Higher Education Risk

高等教育リスク MCP サーバー

ApifyForge で表示 | Apify Store で利用

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します：

{
  "mcpServers": {
    "higher-education-risk-mcp": {
      "url": "https://ryanclinton--higher-education-risk-mcp.apify.actor/mcp"
    }
  }
}

---

大学、カレッジ、営利教育機関を対象とした高等教育リスク情報を、Model Context Protocol を通じて提供します。この MCP サーバーは AI アシスタントを 8 つのライブデータソースに接続し、認定状況、研究公正性、連邦資金への依存度、規制上のリスクを網羅した、構造化されたリスク評価を返します。手作業でデータベースを検索することなく、客観的な機関の健全性データを必要とする認定機関、学生ローンのポートフォリオマネージャー、州の規制当局、機関研究者向けに特化して構築されています。

このサーバーは Apify プラットフォーム上で永続的なスタンバイモードで稼働し、Claude Desktop、Cursor、Windsurf、Cline、または MCP 互換クライアントからのツール呼び出しを受け付けます。各リクエストは複数のデータソース（CFPB の苦情、Federal Register の公示、OpenAlex の出版物、ORCID の研究者プロフィール、USAspending の受賞情報、Grants.gov のポートフォリオ、Wikipedia）に並行して問い合わせ、その後、4 つのスコアリングモデルを適用して、平易な言葉で示すシグナルを含む複合リスクスコアを算出します。

どのようなデータを取得できますか？

データポイント	ソース	例
📊 機関の複合リスクスコア（0-100）	4 つのスコアリングモデル	compositeScore: 67
🏛️ 認定リスクレベル	CFPB + Federal Register + Wikipedia	riskLevel: "AT_RISK"
🔬 研究公正性指数（0-100）	OpenAlex + ORCID	integrityLevel: "GOOD", score: 71
💰 連邦資金の総額（USD）	USAspending	federalFunding: 48200000
📋 助成金ポートフォリオの多様性	Grants.gov	fundingDiversity: 5, grantCount: 12
⚠️ 閉鎖リスク評価（1-5）	財務存続可能性モデル	closureRisk: 2
📰 Title IV の規制上の脅威	Federal Register	titleIVThreats: 3
🗂️ 学生からの苦情件数	CFPB Complaint Database	complaintVolume: 47
📈 苦情増加のシグナル	CFPB の傾向分析	recent: 18 vs prior: 6
🔴 苦情の主な問題（分類済み）	CFPB による分類	"Student loan — payment issues": 14
👩‍🔬 ORCID に登録された研究者	ORCID のオープンレジストリ	totalResearchers: 28
📖 引用数を含む研究出版物	OpenAlex	totalPapers: 34, citationHealth: 22

高等教育リスク MCP サーバーを使う理由

機関のデューデリジェンスを手作業で行うには、CFPB の苦情ポータル、Federal Register の検索、USAspending.gov、Grants.gov、OpenAlex、ORCID を切り替えながら結果を比較するためのスプレッドシートを作成する必要があります。1 機関のスクリーニングだけで 4～6 時間かかる場合があります。20 校のポートフォリオでは、アナリストの作業に数週間を要します。

この MCP サーバーは、プロセス全体を自動化します。1 つのツールを呼び出すだけで、2 分以内に構造化されたリスク評価を取得できます。5 機関のピア比較を同時に実行できます。スプレッドシートに触れることなく、四半期ごとのモニタリングをスケジュールできます。

• スケジュール設定 — 四半期または年次の頻度で機関ポートフォリオを一括調査し、リスクの推移を追跡します
• API アクセス — Python、JavaScript、または任意の HTTP クライアントから評価を実行し、リスクプラットフォームにプログラムで統合します
• 並列データ収集 — 1 回のツール呼び出しで最大 8 つのデータソースに同時に問い合わせます。順次処理ではありません
• モニタリング — 機関の評価が完了したとき、または支出上限に近づいたときに Slack またはメールで通知を受け取ります
• 連携 — Zapier、Make、Google Sheets、HubSpot、または後処理に対応する任意の Webhook 対応システムに接続します

