备614(其包括字母数字和其它键)被耦合到总线602用于将信息和命令选择传送到处理器604。另一种类型的用户输入设备是光标控件616,诸如鼠标、轨迹球、或光标方向键,用于向处理器604传送方向信息和命令选择并且用于控制光标在显示器612上的移动。这种输入设备通常具有在两个轴(第一轴(例如,x)和第二轴(例如,y))中的两个自由度,以允许设备在平面中指定位置。
计算机系统600可以使用定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑来实现本文所描述的技术,这些定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑与计算机系统组合使计算机系统600成为或将计算机系统600编程为专用机器。根据一个实施例,本文的技术由计算机系统600响应于处理器604执行主存储器606中包含的一条或多条指令的一个或多个序列而执行。这些指令可以从另一个存储介质(诸如存储设备610)读取到主存储器606中。被包含在主存储器606中的指令序列的执行使处理器604执行本文所描述的处理步骤。在替代实施例中,可以使用硬连线电路系统代替软件指令或与软件指令组合使用。
如本文所使用的术语“存储介质”是指存储使机器以特定方式操作的数据和/或指令的任何非瞬态介质。这种存储介质可以包括非易失性介质和/或易失性介质。非易失性介质包括例如光盘或磁盘,诸如存储设备610。易失性介质包括动态存储器,诸如主存储器606。存储介质的常见形式包括例如软盘、柔性盘、硬盘、固态驱动器、磁带或任何其它磁性数据存储介质、CD-ROM、任何其它光学数据存储介质、具有孔图案的任何物理介质、RAM、PROM和EPROM、FLASH-EPROM、NVRAM、任何其它存储器芯片或盒式磁带、内容可寻址存储器(CAM)和三态内容可寻址存储器(TCAM)。
存储介质与传输介质不同但可以与传输介质结合使用。传输介质参与在存储介质之间传输信息。例如,传输介质包括同轴线缆、铜线和光纤,包括包含总线602的引线。传输介质还可以采取声波或光波的形式,诸如在无线电波和红外线数据通信期间生成的那些波。
各种形式的介质可以涉及将一条或多条指令的一个或多个序列携带到处理器604以供执行。例如,最初可以在远程计算机的磁盘或固态驱动器上携带指令。远程计算机可以将指令加载到该远程计算机的动态存储器中,并且使用调制解调器经电话线发送指令。计算机系统600本地的调制解调器可以接收电话线上的数据,并且使用红外线发射器将数据转换为红外线信号。红外线探测器可以接收在红外线信号中携带的数据,并且适当的电路系统可以将数据放在总线602上。总线602将数据携带到主存储器606,处理器604从该主存储器606检索并执行指令。由主存储器606接收到的指令可以可选地在被处理器604执行之前或执行之后存储在存储设备610上。
计算机系统600还包括耦合到总线602的通信接口618。通信接口618提供耦合到网络链路620的双向数据通信,其中网络链路620连接到本地网络622。例如,通信接口618可以是综合业务数字网(ISDN)卡、线缆调制解调器、卫星调制解调器、或向对应类型的电话线提供数据通信连接的调制解调器。作为另一个示例,通信接口618可以是提供到兼容的局域网(LAN)的数据通信连接的LAN卡。也可以实现无线链路。在任何这种实现中,通信接口618都发送和接收携带表示各种类型信息的数字数据流的电信号、电磁信号或光信号。
网络链路620通常通过一个或多个网络向其它数据设备提供数据通信。例如,网络链路620可以通过本地网络622提供到主计算机624或到由互联网服务提供商(ISP)626操作的数据设备的连接。ISP 626进而通过现在通常被称为“互联网”628的世界范围的分组数据通信网络提供数据通信服务。本地网络622和互联网628都使用携带数字数据流的电信号、电磁信号或光信号。通过各种网络的信号以及在网络链路620上并且通过通信接口618的信号是传输介质的示例形式,其中这些信号将数字数据携带到计算机系统600或者从计算机系统600携带数字数据。
计算机系统600可以通过(一个或多个)网络、网络链路620和通信接口618发送消息和接收数据,包括程序代码。在互联网示例中,服务器360可以通过互联网628、ISP 626、本地网络622和通信接口618传送对应用程序请求的代码。
接收到的代码可以在其被接收到时由处理器604执行,和/或存储在存储设备610中或其它非易失性存储器中以供以后执行。
在前述说明书中,已经参考许多具体细节描述了本发明的实施例,这些具体细节可以因实现而异。因此,说明书和附图被认为是说明性的而不是限制性的意义。本发明的范围的唯一且排他的指示以及申请人所预期作为本发明的范围的内容,是以从本申请产生的一组权利要求的以该组权利要求产生的具体形式的书面范围和等效范围,该组权利要求包括任何后续的校正。
Claims (9)
1.一种包括指令的非瞬态计算机可读介质,所述指令在由一个或多个硬件处理器执行时,使得执行包括以下的操作:
识别教育机构的多个先前潜在人选;
识别与所述多个先前潜在人选相关联的属性集合,所述属性集合与所述多个先前潜在人选在所述教育机构中的成功相关;
确定属性中的每个属性的权重,该权重指示所述多个先前潜在人选在所述教育机构中成功的属性中的每个属性的相对重要性;
使用所述属性和对应的权重来训练机器学习模型;
使用机器学习模型来识别多个当前潜在人选中的具有在所述教育机构中成功的可能性的当前潜在人选集合;
使用所训练的机器学习模型来识别由与所述教育机构的收入增长相关联的先前潜在人选共享的属性子集;
通过增加与和收入增长相关联的属性子集相关联的权重来更新机器学习模型;
将所更新的机器学习模型应用于当前潜在人选集合,以识别当前潜在人选集合中的具有在所述教育机构中成功的可能性并且具有与所述教育机构的收入增长相关联的属性的子集;
基于在所述教育机构中成功的可能性和当前潜在人选的所述子集与收入增长的关联来呈现推荐。
2.如权利要求1所述的介质,其中所述操作还包括遍历一个或多个数据库,以在从一个或多个当前潜在人选到所述教育机构的任何通信之前识别所述教育机构的所述多个当前潜在人选中的所述一个或多个当前潜在人选。
3.如权利要求1所述的介质,其中所述推荐包括以下中的一个或多个:
录取特定当前潜在人选的推荐;
不录取特定当前潜在人选的推荐;或者
联系或不联系特定当前潜在人选以启动用于向所述教育机构申请的申请流程的推荐。
4.如权利要求1所述的介质,其中在所述教育机构中成功包括以下中的一个或多个:在所述教育机构中登记、从所述教育机构毕业、在阈值时间段内从所述教育机构毕业,或者在从所述教育机构毕业后获得就业。
5.如权利要求1所述的介质,其中当前潜在人选中的至少一个当前潜在人选包括所述教育机构的申请人。
6.如权利要求1所述的介质,其中特定当前潜在人选在所述教育机构中成功的可能性包括以下中的一个或多个:
表示所述特定当前潜在人选在所述教育机构中成功的可能性的成功得分;
基于行业就业数据被确定;
基于机构偏好被确定;
基于机构信息被确定;或者
基于个人数据被确定。
7.一种用于评估学术机构的潜在人选的方法,包括:
如权利要求1-6中任一项所执行的操作;
其中所述方法由包括硬件处理器的至少一个设备执行。
