Generalizability and Transferability of Course Workload Models Across Institutions

Conrad  Borchers; Zachary A. Pardos

doi:10.35542/osf.io/qf6cn_v3

PreprintDescarga libreInglés

Generalizability and Transferability of Course Workload Models Across Institutions

Conrad Borchers; Zachary A. Pardos

Año: 2026
DOI: 10.35542/osf.io/qf6cn_v3 (se abre en una pestaña nueva)
Licencia: CC BY

Resumen ADIPA

Elaborado con IA a partir del resumen de los autores

Preprint que investiga la generalización de modelos de predicción de carga académica entre instituciones de educación superior en Estados Unidos. El estudio examina si un modelo desarrollado en una universidad pública grande de la costa oeste puede transferirse a un colegio privado pequeño de la costa este, evaluando carga horaria, esfuerzo mental y estrés psicológico. Los hallazgos muestran que los créditos académicos solos no capturan la experiencia de carga de trabajo; características derivadas de sistemas de gestión del aprendizaje (SGA) y datos de inscripción explican más varianza en ambas instituciones. Aplicar modelos sin ajustes produjo predicciones sesgadas, pero el ajuste fino con 20-30 cursos locales redujo significativamente el error. Un modelo combinado entrenado con datos de ambas instituciones logró precisión competitiva, demostrando viabilidad de enfoques inter-institucionales para predicción de carga académica.

Puntos clave

Los créditos académicos no son suficientes para predecir carga de trabajo; características del SGA y datos de inscripción mejoran sustancialmente las predicciones en ambas instituciones.
Transferir modelos de carga académica sin calibración local produce sesgos sistemáticos, pero ajustar con pequeños conjuntos locales reduce significativamente el error de predicción.
Un modelo combinado entrenado en datos de ambas instituciones alcanza precisión comparable a modelos monoinstitucionais, viabilizando enfoques generales para predicción de carga académica.
La carga académica es multidimensional, incluyendo tiempo, esfuerzo mental y estrés psicológico, aspectos no capturados por métricas simples de créditos.
Las colaboraciones multi-institucionales en análisis de carga académica reducen la carga de recolección de datos nuevos y permiten desarrollar modelos escalables entre contextos.

Para quién: Dirigido a docentes, administrativos y diseñadores de sistemas educativos que implementan análisis predictivo de carga académica para mitigar estrés y deserción estudiantil en instituciones de educación superior.

Resumen de los autores

Accurately predicting course workload is an emerging approach to identifying institutional workload trends and supporting students in mitigating risks such as excessive stress and course dropout. However, replicating these predictive models across different institutional contexts remains underexplored. In this study, we investigate whether a workload-prediction model developed at a large public research university on the United States West Coast can be generalized to a small private college on the United States East Coast, focusing on the multidimensional aspects of workload: time load, mental effort, and psychological stress. Our findings confirm that credit hours alone cannot capture students' workload experiences at both universities. Instead, rich features derived from learning management system (LMS) and enrollment data explain substantially more variance in perceived workload at both institutions. However, applying a model trained in one context "out of the box" to another led to systematically biased predictions, often underperforming naive baselines. Despite these challenges, we demonstrate that fine-tuning with even a small amount of local data (20–30 courses) can substantially reduce prediction error, aligning model performance with locally trained alternatives. A combined model trained on data from both institutions achieves competitive accuracy compared to single-institution models, suggesting the viability of an institution-general approach to workload prediction. These results highlight the promise and complexity of transferring course workload analytics across contexts. Leveraging richer data features--beyond credit hours--consistently improves workload predictions, yet local institutional calibration remains crucial. Our study thus offers practical insights into developing scalable, data-driven models for workload management and underscores the potential for multi-institutional collaborations to reduce the burden of new data collection. All data analysis code used for this study is publicly available.

Áreas y palabras clave

Educación y psicopedagogía course load analytics higher education machine learning model transfer workload

Cómo citar (APA 7)

Borchers, C., & Pardos, Z. A. (2026). Generalizability and Transferability of Course Workload Models Across Institutions. https://doi.org/10.35542/osf.io/qf6cn_v3

BibTeX RIS (Zotero, Mendeley, EndNote)CSL-JSON

Generalizability and Transferability of Course Workload Models Across Institutions

Resumen ADIPA

Puntos clave

Resumen de los autores

Áreas y palabras clave

Cómo citar (APA 7)

Generalizability and Transferability of Course Workload Models Across Institutions

Resumen ADIPA

Puntos clave

Resumen de los autores

Áreas y palabras clave

Cómo citar (APA 7)

Relacionados