Tekoälyn mallinnuksella voidaan automatisoidusti tunnistaa opiskelijat, joiden opinnot eivät etene odotetusti. Tämä auttaa tukitoimenpiteiden kohdentamisessa ja säästää oppilaitoksen resursseja.

Yrityksemme on yhteistyössä Jyväskylän yliopiston kanssa kehittänyt tutkimushankkeessa tekoälysovelluksen, joka ennustaa todennäköisyyden opiskelijoiden keskeyttämiselle. Yrityksemme on kaupallistanut tämän tuotteeksi, joka voidaan ottaa käyttöön oppilaitoksissa, joiden opintohallintojärjestelmästä voidaan hakea aineisto mallinnusta varten (kuten Primus tai StudentaPlus). Sovellus on koulutusasteesta riippumaton.

Mallin luotettavuus pohjautuu koulutuksen järjestäjän omaan opetusaineistoon ja sillä on saavutettu jopa 94 % tarkkuus. Mallinnuksessa käytetään opiskelijan perustietoja, kuten tutkintoa, pohjakoulutusta, ikää ja muita vastaavia tietoja. Lisäksi vertaillaan myös esimerkiksi opiskelijan suoritus- ja poissaolokertymiä.

”Keskityimme erityisesti löytämään ne tekijät, joista keskeytyminen johtuu, jotta niihin voidaan puuttua ennakoivasti. Koko tiimi oli ylpeä lopputuloksesta, sillä kun mallia testattiin kolmen koulutuksen järjestäjän aineistolla, saavutimme 93-94% tarkkuuden. Tekoälyratkaisun kehittämiseen hyödynnettiin Jyväskylän yliopistossa kehitettyä ECCOLA-menetelmää, joka on luotettavien tekoälyjen kehittämiseen rakennettu menetelmä”, Pekka Abrahamsson (Toiminta-alueen johtaja, professori, JYU)

Mallin avulla voidaan saavuttaa merkittäviä hyötyjä esimerkiksi resurssien näkökulmasta, kun tekoäly pystyy tuottamaan merkityksellistä informaatiota niin ohjaukseen kuin muuhun päätöksentekoon liittyen:

  • Keskeyttäneiden/eronneiden opiskelijoiden määrä pienenee
  • Tukitoimenpiteiden kohdentaminen tarkentuu niitä tarvitseville
  • Toiminnallinen ja taloudellinen tuloksellisuus paranee
  • Positiivinen yhteiskunnallinen vaikutus

Tekoäly ennustaa opiskelijakohtaisesti opintojen etenemisen indeksin, joka voidaan esittää esimerkiksi vastuuohjaajan työpöydällä tai erilaisissa raportointityökaluissa (kuten PowerBI). Alla on esitetty vastuuohjaajan näkymä kahteen eri opiskelijaan. Tunnistatko, kumpi opiskelijoista keskeyttää, ja kumpi valmistuu?

Esimerkki 1

Esimerkki 2

Huomataan, että pelkästään yksittäisiin tekijöihin keskittyminen (kuten poissaolot tai suoritukset) eivät riitä oikeaan johtopäätökseen

  • Kuva 1: poissaolot eivät vaikuta ko. opiskelijan opintojen etenemiseen
  • Kuva 2: huono suorituskertymä ja poissaolot vaikuttavat opintojen keskeytymiseen

”Keskeyttämisen vähentäminen ja sen tunnistaminen on erittäin tärkeä niin opiskelijan kuin koulutuksen järjestäjän näkökulmasta. Työkalu tarjoaa mahdollisuuden reagoida keskeyttämisriskiin.”, toteaa Arja Flinkman (Etelä-Savon koulutus Oy, Toimitusjohtaja)

Tulosten perusteella voidaan löytää myös tutkinnot tai muut tekijät, jotka vaikuttavat opintomenestykseen.

Ota yhteyttä