8.一种被配置为评估学术机构的潜在人选的装置,包括用于执行如权利要求1-6中任一项所执行的操作的部件。
9.一种被配置为评估学术机构的潜在人选的设备,包括:
处理器;以及
存储器,耦合到所述处理器并且所述存储器包括存储在其上的指令,所述指令在由所述处理器执行时,使得所述处理器执行如权利要求1-6中任一项所执行的操作。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762566408P | 2017-09-30 | 2017-09-30 | |
US62/566,408 | 2017-09-30 | ||
US15/915,361 | 2018-03-08 | ||
US15/915,361 US11301945B2 (en) | 2017-09-30 | 2018-03-08 | Recruiting and admission system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598650A CN109598650A (zh) | 2019-04-09 |
CN109598650B true CN109598650B (zh) | 2023-12-08 |
Family
ID=65896808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810470539.1A Active CN109598650B (zh) | 2017-09-30 | 2018-05-17 | 招收和录取系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11301945B2 (zh) |
CN (1) | CN109598650B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3035037C (en) * | 2019-02-27 | 2023-01-03 | Ocas. | System and method for achieving candidate diversity in a candidate application system |
US11055798B1 (en) | 2019-10-31 | 2021-07-06 | Empower Illinois | Data management systems for scholarship programs |
US11783244B2 (en) | 2021-06-14 | 2023-10-10 | Jonathan Harris Borden | Methods and systems for holistic medical student and medical residency matching |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007233674A (ja) * | 2006-03-01 | 2007-09-13 | Tm Networks:Kk | 入学者選考方法および入学者選考システム |
CN101604417A (zh) * | 2009-04-20 | 2009-12-16 | 张东阳 | 网上录取考生的方法及系统 |
CN104239393A (zh) * | 2013-06-18 | 2014-12-24 | 成功要素股份有限公司 | 候选人简档的自动物色和筛选 |
CN104463401A (zh) * | 2013-11-25 | 2015-03-25 | 北京建筑大学 | 一种招生信息管理方法及系统 |
CN105184708A (zh) * | 2015-08-14 | 2015-12-23 | 北京联校传奇信息科技有限公司 | 一种留学申请匹配方法及系统 |
CN106296505A (zh) * | 2016-08-01 | 2017-01-04 | 王继培 | 面向多个对象的教育系统信息交互方法、装置和系统 |
CN106327107A (zh) * | 2016-09-23 | 2017-01-11 | 深圳市讯方技术股份有限公司 | 一种职位信息匹配方法及装置 |
Family Cites Families (73)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997044766A1 (en) | 1996-05-22 | 1997-11-27 | Agent Based Curricula, Inc. | Agent based instruction system and method |
US5727950A (en) | 1996-05-22 | 1998-03-17 | Netsage Corporation | Agent based instruction system and method |
US6427063B1 (en) | 1997-05-22 | 2002-07-30 | Finali Corporation | Agent based instruction system and method |
US6347333B2 (en) | 1999-01-15 | 2002-02-12 | Unext.Com Llc | Online virtual campus |
WO2001082150A2 (en) | 2000-04-24 | 2001-11-01 | Highmarks, Inc. | System for scheduling classes and managing educational resources |
US20040167786A1 (en) | 2002-03-08 | 2004-08-26 | Grace John J. | System for optimizing selection of a college or a university and a method for utilizing the system provided by a program |
US20040009462A1 (en) | 2002-05-21 | 2004-01-15 | Mcelwrath Linda Kay | Learning system |
US7299217B2 (en) | 2002-09-09 | 2007-11-20 | Oni Adeboyejo A | Systems and methods for providing adaptive tools for enabling collaborative and integrated decision-making |
US7162431B2 (en) | 2002-11-12 | 2007-01-09 | Turning Point For Life, Inc. | Educational institution selection system and method |
US7426496B2 (en) | 2004-03-03 | 2008-09-16 | Microsoft Corporation | Assisted form filling |
