Vad?

Med hjälp av historisk skolrelaterad data kan en AI-lösning ge prognoser för framtida gymnasiebehörighet. Metoden kan också identifiera samband och effekter mellan resultat och olika faktorer. Hur kan vi använda den typen av insikter för att anpassa  stödet våra elever behöver för att nå gymnasiebehörighet?

Varför?

Skolan är en dataintensiv verksamhet. Med hjälp av dataanalys kan vi skapa bättre förutsättningar för att mäta kvalitén och förbättra lärandet hos våra barn och elever.

Dataanalys ger oss en mer nyanserad bild av resultaten i förhållande till olika faktorer. Politiker, förvaltning, rektorer och pedagoger kan arbeta mer effektivt med att tolka och omvandla resultaten till åtgärder samtidigt som de får feedback på de insatser som redan har gjorts.

Med hjälp av datadriven skolutveckling kan vi:

  • Öka möjligheten för fler barn och elever att uppnå sin maximala potential
  • Öka måluppfyllelsen i skolan
  • Öka behörigheten till och genomströmningen i gymnasiet
  • Få en skola som vilar på vetenskaplig grund och beprövad erfarenhet

Hur?

Vi använder maskininlärningsmodeller för att analysera olika typer av data från olika perspektiv; huvudman, enhet och elevnivå. Tekniken hjälper oss att automatisera och visualisera analysresultat och vi använder stöd från forskning till att tolka och implementera resultaten.

Några exempel på data som används och analyseras:

  • Betygsresultat alla ämnen
  • Elev- och lärarenkät kopplat till kap 2 i läroplanen (Skoltempen)
  • Resultat digitala matematiktester i åk 2, 4, 5, 7 och 8
  • Frånvaro
  • Personalomsättning
  • Sjukfrånvaro
  • Medarbetarenkäten (HME)
  • Uppbyggandemedel
  • Andel elever med utländsk bakgrund
  • Andel elever med föräldrar med högskoleutbildning

Status: Testas

Piloten testas med 3 skolor under våren 2022.

På H22 City Expo:

Effektmål

Mer träffsäkra åtgärder för ökad gymnasiebehörighet

Kontakt

Namn: Andreia Balan
E-post: andreia.balan@helsingborg.se