Tampere kokeili tekoälyä tukea tarvitsevien oppilaiden etsimiseen

Tampereen kaupungin ja CGI:n juuri päättynyt tekoälykokeilu auttaa tulevaisuudessa ennustamaan koululaisen erityisen tuen tarpeen. Tavoitteena on, että opettajien merkintöjä ja oppilastietoja automaattisesti analysoimalla koulunkäynnin tuki osataan kohdentaa paremmin.

Tampereen kaupunki ja IT-alan palveluyritys CGI tekivät koneoppimista hyödyntäen ennustemallin peruskoulun oppilastietojärjestelmän tiedoista. Ennustemalli tutki sekä oppilastietoja että opettajien merkintöjä ja pyrki tunnistamaan oppilaat, jotka todennäköisesti tulevat tarvitsemaan erityistä tukea koulunkäynnissään. Ennustemallin ansiosta oppilaiden tuen tarpeen tunnistaminen ei jää ainoastaan opettajan arvion varaan vaan analyysi tehdään 193 muuttujan perusteella. Mallin avulla kaikkia oppilaita voidaan arvioida samalla tavalla.

Tavoitteena on, että data-analyysin avulla voimme mitoittaa ja kohdentaa oppilaille annettavaa tukea entistä tasa-arvoisemmin, kasvatus- ja opetusjohtaja Kristiina Järvelä toteaa.

Parhaassa tapauksessa ajoissa annettu ja oikein kohdennettu tuki vaikuttaa positiivisesti yksilön koko loppuelämään.

Kuinka data-analyysissä käytetty ennustemalli tehtiin?

Mallia varten kopioitiin Helmi-järjestelmän oppilastiedot vuosilta 2013–2018. Ne anonymisoitiin niin, että datasta ei voi tunnistaa yksittäisiä oppilaita. Ensimmäisessä vaiheessa koneoppimisalgoritmi opetettiin tunnistamaan tekijöitä, jotka voivat viitata siihen, että oppilas tulee saamaan erityisen tuen päätöksen. Data-analyysiin muuttujia olivat esimerkiksi eri aineiden kurssiarvosanat, tuntipoissaolot ja -merkinnät, erityisen tuen päätökset ja oppilaiden taustatiedot.

Algoritmi loi mallin, jota testattiin ensin erityisen tuen päätöksen saaneiden tiedoilla ja sitten aineistolla, jossa päätöstietoa ei vielä ollut. Ensimmäisen data-analyysin perusteella tärkeitä tekijöitä olivat arvosanojen keskiarvo, matematiikan ja suomen kielen arvosanat sekä koulun vaihto.

Ennustemallista vahvempi opettajien yhtenäisillä kirjaustavoilla

Kuten kaikki ennustemallit, myös data-analytiikkakokeilussa kehitetty malli on erehtyväinen ja oppiva. Analytiikkamallin ennustetarkkuutta voidaan tulevaisuudessa lisätä joko yhdistämällä Helmi-järjestelmiin muista järjestelmistä saatavaa tietoa tai niin, että opettajat kirjaavat tuntimerkinnät yhtenäisemmin.