Syddansk Erhvervsskole
anvender data til
at forebygge frafald
Syddansk Erhvervsskole (SDE) har et mål om at højne gennemførselsprocenten hos skolens elever. Derfor bruger SDE data til at forudsige, hvor mange der er i risikogruppen for at droppe ud, og hvem risikoen er størst hos. SDE får også indsigt i, hvad de skal gøre for at forebygge frafaldet, fx hvilke indsatser der skal målrettes den enkelte, hvilke indsatser der skal sættes i gang og hvornår.
Som en del af arbejdet bruger Syddansk Erhvervsskole machine learning og de såkaldte churn-analyser, som fortæller hvilke elever, der er i overhængende fare for at droppe ud, hvorfor de er i farezonen, og hvad Syddansk Erhvervsskole kan gøre for at forebygge frafald.
Guide: 5 trin til AI og machine learning
Udfordringer
for erhvervsskolerne
Med øget fokus på frafaldsprocenten og krav fra regeringen om at få flere elever til at gennemføre en erhvervsuddannelse er Syddansk Erhvervsskole gået aktivt ind i kampen for at få flere til igennem deres uddannelse. Uden indsigt i elevernes baggrund, adfærd og mønstre kan det dog være svært at sætte ind proaktivt og handle, før en elev falder fra.
Den datadrevne
erhvervsskole
Historiske data bidrager til fremtiden
Syddansk Erhvervsskole indsamler data på hver elev og bruger data fra elever på tidligere årgange. Før fik SDE først indsigt i frafaldne elever, når det var for sent, men ved at sammenholde elevernes adfærd med store mængder historiske data, kan skolen nu forudse nye elever, som er i overhængende fare for at falde fra. Det giver skolen nye handlemuligheder.
Nye tiltag øger proaktivitet
Med machine learning og churn-analyser kan Syddansk Erhvervsskole nu identificere og være proaktive omkring elever, der er i højrisikogruppen for at droppe ud af uddannelsen. SDE kan være opmærksomme på den enkelte elev i form af fravær og personens aktiviteter, og skolen kan indføre nye tiltag, der skal hjælpe eleverne med at gennemføre uddannelsen.
Machine learning i SDE
teknisk set
Løsningen til Syddansk Erhvervsskole har et tillægsmodul til deres eksisterende data warehouse i form af en machine learning-motor, der eksekverer og gennemfører en række prædiktive analyser og sender resultaterne tilbage til deres data warehouse. Resultaterne omfatter en række deskriptive variabler med forskellig vægt samt en samlet model, der kan bruges til at forudsige et frafald hos de enkelte elever. Derudover bliver resultaterne vist i et visuelt og let forståeligt dashboard, så fx kontaktlærere, der ellers ikke er vant til at arbejde med data, hurtigt får indsigt, som de kan handle på det. Med løsningen kan Syddansk Erhvervsskole delvist identificere de elever, der er i højrisikogruppen for at droppe ud og samtidig forklare, hvorfor netop disse elever er sandsynlige for at droppe ud.
