跟踪在美国教育中很普遍。仅在高等教育中，至少71%的大学使用测试来跟踪学生。然而，人们担心最常用的大学入学考试缺乏效度和可靠性，并不必要地将代表人数不足的学生安排到补习班。虽然最近的研究表明，跟踪可以对学生的学习产生积极的影响，但不准确的安排会产生后果:学生面临错位的课程，必须支付学费的补救课程，不计入学分，直到毕业。我们开发了一个替代系统来放置学生，使用预测分析将多个测量结合到放置仪器中。相比大学的;现有的定位测试，算法更能预测未来的表现。然后，我们在七所大学进行了一项实验，以评估算法对学生的影响。在没有降低通过率的情况下，大学课程的就业率大幅上升。根据多次考试进行调整后，一般情况下(但并非总是如此)的算法分班制缩小了大学分班率的差距，也缩小了不同人口群体接受补救课程的差距。 A detailed cost analysis shows that the algorithmic placement system is socially efficient: it saves costs for students while increasing college credits earned, which more than offsets increased costs for colleges. Costs could be reduced with improved data digitization as opposed to entering data by hand.