Hybrydowy model uczenia maszynowego do prognozowania i oceny rankingów uniwersytetów

Rosnące znaczenie rankingów uczelni wyższych w szkolnictwie wyższym wymaga zastosowania metod oceny, które są zarówno predykcyjne, jak i zrozumiałe. Tradycyjne podejścia do tworzenia rankingów opierają się zazwyczaj na stałych, ważonych wskaźnikach, podczas gdy modele uczenia maszynowego oparte wyłącznie na danych często zapewniają ograniczoną przejrzystość w procesie podejmowania decyzji przez instytucje. W niniejszym artykule zaproponowano hybrydową strukturę łączącą analizę z uczeniem maszynowym, służącą do oceny i prognozowania rankingów uniwersytetów przy użyciu wielowymiarowych wskaźników wydajności. Struktura ta łączy interpretowalny model agregacji ważonej, mechanizm korekcji reszt oparty na XGBoost, moduł prognozowania LSTM oraz analizę wyjaśnialności opartą na SHAP. Zbiór danych empirycznych został skonstruowany jako panel roczno-uczelniany obejmujący 20 kazachstańskich uczelni w latach 2019–2024, co dało 120 obserwacji. Wskaźniki wejściowe obejmowały liczbę publikacji, wpływ cytowań, indeks h, współpracę międzynarodową oraz finansowanie badań naukowych. Modele oceniono przy użyciu protokołu walidacji czasowej, w ramach którego lata 2019–2022 wykorzystano do szkolenia, rok 2023 do walidacji, a rok 2024 jako niezależny podzbiór testowy. Wyniki pokazują, że model hybrydowy zmniejszył wskaźnik RMSE z 0,185 do 0,092 w porównaniu z modelem analitycznym oraz z 0,124 do 0,092 w porównaniu z samodzielnym modelem XGBoost. Podobną poprawę zaobserwowano w przypadku wskaźników MAE, MAPE oraz błędu rankingowego. Pozostałe odchylenia wskazują jednak, że model ten należy interpretować jako zmniejszający, a nie eliminujący niepewność prognoz. Analiza SHAP wykazała, że wpływ cytowań i liczba publikacji charakteryzowały się najszerszym rozkładem wkładu cech, podczas gdy wszystkie wskaźniki wykazywały zarówno pozytywny, jak i negatywny wpływ w zależności od obserwacji. Proponowana struktura może wspierać analizę instytucjonalną poprzez połączenie oceny rankingowej, prognozowania oraz interpretowalnej identyfikacji kluczowych czynników wpływających na wyniki.