跟踪在美国教育中很普遍。仅在高等教育领域，至少71%的大学使用考试来跟踪学生。然而，有人担心，最常用的大学分班考试缺乏有效性和可靠性，不必要地将来自代表性不足群体的学生送入补习班。虽然最近的研究表明，跟踪可以对学生的学习产生积极影响，但不准确的位置也会产生后果:学生们面临着不一致的课程，必须为不计入毕业学分的补习课程支付学费。我们开发了一个替代系统来安置学生，该系统使用预测分析将多个措施结合到一个安置工具中。与大学相比;现有的分班测试，该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，以评估该算法对学生的影响。大学水平课程的录取率在不降低通过率的情况下大幅提高。针对多重测试进行调整后，算法分班总体上(尽管并非总是如此)缩小了不同人口群体在大学分班率和补习课程上的差距。 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.