特徴

• 4つの独立したスコアリングモデル — 認定リスク（0-100、リスク重視）、研究公正性指数（0-100、品質重視）、財務健全性スコア（0-100、健全性重視）、規制エクスポージャースコア（0-100、リスク重視）を、それぞれ異なるデータソースの組み合わせから算出します
• 複合リスクスコア — 4つのモデルすべての加重平均から算出される、機関の健全性を示す単一の0-100の数値です：(100 − accreditation) × 0.25 + research × 0.25 + financial × 0.25 + (100 − regulatory) × 0.25
• 5段階のリスク分類 — 複合スコアの範囲に対応するLOW、MODERATE、ELEVATED、HIGH、CRITICALのラベルにより、迅速なトリアージが可能です
• 苦情増加の検出 — 直近6か月の苦情件数をその前の期間と比較します。直近の件数が以前の件数の1.5倍を超える場合、状況が悪化している兆候としてフラグを立てます
• Title IVの脅威スコアリング — Federal Registerの文書を「Title IV」、「student aid」、「gainful employment」、「borrower defense」、「accreditation」のキーワードでスキャンし、ヒットするたびに規制エクスポージャースコアへ重み付けします
• 営利学校のパターン検出 — Wikipediaまたは詳細調査のコンテンツに「for-profit」と「criticism」または「lawsuit」の両方が含まれる場合、リスクが高いものとして特別にスコアリングします
• 引用の健全性スコアリング — log2(avgCitations) × 5を使用して対数的な引用品質スコアを算出し、引用数が極端に多い論文が1本あるだけでスコアが膨らむのを防ぎます
• ジャーナルの多様性スコアリング — OpenAlexの結果に含まれる出版媒体の種類を数えます。5誌以上にわたって論文を発表している機関には、多様性ボーナスが加算されます
• 閉鎖リスク予測（1～5段階） — 財務健全性スコアを、一般的な機関監督フレームワークに沿った5段階の閉鎖リスク評価に変換します
• 強みとリスクの説明 — 完全なドシエツールは、スコアリングの根拠から平易な言葉で強みとリスクの箇条書きを自動生成し、レポートに直接使用できるようにします
• アクターの並列オーケストレーション — runActorsParallelはPromise.allSettledを介してすべてのデータソース呼び出しを実行するため、個々のソースで障害が発生しても評価全体は中断されません
• 支出上限ガード — すべてのツールがActor.charge()の結果を確認し、実行ごとのイベント課金上限に達した場合は、分かりやすいエラーメッセージを返します
• 8つのMCPツール — 簡易スナップショットから完全なドシエまで、対象を絞った用途と包括的な用途に対応します

高等教育のリスクインテリジェンスのユースケース

認定機関によるリスクベースのモニタリング

地域および全国の認定機関は、数百の教育機関を監督する責任を担っています。大規模な機関ポートフォリオ全体で、苦情の傾向、規制措置、財務状況の兆候を手作業で追跡するのは、現実的ではありません。このサーバーは、審査時に各機関の構造化されたスコアを認定機関の担当者に提供し、より詳しい調査が必要な学校と安定している学校を明らかにすることで、リスクが最も高い対象に監督リソースを集中できるようにします。

学生ローンポートフォリオの管理

学生ローンポートフォリオを保有するサービサーや投資家は、機関に閉鎖リスクの兆候が見られたときに早期警告を得る必要があります。機関の閉鎖は、借り手救済の申請やローンの免除につながります。財務健全性モデルと認定リスクスコアは、連邦資金の減少、苦情件数の増加、Federal Registerに見られる執行パターンなど、閉鎖が公になる前の先行指標を示します。

州の高等教育に関する規制監督

州の高等教育機関は、消費者保護、学位の完全性、財務の安定性を確保するため、数十から数百の教育機関を監視しています。このサーバーのcompare_peer_institutionsとscan_student_complaintsツールを使えば、州の担当者は個別にデータベースを検索することなく、管轄内で学生からの苦情や規制上の警告が蓄積している機関をすばやく特定できます。

入学前に、入学を検討している学生向けのデューデリジェンス

複数年の在学と学生ローンの返済義務を伴う契約を結ぶ学生やその家族にとって、客観的な教育機関の健全性データは有益です。assess_institution_risk ツールは、苦情件数、認定に関する指標、研究実績を含む教育機関の概要を平易な言葉で数秒以内に提示し、十分な情報に基づく入学の判断を支援します。

教育分野の機関投資家やプライベートエクイティ向けのデューデリジェンス

営利教育機関の買収を評価する教育分野の投資家には、従来の財務デューデリジェンスに加えて、財務的な存続可能性に関するデータ、苦情リスク、規制リスクのプロファイルが必要です。このサーバーは、高等教育機関の取引における価格設定や取引条件の策定に役立つ、公的データに基づくリスク指標を提示します。

学術研究と政策分析

教育機関の質、閉鎖の傾向、規制の有効性を研究する高等教育分野の研究者は、このサーバーを使って、数百の教育機関を対象とする長期的なデータセットを作成できます。構造化された JSON 出力は Python の分析パイプラインに簡単に統合でき、大規模な調査で必要となる手作業でのデータ収集を減らせます。

Higher Education Risk MCP Server の使用方法

Claude Desktop に接続する

claude_desktop_config.json に次の項目を追加します。

{
  "mcpServers": {
    "higher-education-risk": {
      "url": "https://higher-education-risk-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Claude Desktop を再起動します。8 つの高等教育リスクツールがツールパネルに表示されます。

