多面的な分析
リスクの早期特定
出席の低下
早朝の授業や特定の実習を欠席する、微細なパターンを検知します。
学業の勢い
コホート内での相対順位が3週間にわたり継続的に低下している学習者をフラグ付けします。
経済的シグナル
ERP と連携し、中退の先行指標である学費納入の遅れを検知します。
LMS からの離脱
クラス平均と比べたログイン頻度や課題の閲覧時間をモニタリングします。
在籍継続パイプライン
兆候から介入へ
1
システムデータの取り込み
2
リスク確率の算出
3
アドバイザーへのアラート
4
対応策の実行
LP
学習者プロファイル（情報工学 2年次）
中退確率 87%
自動対応プラン
- ファカルティアドバイザーへメールを送信しました
- ピアメンタリンググループへの登録をフラグ付けしました
- カウンセリング面談を自動で仮予約しました（確認待ち）
対応中
離脱を止める
学習者が試験を欠席したり、単位を落としたりする段階では、多くの場合すでに中退の意思が固まっています。
インテリジェンスエンジンは、教育機関に時間をもたらします。離脱の微細な兆候が積み重なる数週間前に捉えることで、支援スタッフが実際に介入し、学習者を引き留めるための時間を確保できます。
FAQ
ご質問にお答えします
学業・経済・行動のシグナルを統合し、学習者が学びから離れてしまう前にリスクを特定して、教育機関の先回りした在籍継続支援を後押しします。
出席の低下（早朝の授業や特定の実習を欠席する微細なパターン）、学業の勢い（コホート内での相対順位が3週間にわたり継続的に低下）、経済的シグナル（ERP を通じて検知する学費納入の遅れ）、LMS からの離脱（クラス平均と比べたログイン頻度や課題閲覧時間）という4領域で多面的に分析します。
在籍継続パイプラインは、システムデータの取り込み、リスク確率の算出、アドバイザーへのアラート、対応策の実行という4段階で構成されます。
エンジンが、その学習者プロファイルに応じた自動対応プランを組み立てます。中退確率が高いと判定された場合、ファカルティアドバイザーへのメール送信、ピアメンタリンググループへの登録フラグ、カウンセリング面談の自動仮予約（確認待ち）などを行います。
学習者が試験を欠席したり、単位を落としたりする段階では、多くの場合すでに中退の意思が固まっています。離脱の微細な兆候が積み重なる数週間前に捉えることで、支援スタッフが介入し、学習者を引き留めるための時間を確保できます。
関連する教育機関向けモジュール
Institution Intelligence Suite の他の連携モジュールもご覧ください。