Minder vroegtijdige schoolverlaters dankzij AI
In Belgie verlaat verlaat 10,6% van de jongens en 6,5% van de meisjes het onderwijs zonder een diploma behaald te hebben. In Amerika zijn dat ongeveer 1,2 miljoen leerlingen. De toekomst van deze studenten is vaak onzeker, gezien de arbeidsmarkt vaak een diploma wil zien. Vroegtijdige schoolverlaters zijn dan ook een kostbaar probleem, om nog te zwijgen over verloren potentieel.
Een Europese studie, Not in Education, Employment or Training, wees uit dat vroegtijdige schoolverlaters Belgen in 2014 zo’n 1,17% van het BPB kostte. Reden dus om te investeren in het signaleren en helpen van deze jongeren. Voorkomen is immers goedkoper dan genezen.
Voordat een jongere zijn of haar academische carrière verlaat zonder diploma, zijn er een aantal waarschuwingstekens. Zo misdragen de jongeren zich vaak, zijn ze vaak afwezig, maken ze hun huiswerk niet, scoren ze lager en tonen ze weinig interesse in buitenschoolse activiteiten. Deze data wordt vaak bijgehouden door scholen, maar met behulp van EDM, Educational Data Mining, kan er nog eerder en accurater voorspelt worden wanneer een jongere dreigt uit te vallen.
Test in de VS
Scholen in de Verenigde Staten hebben succesvolle proeven gedaan waaruit blijkt dat EDM weleens de sleutel zou kunnen zijn tot het opsporen van jongeren met een hoog risico. In 2013 werd er een proef gedaan in Arlington, Virginia. Bij dit experiment werden er drie risicofactoren geïdentificeerd die correleren met een grotere kans op uitval. Aanwezigheid, prestaties en socio-economische status zijn de grootste indicators. Een gelijksoortig Early warning indicator system werd in 2011 al geïmplementeerd in Massachusetts.
In 2010 behaalde slechts 55% van de leerlingen in Tacoma, een voorstad van Seattle, zijn of haar diploma. Het nationaal Amerikaans gemiddelde was dat jaar een slagingspercentage van 81%. Met behulp van Azure Machine Learning behaalde vier jaar later 78% van de leerlingen in Tacoma zijn of haar diploma.
Azure Machine Learning
Deze indrukwekkende prestatie werd gerealiseerd door de analyses en de voorspellingen van Azure Machine Learning. Het team voerde data in over studenten over de laatste vijf jaar, waaronder academische prestaties en risicofactoren. De leerlingen die het grootste risico hadden om de volgende periode uit te vallen, konden op die manier worden geïdentificeerd.
De school kon zo haar beperkte middelen doelgericht gebruiken om de zwakste leerlingen te ondersteunen. De meeste Belgische en Nederlandse scholen hebben een soortgelijk leerlingvolgsysteem, maar deze systemen gebruiken nog niet altijd AI om risicogroepen te identificeren.