最初の評価を実行する

1. 教育機関名を入力する — 「University of Phoenix」、「DeVry University」、「Western Governors University」など、公式な正式名称で教育機関名を入力します。認定を受けた教育機関であれば、どの機関でも指定できます。
2. 適切なツールを選ぶ — 簡単な概要には assess_institution_risk、包括的なデューデリジェンスには generate_institution_dossier、対象を絞った分析には専用ツールを使います。
3. データ収集を待つ — サーバーは最大 8 つのデータソースに並行して問い合わせます。ほとんどのツールは 60～90 秒で完了します。
4. 構造化された結果を確認する — 応答には、リスクスコア、分類レベル、平易な言葉で示された指標、レポートに直接利用できる裏付けデータが含まれます。

MCP ツール

ツール	照会するソース	価格	得られる情報
assess_institution_risk	Company Deep Research、Wikipedia、CFPB	$0.045	認定リスクスコア、教育機関のプロファイル、苦情の概要
check_accreditation_exposure	Federal Register、CFPB	$0.045	規制リスクスコア、Title IV の脅威、執行件数、学生の苦情につながる要因
analyze_research_integrity	OpenAlex、ORCID	$0.045	研究公正性指数 0～100、論文数、引用の健全性、研究者数、学術誌の多様性
audit_federal_funding_dependency	USAspending、Grants.gov	$0.045	財務的存続可能性スコア、連邦資金の総額、助成金の件数、資金源の多様性、閉鎖リスク 1～5
scan_student_complaints	CFPB	$0.045	苦情の総数、異議申し立て率、主な問題クラスター上位 10 件、苦情の加速を示す指標
track_regulatory_actions	Federal Register	$0.045	規則の種類別内訳（提案／最終／通知）、規制の全リスト、トピック別または教育機関別の情報
compare_peer_institutions	OpenAlex、USAspending、CFPB	$0.045	2～5 校を対象に、研究スコア、資金調達スコア、苦情件数を横並びで比較したランキング
generate_institution_dossier	8 つのデータソースすべて	$0.045	総合スコア、4 種類すべてのスコアリングモデル、強みの一覧、リスクの一覧、すべての指標、詳細な裏付けデータ

出力例

以下は、中規模の営利教育機関を対象に generate_institution_dossier を実行した場合の代表的な出力です。

{
  "institution": "Pinnacle Career Institute",
  "compositeScore": 38,
  "overallRisk": "ELEVATED",
  "accreditationRisk": {
    "score": 61,
    "complaintVolume": 34,
    "regulatoryActions": 18,
    "reputationFlags": 14,
    "riskLevel": "AT_RISK",
    "signals": [
      "34 consumer complaints — elevated student dissatisfaction",
      "Multiple regulatory actions in Federal Register — accreditation under scrutiny",
      "Wikipedia/research sources flag institutional controversies or closure risk",
      "Complaint acceleration: 19 in last 6 months vs 9 prior — deteriorating trajectory"
    ]
  },
  "researchIntegrity": {
    "score": 29,
    "totalPapers": 4,
    "totalResearchers": 2,
    "citationHealth": 3,
    "integrityLevel": "BELOW_AVERAGE",
    "signals": [
      "Minimal research output — limited academic credibility",
      "No ORCID-registered researchers found — research credibility concern"
    ]
  },
  "financialViability": {
    "score": 34,
    "federalFunding": 2800000,
    "grantCount": 1,
    "fundingDiversity": 1,
    "closureRisk": 2,
    "signals": [
      "Low federal funding level — financial vulnerability",
      "No active grants found — limited competitive funding success"
    ]
  },
  "regulatoryExposure": {
    "score": 58,
    "activeRules": 11,
    "titleIVThreats": 4,
    "enforcementActions": 2,
    "exposureLevel": "HIGH",
    "signals": [
      "4 Title IV / student aid regulatory actions — federal funding at risk",
      "2 enforcement actions — active regulatory scrutiny",
      "12 student loan/education complaints — regulatory trigger risk"
    ]
  },
  "allSignals": [
    "34 consumer complaints — elevated student dissatisfaction",
    "Multiple regulatory actions in Federal Register — accreditation under scrutiny",
    "Complaint acceleration: 19 in last 6 months vs 9 prior — deteriorating trajectory",
    "Minimal research output — limited academic credibility",
    "Low federal funding level — financial vulnerability",
    "4 Title IV / student aid regulatory actions — federal funding at risk"
  ],
  "strengths": [],
  "risks": [
    "Accreditation AT_RISK — 34 complaints, 18 regulatory actions",
    "Closure risk elevated (2/5) — limited federal funding and grant activity",
    "HIGH regulatory exposure — 4 Title IV threats",
    "Poor research integrity — minimal publications and no ORCID researchers"
  ]
}