US7305129B2 (en) | 2003-01-29 | 2007-12-04 | Microsoft Corporation | Methods and apparatus for populating electronic forms from scanned documents |
US20040161728A1 (en) | 2003-02-14 | 2004-08-19 | Benevento Francis A. | Distance learning system |
US8620831B1 (en) | 2003-06-03 | 2013-12-31 | Phillip M. Adams | Student-centered, cross-institutional curriculum management system apparatus and method |
US7882041B2 (en) | 2004-01-09 | 2011-02-01 | American Public University Systems, Inc. | System and method for optimizing the effectiveness of an educational institution |
US20050227216A1 (en) | 2004-04-12 | 2005-10-13 | Gupta Puneet K | Method and system for providing access to electronic learning and social interaction within a single application |
US20060069576A1 (en) | 2004-09-28 | 2006-03-30 | Waldorf Gregory L | Method and system for identifying candidate colleges for prospective college students |
US20060265258A1 (en) * | 2005-04-18 | 2006-11-23 | Craig Powell | Apparatus and methods for an application process and data analysis |
US20060252021A1 (en) | 2005-05-03 | 2006-11-09 | Watkins Harold C | Requirements based registration system |
US8457544B2 (en) | 2008-12-19 | 2013-06-04 | Xerox Corporation | System and method for recommending educational resources |
US20090035733A1 (en) | 2007-08-01 | 2009-02-05 | Shmuel Meitar | Device, system, and method of adaptive teaching and learning |
US20090081629A1 (en) | 2007-09-24 | 2009-03-26 | Chad Walter Billmyer | System and method for matching students to schools |
US20090197234A1 (en) | 2008-01-31 | 2009-08-06 | Damian Creamer | System and method for a virtual school |
US20100009332A1 (en) | 2008-07-08 | 2010-01-14 | Starfish Retention Solutions, Inc. | Method for compelling engagement between students and providers |
US8412736B1 (en) | 2009-10-23 | 2013-04-02 | Purdue Research Foundation | System and method of using academic analytics of institutional data to improve student success |
US20110270684A1 (en) | 2010-04-28 | 2011-11-03 | Ayax Systems, Inc. | Decision-making system and method |
WO2011140259A1 (en) * | 2010-05-04 | 2011-11-10 | Schmitt Steven J | Systems and methods for job referral recommendation engine |
US8764454B1 (en) | 2010-06-14 | 2014-07-01 | Scott Christopher Turner | Individualized academic focus credential structure, system and methods thereof |
US20110306028A1 (en) * | 2010-06-15 | 2011-12-15 | Galimore Sarah E | Educational decision support system and associated methods |
US9299266B2 (en) | 2010-09-24 | 2016-03-29 | Lexia Learning Systems Llc | System for performing assessment without testing |
US20120233108A1 (en) | 2011-03-10 | 2012-09-13 | Jenzabar, Inc. | System and Method for Determining Risk of Student Attrition |
US10896389B2 (en) | 2011-03-10 | 2021-01-19 | Jenzabar, Inc. | Workflow method and system for student retention management |
US20120233083A1 (en) | 2011-03-10 | 2012-09-13 | Jenzabar, Inc. | Method and System for Automatic Alert Generation in Retention Management System |
AU2012240051A1 (en) | 2011-04-07 | 2013-11-28 | Tristan DENLEY | Course recommendation system and method |
