AI063 - Forebyggelse af frafald på erhvervsskole

Billedet er generet af kunstig intelligens

Forebyggelse af frafald på erhvervsskole

Det prædiktive analysesystem blev brugt af Syddansk Erhvervsskole til at identificere elever, der var i højrisiko for at droppe ud. Systemet kunne give indsigter i, hvorfor eleven var i fare for at droppe ud, samt forslag til indsatser for at forebygge frafaldet. 

  • Syddansk Erhvervsskole

Beskrivelse af systemet

I. Hvor bruges systemet og hvad bruges det til?

Systemet blev brugt på Syddansk Erhvervsskole – en erhvervsskole med cirka 4400 elever. Skolens mål var at identificere elever, der var i risiko for at droppe ud, og målrette indsatser for at reducere frafaldet. 

II. Hvornår blev det implementeret?

Systemet blev taget i brug omkring 2019. Systemet er ikke længere i brug hos Syddansk Erhvervsskole. 

III. Hvordan gør systemet brug af kunstig intelligens?

Systemet blev udviklet i samarbejde med virksomheden Inspari. Inspari har gjort brug af churn analysis, som indebærer træning af en machine learning model med historisk data. Disse analyser blev brugt til at identificere elever, der var i højrisikogruppen for at droppe ud, og til at forstå årsagerne til, hvorfor de var i farezonen. Resultaterne fra den prædiktive analyse blev sendt til SDE's data warehouse og præsenteret i et visuelt dashboard. 

IV. Hvilke data er blevet brugt til at træne algoritmen?

Syddansk Erhvervsskole indsamlede data på hver elev og brugte data fra elever på tidligere årgange til systemet. Herunder følgende: 

- Køn 

- Alder på optagelsestidspunkt 

- Fravær (fordelt på forskellige typer) 

- Om eleven havde skolehjem plads 

- Distance fra hjemadresse til uddannelsessted 

- Om eleven allerede havde en mesterlærer aftale underskrevet 

- Karaktergennemsnit 

- Ansøgninger (prioriteter, afgangseksamens karakterer fra folkeskolen) 

V. Hvilke sikkerhedsforanstaltninger findes der?

Modellen blev løbende gentrænet for at korrigere for ændringer i betydningen af forskellige variable på frafaldssandsynligheden. Derudover blev det gjort klart, at modellen ikke skulle anvendes alene, men som et hjælpeværktøj for studievejledere. 

VI. Har systemet været afprøvet gennem f.eks. pilotprojekter? Blev der identificeret konkrete (etiske, juridiske, tekniske) udfordringer? Blev disse udbedret? Hvordan?

Projektet startede som et pilotprojekt og blev senere sat i produktion. Der blev taget højde for GDPR-krav. Tekniske udfordringer omfattede håndtering af variabler, som ønskedes inkluderet, men som ikke blev systematisk indsamlet og derfor ikke kunne integreres i modellen.  

Etiske spørgsmål blev ikke eksplicit diskuteret for dette projekt.  

VII. Hvordan er begrundelsen for indføring af systemet?

Syddansk Erhvervsskole ønskede at reducere frafaldsprocenten blandt eleverne. Ved at anvende dataanalyse og prædiktive modeller kunne de bedre forstå, hvilke elever der var i risiko for at droppe ud, og dermed kunne de implementere mere effektive og målrettede indsatser for at støtte disse elever. 

VIII. Er lignende systemer blevet implementeret andres stede? Eventuelt, hvilke erfaringer er der derfra.

Inspari har også udført lignende projekter for andre uddannelsesinstitutioner, herunder VIA UC, Campus Vejle og Frederikshavn Handelsskole. Pilotprojektet på VIA UC blev aldrig sat i produktion på grund af etiske bekymringer. Campus Vejle's løsning er blevet beskrevet som den mest velovervejede, idet den gemmer historisk data om frafaldssandsynlighed, hvilket har gjort det muligt at observere reduceret frafald blandt elever. Det er vigtigt at bemærke, at det ikke er modellen alene, der forhindrer frafald, men de specifikke indsatser og tiltag, som uddannelsesinstitutionerne implementerer baseret på modellens resultater.