出力フィールド

フィールド	型	説明
institution	string	検索された機関名
compositeScore	number	機関全体の健全性スコア（0～100。高いほど健全）
overallRisk	string	LOW / MODERATE / ELEVATED / HIGH / CRITICAL
accreditationRisk.score	number	認定リスク（0～100。高いほどリスクが高い）
accreditationRisk.complaintVolume	number	見つかった CFPB への苦情の総数
accreditationRisk.regulatoryActions	number	Federal Register に掲載された規制措置の加重件数
accreditationRisk.reputationFlags	number	Wikipedia と詳細調査で見つかった評判に関するフラグの数
accreditationRisk.riskLevel	string	STABLE / WATCH / CONCERN / AT_RISK / CRITICAL
accreditationRisk.signals	string[]	平易な言葉で示したリスクシグナル
researchIntegrity.score	number	研究の質のスコア（0～100。高いほど良好）
researchIntegrity.totalPapers	number	OpenAlex に登録された論文数
researchIntegrity.totalResearchers	number	ORCID に登録された研究者数
researchIntegrity.citationHealth	number	論文1件あたりの平均引用数
researchIntegrity.integrityLevel	string	POOR / BELOW_AVERAGE / AVERAGE / GOOD / EXCELLENT
financialViability.score	number	財務健全性スコア（0～100。高いほど健全）
financialViability.federalFunding	number	USAspending による連邦資金の総額（USD）
financialViability.grantCount	number	Grants.gov による有効な助成金の数
financialViability.fundingDiversity	number	連邦資金提供機関の種類数
financialViability.closureRisk	number	1（閉鎖リスクが最も高い）～5（最も低い）
regulatoryExposure.score	number	規制への曝露度（0～100。高いほど曝露度が高い）
regulatoryExposure.activeRules	number	見つかった Federal Register の掲載項目数
regulatoryExposure.titleIVThreats	number	Title IV／学生支援に関する文書数
regulatoryExposure.enforcementActions	number	執行措置に関する文書数
regulatoryExposure.exposureLevel	string	MINIMAL / LOW / MODERATE / HIGH / SEVERE
allSignals	string[]	4つすべてのモデルから統合した、平易な言葉で示すシグナル
strengths	string[]	スコアの肯定的な結果から自動生成された強みの説明
risks	string[]	スコアの否定的な結果から自動生成されたリスクの説明

高等教育のリスク評価にかかる費用はいくらですか？

このサーバーはイベントごとの従量課金制です。ツール呼び出し1回につき $0.045かかります。プラットフォームのコンピューティング費用も含まれています。サブスクリプション料金はありません。Apify Free プランには月額 $5 分のクレジットが含まれており、100機関以上の評価に利用できます。

シナリオ	ツール呼び出し回数	1回あたりの費用	合計費用
機関の簡易確認	1	$0.045	$0.045
部門レベルの研究監査	1	$0.045	$0.045
1機関に対する3つのツールを使った詳細調査	3	$0.045	$0.135
10機関の完全な調査資料	10	$0.045	$0.45
四半期ごとのポートフォリオ一括調査（50機関）	50	$0.045	$2.25

費用を管理するため、実行ごとに最大支出額を設定できます。実行ごとのイベント料金の上限に達すると、サーバーは分かりやすいエラーメッセージを返し、実行を問題なく停止します。

CFPB、Federal Register、USAspending、OpenAlex、ORCID を横断した手作業でのデータベース検索では、アナリストの時給が $50～150 の場合、機関1つあたり平均4～6時間かかります。ここでは $2.25 で済む50機関のポートフォリオ一括調査も、アナリストの作業時間に換算すると $10,000～30,000 かかります。

API 経由で Higher Education Risk MCP Server を使用する

Python

from apify_client import ApifyClient

client = ApifyClient("YOUR_API_TOKEN")

run = client.actor("ryanclinton/higher-education-risk-mcp").call(run_input={})

for item in client.dataset(run["defaultDatasetId"]).iterate_items():
    print(f"Institution: {item.get('institution')} | Risk: {item.get('overallRisk')} | Score: {item.get('compositeScore')}")

Python から MCP ツールを直接呼び出すには、HTTP エンドポイントを使用してください。

import requests

response = requests.post(
    "https://higher-education-risk-mcp.apify.actor/mcp",
    headers={
        "Content-Type": "application/json",
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
    },
    json={
        "jsonrpc": "2.0",
        "method": "tools/call",
        "params": {
            "name": "generate_institution_dossier",
            "arguments": {"institution": "Grand Canyon University"}
        },
        "id": 1
    }
)
dossier = response.json()
result = dossier["result"]["content"][0]["text"]
print(result)

JavaScript

import { ApifyClient } from "apify-client";

const client = new ApifyClient({ token: "YOUR_API_TOKEN" });