US20140074896A1 (en) | 2011-07-21 | 2014-03-13 | Partant Technology, Inc. | System and method for data analysis and display |
WO2013066868A1 (en) | 2011-10-31 | 2013-05-10 | Umatch, Inc. | Student retention method and system |
US20140052663A1 (en) * | 2012-08-20 | 2014-02-20 | Milestones Media, LLC | System and method for electronic evaluation and selection of schools based on user inputs |
US20140188442A1 (en) | 2012-12-27 | 2014-07-03 | Pearson Education, Inc. | System and Method for Selecting Predictors for a Student Risk Model |
US8972417B2 (en) | 2013-01-07 | 2015-03-03 | Linkedin Corporation | Suggested out of network communication recipients |
US20140205987A1 (en) | 2013-01-18 | 2014-07-24 | Steve Habermehl | Apparatus and method for enhancing academic planning and tracking via an interactive repository database |
US20150066559A1 (en) | 2013-03-08 | 2015-03-05 | James Robert Brouwer | College Planning System, Method and Article |
US20140279620A1 (en) * | 2013-03-15 | 2014-09-18 | Uversity, Inc. | Systems and methods for determining enrollment probability |
US20140379602A1 (en) | 2013-06-25 | 2014-12-25 | Apollo Education Group, Inc. | Skill-driven education marketplace |
US9940606B2 (en) | 2013-10-30 | 2018-04-10 | Chegg, Inc. | Correlating jobs with personalized learning activities in online education platforms |
US20150134556A1 (en) * | 2013-11-12 | 2015-05-14 | RevUp Software Inc. | Systems and methods for raising donations |
US20150149379A1 (en) * | 2013-11-22 | 2015-05-28 | Jacob Dearmon | Student Evaluation Enrollment System |
US20150149380A1 (en) | 2013-11-23 | 2015-05-28 | Saagar Sunil Kulkarni | Method and System for College Matching |
US9785627B2 (en) | 2014-01-23 | 2017-10-10 | Xerox Corporation | Automated form fill-in via form retrieval |
US20150220880A1 (en) | 2014-02-06 | 2015-08-06 | Apollo Education Group, Inc. | Suggesting a candidate enrollment item for a candidate student |
US20150248739A1 (en) | 2014-02-28 | 2015-09-03 | Linkedin Corporation | Recommendation system of educational opportunities to members in a social network |
US20150317604A1 (en) | 2014-05-05 | 2015-11-05 | Zlemma, Inc. | Scoring model methods and apparatus |
US20160071424A1 (en) | 2014-09-04 | 2016-03-10 | Megan Colleen Harney | Learning Network System |
US9971976B2 (en) | 2014-09-23 | 2018-05-15 | International Business Machines Corporation | Robust selection of candidates |
US20160140678A1 (en) | 2014-11-14 | 2016-05-19 | Edunav, Inc. | System and method for optimizing an educational study path |
WO2016094348A1 (en) * | 2014-12-09 | 2016-06-16 | Simple Entry, Llc | Identifying opportunities and/or complimentary personal traits |
US9984073B2 (en) | 2015-02-23 | 2018-05-29 | D2L Corporation | Systems and methods for motivation-based course selection |
US20160275634A1 (en) * | 2015-03-18 | 2016-09-22 | Linkedln Corporation | Using large data sets to improve candidate analysis in social networking applications |
US20180293679A1 (en) * | 2015-06-16 | 2018-10-11 | ColleMark LLC | Systems and methods of a platform for candidate identification |