// Direct MCP HTTP call
const response = await fetch("https://higher-education-risk-mcp.apify.actor/mcp", {
    method: "POST",
    headers: {
        "Content-Type": "application/json",
        "Authorization": "Bearer YOUR_API_TOKEN"
    },
    body: JSON.stringify({
        jsonrpc: "2.0",
        method: "tools/call",
        params: {
            name: "compare_peer_institutions",
            arguments: {
                institutions: [
                    "University of Phoenix",
                    "Western Governors University",
                    "Southern New Hampshire University"
                ]
            }
        },
        id: 1
    })
});

const data = await response.json();
const comparison = JSON.parse(data.result.content[0].text);
for (const inst of comparison.peerComparison) {
    console.log(`${inst.institution}: research=${inst.researchScore}, funding=${inst.fundingScore}, complaints=${inst.complaints}`);
}

cURL

# Full institution dossier
curl -X POST "https://higher-education-risk-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "generate_institution_dossier",
      "arguments": {"institution": "DeVry University"}
    },
    "id": 1
  }'

# Quick accreditation exposure check
curl -X POST "https://higher-education-risk-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "check_accreditation_exposure",
      "arguments": {"institution": "Corinthian Colleges"}
    },
    "id": 2
  }'

Higher Education Risk MCP Server の仕組み

データ収集フェーズ

各ツール呼び出しでは、Promise.allSettled を使って 1～8 個の Apify アクターに並列リクエストを送信します。個々のアクターで障害が発生しても評価は中断されません。オーケストレーターは失敗したソースの結果を空の配列として記録し、取得できたデータを使って処理を続行します。完全版の調査資料ツールは、次の 8 個のアクターを同時に実行します。company-deep-research、openalex-research-papers、orcid-researcher-search、cfpb-consumer-complaints、federal-register-search、grants-gov-search、usaspending-search、wikipedia-article-search。各アクターはメモリ 256 MB、タイムアウト 120 秒で実行されます。

スコアリングモデルフェーズ

収集したデータを、4 つの独立したスコアリング関数で処理します。

認定リスク（0～100、リスク）は、苦情の深刻度スコア（融資／詐欺に関するキーワードは通常の苦情の 3～5 倍の重みを付け、最大 30 点）、Federal Register の規制措置の密度（認定／Title IV／制裁／閉鎖に関するキーワードを対象とし、最大 25 点）、Wikipedia および詳細調査コンテンツからの評判に関するフラグ（閉鎖／論争／営利教育機関に対する訴訟のパターン、最大 25 点）、苦情の増加率（直近 6 か月の苦情件数がそれ以前の期間の 1.5 倍を超える教育機関にペナルティを付与し、最大 20 点）を組み合わせます。

研究の健全性（0～100、品質）は、論文数（1 件あたり 3 点、最大 30 点）、log2(max(1, avgCitations)) × 5 による被引用数の質（最大 25 点）、ORCID の研究者数（1 人あたり 3 点、最大 25 点）、掲載誌の多様性（掲載先ごとに 3 点、最大 20 点）を評価します。

財務の健全性（0～100、健全性）は、USAspending から取得した連邦資金の合計額を段階的なスコアに変換し（1 億ドル以上 = 30 点、1,000 万ドル以上 = 22 点、100 万ドル以上 = 15 点、10 万ドル以上 = 8 点、それ未満 = 2 点）、助成金ポートフォリオの多様性（資金提供機関ごとに 5 点、助成金ごとに 2 点、最大 25 点）、連邦助成金の件数（1 件あたり 2 点、最大 25 点）、助成金の競争力（Grants.gov の掲載ごとに 4 点、最大 20 点）を加算します。

規制上のリスク（0～100、リスク）は、Title IV／学生援助に関する文書のヒット（1 件あたり 6 点）、執行措置の種類に該当する文書（1 件あたり 4 点）、学生関連の CFPB 苦情（1 件あたり 3 点）、Federal Register の掲載件数（1 件あたり 2 点）に基づいてペナルティを付与します。

総合スコアの算出

generateInstitutionDossier 関数は、リスクを示す 2 つのスコアを反転させ、4 つのスコアを同じ 25% の重みで平均します。(100 − accreditation) × 0.25 + research × 0.25 + financial × 0.25 + (100 − regulatory) × 0.25。その結果、数値が高いほど健全性の高い教育機関を示す 0～100 の健全性指数が得られ、5 段階のリスク区分に割り当てられます（LOW ≥ 80、MODERATE ≥ 60、ELEVATED ≥ 40、HIGH ≥ 20、20 未満は CRITICAL）。

MCP トランスポート

サーバーは、Model Context Protocol SDK の StreamableHTTPServerTransport を使い、リクエストごとにサーバーをインスタンス化します。Apify のスタンバイモードで実行され、リクエスト間もプロセスを稼働状態に保ちます。/mcp エンドポイントは POST のみを受け付け、GET と DELETE には 405 を返します。スタンバイ以外の実行では、Apify のデータセットをクリーンに保つため、1 秒間のヘルスチェック後に終了します。

最良の結果を得るためのヒント

1. 機関の正式名称を使用してください。「University of Phoenix」は、「UoP」や「Phoenix Uni」よりも良い結果を返します。アクターのクエリは各データソースの API に直接渡されるため、略称では十分なデータが得られず、スコアが実際より低くなることがよくあります。

2. 営利学校では、まず scan_student_complaints を実行してください。 CFPB の苦情データは、営利教育機関にとって最も特徴的なリスクシグナルです。詳細な調査に進む前に、このツールを簡易的な事前スクリーニングとして使用してください。

3. 閉校リスクが 1～2 の場合は、重大な警告として扱ってください。 財務健全性モデルは保守的に調整されています。閉校リスクの評価が 1 または 2 の場合、連邦資金と助成金の活動が実際に乏しいことを示しています。こうした状況は、よく知られた複数の営利学校が閉校する前にも見られました。

4. 研究公正性スコアは、状況を踏まえて解釈してください。 コミュニティカレッジや教育重視の機関は、研究成果を生み出さないため、研究公正性のスコアが自然と低くなります。研究スコアの低さが懸念されるのは、認定リスクが高い場合に限られます。

5. compare_peer_institutions を使用してスコアを検証してください。 認定リスク 55 の意味は、コミュニティカレッジと研究大学では異なります。同種の機関から 2～3 校を選んで比較すると、スコアを適切に評価できます。

6. ポートフォリオのモニタリングでは、四半期ごとに実行するようスケジュールしてください。 苦情の増加率や Federal Register の措置のパターンは時間とともに変化します。四半期ごとに監視することで、閉校に至る前に悪化を検知できます。Apify のスケジュール機能と Webhook を使用して、結果をリスクプラットフォームに送信してください。

7. Company Deep Research と組み合わせて、入学者数の推移データを取得してください。 Deep Research アクターは、入学者数の推移や経営陣の交代に関するニュースや Web コンテンツを返し、構造化されたスコアリングを補完します。

他の Apify アクターとの組み合わせ

アクター	組み合わせ方
Company Deep Research	ELEVATED 以上のフラグが付いた機関について詳細調査を実行し、入学者数の推移、経営陣の交代、財務開示に関する最近のニュースを収集します
CFPB Consumer Complaints	あらゆる機関の苦情記録を生データで取得し、MCP の外部で苦情の長期的な推移を示すデータセットを作成します
Federal Register Search	Title IV の更新や有利な就職に関する規則など、機関ポートフォリオ全体に影響する業界全体の規制変更を追跡します
USAspending Search	機関の複数年にわたる連邦政府助成金の履歴を取得し、現在の水準だけでなく、資金調達の推移の方向性をモデル化します
OpenAlex Research Papers	研究公正性レポートや学術ベンチマーク調査用に、出版物の全リストをエクスポートします
Grants.gov Search	機関が掲げる研究重点分野に関連する助成金の機会を監視します
ORCID Researcher Search	教員の研究プロフィールを作成し、学術分野の採用に関するデューデリジェンスや非常勤教員への依存度分析に活用します

制限事項

• データは公開記録のみを反映します。 認定の保護観察、制裁、または認定喪失に関する決定が、Federal Register または Wikipedia にまだ掲載されていない場合、スコアには反映されません。非公開の認定機関とのやり取りにはアクセスできません。
• CFPB への苦情は、報告された苦情であり、検証済みの苦情ではありません。 苦情件数の多さはリスクの兆候であり、不正行為の証明ではありません。学生数の多い一部の教育機関では、件数が自然と多くなる傾向があります。
• 研究公正スコアは、プロセスではなく成果に基づいています。 このスコアは論文の出版数と被引用数を測定するものであり、研究倫理、IRB の遵守状況、撤回履歴は測定しません。報告されていない不正行為があっても、研究公正の評価が GOOD になることがあります。
• 財務健全性は、連邦政府データのみを対象とした評価です。 モデルでは USAspending と Grants.gov（連邦政府の資金源）を使用します。授業料収入、基金の規模、債券格付け、州政府の予算配分はこのデータには含まれておらず、実際の財務健全性を左右する重要な要因です。
• Federal Register の検索範囲は、キーワードの一致状況によって異なります。 さまざまな規制関連の文脈で名前が登場する教育機関は、ノイズの多い結果が返されることがあります。珍しい名前の教育機関は、連邦政府の刊行物で別の表記が使われていると、関連文書を見落とす場合があります。
• Wikipedia の掲載状況にはばらつきがあります。 大規模な研究大学には、Wikipedia に詳しい記事があります。一方、小規模なコミュニティカレッジや設立から間もない教育機関は、Wikipedia の情報がごく少ないか、まったくない場合があり、評判スコアの評価要素におけるデータ品質が低下します。
• 認定機関のデータベースにはリアルタイムでアクセスできません。 サーバーは SACSCOC、HLC、ACICS、DEAC などの認定機関のポータルに接続しません。認定状況の変化は、Federal Register と評判に関する情報源から推測する必要があります。
• compare_peer_institutions は教育機関を並列ではなく順番に処理し、リソースの競合を避けます。5つの教育機関の比較には、単一の比較にかかる時間の約5倍が必要です。

インテグレーション

• Apify API — 任意の HTTP クライアントから generate_institution_dossier を呼び出し、リスク管理プラットフォームや規制ポータルにプログラムで統合できます
• Zapier — 審査対象の学校をまとめた Google スプレッドシートに新しい行が追加されたときに教育機関の評価を開始し、結果を Slack またはリスクダッシュボードに送信できます
• Make — 教育機関を四半期ごとに一括監視し、要注意の結果をコンプライアンスチームのチャンネルに投稿する自動監視ワークフローを構築できます
• Google Sheets — 複数の教育機関の複合スコアとリスク分類を、追跡用のスプレッドシートにエクスポートできます
• Webhooks — スケジュールされた教育機関の評価が完了したときに通知を受け取り、リスク管理システムで後続のアラートを開始できます
• LangChain / LlamaIndex — MCP サーバーを AI 研究パイプラインのツールノードとして使用し、教育機関のリスクデータを他のインテリジェンス情報源と統合できます

トラブルシューティング

• 大規模な大学を評価しているのにスコアが低い場合。 検索品質は機関名によって異なります。「Penn State」を検索する場合は、「Pennsylvania State University」を試してください。このアクターは機関名を各データソースの API に直接渡し、それぞれの API が独自にテキストを照合します。一般に、より具体的な名称を使うと、より質の高い結果が得られます。

• 研究大学として知られているのに、研究インテグリティスコアが POOR になる場合。 OpenAlex と ORCID のクエリは、検索 API の照合精度に左右されます。研究に力を入れている機関のスコアが予想外に低い場合は、特定の分野を対象にして基盤データが正しく返されていることを確認するため、特定の学部パラメーター（例：department: "engineering"）を指定して analyze_research_integrity を試してください。

• generate_institution_dossier の実行に 3 分以上かかる場合。 完全なドシエでは、8 つのアクターを並行して呼び出します。Apify プラットフォームが高負荷の場合や、特定のデータソースの応答が遅い場合、120 秒のアクタータイムアウトによって個々のサブクエリが遅れることがあります。Promise.allSettled パターンにより、完全に失敗するのではなく、タイムアウトしたデータソースの配列を空にしてドシエを返します。

• 十分な資金を持つ私立大学の財務健全性スコアが低く見える場合。 私立大学は、USAspending で確認できる連邦政府との直接契約や助成金が限られていることがよくあります。連邦資金は異なる仕組みで支給されるためです（Title IV の支給先は機関ではなく学生です）。私立の非営利機関については、機関の研究面での健全性を測る代理指標として、analyze_research_integrity ツールを併用してください。

• 支出上限に達したというエラーが表示される場合。 "eventChargeLimitReached": true と表示される場合、Apify の実行が設定した実行ごとの支出上限に達しています。アクターの実行オプションで上限を引き上げるか、機関リストを複数の実行に分割してください。

責任ある利用

• このサーバーは、公開されている政府データベースとオープンな学術レジストリのみを利用します。
• リスクスコアは公開データのシグナルに基づく分析モデルであり、公式な認定状況の判定ではありません。
• 学生の入学を拒否したり、機関の承認を取り消したりするなど、重大な決定の唯一の根拠として自動スコアを使用しないでください。人による確認が必要です。
• 評価結果を機関の記録に取り込む際は、適用されるデータ保護およびプライバシー関連の規制を遵守してください。
• 自動データ収集に関する法的側面については、Apify のウェブスクレイピングの合法性に関するガイドを参照してください。

FAQ

高等教育機関のリスクスコアは、公式な認定状況と比べてどの程度正確ですか？ 複合スコアは公開データに基づくリスクモデルであり、認定状況の判定ではありません。閉鎖や制裁に関するグラウンドトゥルースデータセットを用いた調整は行われていません。これは早期警告指標として捉えてください。つまり、過去に閉鎖リスクと関連していた傾向を示す機関を特定するものであり、認定機関による判断に代わるものではありません。ELEVATED 以上と判定された機関については、構造化されたシグナルが、人による確認が必要な具体的な領域を示します。

1 回の実行で評価できる機関数はいくつですか？ 1 回の実行あたりの厳密な上限はありません。実質的な上限は、実行ごとの支出予算です。ドシエ 1 件あたり $0.045 の場合、Apify クレジット $5 で 111 件の機関を評価できます。大規模なポートフォリオでは、支出上限を設定し、機関を複数の定期実行に分けてください。

高等教育機関のリスク評価はコミュニティカレッジにも対応していますか？ はい。このツールは、研究大学、リベラルアーツカレッジ、コミュニティカレッジ、専門学校、営利機関など、認定を受けたあらゆる種類の機関で利用できます。教育を重視する学校の研究インテグリティスコアは、仕様上低くなります。compare_peer_institutions を使って、同じ種類の同等機関との比較に基づいて解釈してください。 College Scorecard や IPEDS のデータとはどう違いますか？ College Scorecard と IPEDS は、教育機関が自己申告したデータを1～2年の遅れを伴って公開しています。このサーバーは、現在の活動を反映する CFPB、Federal Register、支出データベースから最新の公開情報を取得します。これらを組み合わせることで、公式統計に反映される12～18か月前に表面化する苦情や規制措置を捉えられます。

有利な就職に関する指標を評価できますか？ track_regulatory_actions ツールは、Federal Register の刊行物を監視し、有利な就職に関する規則の変更や執行通知を追跡します。プログラム単位の実際の負債対収入比率を把握するには、教育省のプログラム単位のデータが必要ですが、このサーバーが使用する公開 API では入手できません。

このサーバーを使って営利教育機関と非営利教育機関を比較できますか？ はい。これは特に有用な活用方法の1つです。Accreditation Risk モデルは、営利教育機関に特有の苦情や訴訟のパターンを検出します。さまざまな種類の教育機関を対象に compare_peer_institutions を実行すると、営利学校の苦情や規制に関する状況がその分野で一般的なものか、異例のものかが分かります。

通常、完全な調査資料の作成にはどれくらい時間がかかりますか？ generate_institution_dossier は、メモリ256 MB、タイムアウト120秒で実行される8つのアクターを並列に呼び出します。ほとんどの調査資料は60～120秒で完成します。データソースの1つが遅い場合、3分かかることもあります。

教育機関のリスク評価にこのデータを使うことは合法ですか？ すべてのデータソースは、政府の公開データベース（CFPB、Federal Register、USAspending、Grants.gov）とオープンな学術レジストリ（OpenAlex、ORCID、Wikipedia）です。このデータの取得と分析は合法です。教育機関に影響を及ぼす重大な意思決定に結果を利用する場合は、適用される行政上および手続き上の要件を満たすようにしてください。Apify のウェブスクレイピングの合法性に関するガイドをご覧ください。

このサーバーをスケジュールして、ポートフォリオを自動的に一括調査できますか？ はい。Apify の組み込みスケジュール機能を使って、MCP を四半期または年次で実行できます。Webhook と組み合わせると、実行完了時に結果を Slack チャンネル、Google Sheet、またはリスク管理システムに送信できます。500以上の教育機関を対象とするポートフォリオ向けのエンタープライズスケジュール設定については、Apify サポートにお問い合わせください。

評価中にデータソースの1つが利用できない場合、どうなりますか？ このサーバーは、並列データ収集すべてに Promise.allSettled を使用します。単一のデータソースで障害やタイムアウトが発生しても、残りのソースを使って評価を続行し、失敗したソースについては空の配列を返します。データソースが欠けている場合は加点できないため、スコアは通常より低くなります。結果には、応答したソースから得られたシグナルが含まれます。

教育研究アナリストを雇う場合とどう違いますか？ アナリストが1つの教育機関について CFPB、Federal Register、USAspending、OpenAlex、ORCID を手作業で検索すると、一般的な請求単価である1時間あたり50～150ドルの場合、4～6時間かかります。このサーバーなら、0.045ドルで2分以内に構造化された結果を返します。大規模なポートフォリオを定期的に監視する場合、自動化によりコストを99％削減し、依頼から結果の提供までの待ち時間をなくせます。

改善にご協力ください

予期しない結果やデータ品質の問題が発生した場合は、Apify アカウントで実行データの共有を有効にすると、問題のデバッグを迅速に進めるのに役立ちます。

1. Account Settings > Privacy に移動します
2. Share runs with public Actor creators を有効にします

これにより、問題が発生した際に実行の詳細を確認できるため、より迅速に修正できます。お客様のデータを閲覧できるのはアクター開発者のみであり、一般公開されることはありません。

サポート

バグを発見した場合や機能の追加をリクエストする場合は、このアクターのページのIssues タブでイシューを作成してください。カスタム統合、エンタープライズ向けポートフォリオ監視の設定、または認定機関向けライセンスについては、Apify プラットフォームを通じてお問い合わせください。