US10529043B2 (en) * | 2015-06-16 | 2020-01-07 | Ellucian Company L.P. | Higher education data model systems and networks, and methods of organizing and operating the same |
US20170004453A1 (en) | 2015-06-30 | 2017-01-05 | Linkedin Corporation | Job type recommendation engine |
US10607298B1 (en) | 2015-07-30 | 2020-03-31 | Intuit Inc. | System and method for indicating sections of electronic tax forms for which narrative explanations can be presented |
US20170140488A1 (en) * | 2015-11-17 | 2017-05-18 | Arturo Caines | Student recruitment system and method |
US20170154309A1 (en) | 2015-11-30 | 2017-06-01 | Linkedin Corporation | Determining and displaying similar employees based on employment role |
WO2017152187A1 (en) | 2016-03-04 | 2017-09-08 | Civitas Learning, Inc. | Student data-to-insight-to-action-to-learning analytics system and method |
US10229100B1 (en) | 2016-04-22 | 2019-03-12 | Intuit Inc. | Augmented reality form fill |
US20170316528A1 (en) | 2016-04-28 | 2017-11-02 | Karen E. Willcox | System and method for generating visual education maps |
US20180052919A1 (en) | 2016-08-22 | 2018-02-22 | Xinteractive Inc. | Systems and methods for conversion analytics |
US20180130155A1 (en) | 2016-11-10 | 2018-05-10 | Adeboyejo Adetokunbo Oni | Systems and Methods for Simultaneously Visualizing Academic and Career Interrelationship Arrays |
US11393061B2 (en) * | 2017-01-05 | 2022-07-19 | Imam Abdulrahman Bin Faisal University | System and method for determining an amount of correlation between non-orthogonal vectors characterizing curricula participation |
US10909867B2 (en) | 2017-04-05 | 2021-02-02 | MF Genius, Corp. | Student engagement and analytics systems and methods with machine learning student behaviors based on objective measures of student engagement |
US20180350016A1 (en) | 2017-06-05 | 2018-12-06 | Bradley Ward | Method, apparatus, and system for predictive management of college search information and selection information |
US11068651B2 (en) | 2017-06-15 | 2021-07-20 | Estia, Inc. | Gap analysis on assessment data analysis platform |
US10650698B2 (en) | 2017-09-08 | 2020-05-12 | Sparxteq, Inc. | Systems and methods for analysis and interactive presentation of learning metrics |
US20200193384A1 (en) * | 2018-12-17 | 2020-06-18 | Stephanie Cecchini | Method for evaluating employment candidates using a competency score |
-
2018
- 2018-03-08 US US15/915,361 patent/US11301945B2/en active Active
- 2018-05-17 CN CN201810470539.1A patent/CN109598650B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007233674A (ja) * | 2006-03-01 | 2007-09-13 | Tm Networks:Kk | 入学者選考方法および入学者選考システム |
CN101604417A (zh) * | 2009-04-20 | 2009-12-16 | 张东阳 | 网上录取考生的方法及系统 |
CN104239393A (zh) * | 2013-06-18 | 2014-12-24 | 成功要素股份有限公司 | 候选人简档的自动物色和筛选 |
CN104463401A (zh) * | 2013-11-25 | 2015-03-25 | 北京建筑大学 | 一种招生信息管理方法及系统 |
CN105184708A (zh) * | 2015-08-14 | 2015-12-23 | 北京联校传奇信息科技有限公司 | 一种留学申请匹配方法及系统 |
CN106296505A (zh) * | 2016-08-01 | 2017-01-04 | 王继培 | 面向多个对象的教育系统信息交互方法、装置和系统 |
CN106327107A (zh) * | 2016-09-23 | 2017-01-11 | 深圳市讯方技术股份有限公司 | 一种职位信息匹配方法及装置 |
Non-Patent Citations (2)
Title |
---|
余晨.高校网络招生数据管理系统的研究与开发.当代教育实践与教学研究.2017,第54页. * |
李永在 ; .自主招生管理信息系统设计与实现.数字技术与应用.2010,(第12期),第15-16页. * |
Also Published As
Publication number | Publication date |
---|---|
US11301945B2 (en) | 2022-04-12 |
CN109598650A (zh) | 2019-04-09 |
US20190102854A1 (en) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aruguete et al. | How serious is the ‘carelessness’ problem on Mechanical Turk? | |
Li et al. | Factors influencing dropout and academic performance: an Australian higher education equity perspective | |
Papp | Topics of marital conflict in the everyday lives of empty nest couples and their implications for conflict resolution | |
Köhler et al. | ICCS 2016 User Guide for the International Database. IEA International Civic and Citizenship Education Study 2016. | |
Laanan | Studying transfer students: Part I: Instrument design and implications | |
Han et al. | The mediating effect of organizational commitment and employee empowerment: How transformational leadership impacts employee knowledge sharing intention | |
Webster et al. | The brief aggression questionnaire: Structure, validity, reliability, and generalizability | |
Heil et al. | College selectivity and degree completion | |
Vraga et al. | Issue-specific engagement: How Facebook contributes to opinion leadership and efficacy on energy and climate issues | |
Reardon et al. | The career course as a factor in college graduation | |
Dockery et al. | Promoting low socio-economic participation in higher education: A comparison of area-based and individual measures | |
de Novais et al. | Learning race to unlearn racism: The effects of ethnic studies course-taking | |
Struminskaya | Respondent conditioning in online panel surveys: Results of two field experiments | |
Sheng et al. | Health care information seeking and seniors: determinants of Internet use | |
Tucker et al. | Assessing the validity of college success indicators for the at-risk student: Toward developing a best-practice model | |
US9171255B2 (en) | Method, software, and system for making a decision | |
US20190114729A1 (en) | Academic program recommendation | |
Wolniak | Examining STEM bachelor’s degree completion for students with differing propensities at college entry | |
CN109598650B (zh) | 招收和录取系统 | |
Cheng et al. | The mediated MIMIC model for understanding the underlying mechanism of DIF | |
Olivera-Aguilar et al. | Using latent profile analysis to identify noncognitive skill profiles among college students | |
Lee et al. | Exploring definitions of financial abuse in elderly Korean immigrants: The contribution of traditional cultural values | |
Trussel et al. | Demography and student success: Early warning tools to drive intervention | |
Bulmer et al. | Trends in alcohol consumption among undergraduate students at a northeastern public university, 2002–2008 | |
Bergeron et al. | Individual part score profiles of children with intellectual disability: A descriptive analysis across three intelligence tests |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |