详细内容或原文请订阅后点击阅览
英格兰使用人工智能提高出勤率的经验教训
由于这里的学校被赋予了人工智能生成的出勤率目标，一位威尔士校长解释了他的学校如何利用技术来发现模式和趋势。英格兰使用人工智能提高出勤率的帖子首次出现在学校周上。
来源:Schools Week虽然“胡萝卜加大棒”举措可以有效提高出勤率，但长期改进真正需要的是更具战略性的方法，利用数据真正了解出了什么问题以及原因。
问题是出勤数据太多——仅我们学校一个学年的一个年级就占用了 Excel 中的 300,000 行。
但是，如果您可以使用人工智能来发现趋势、确定需要改进的领域，甚至可能在缺勤发生之前阻止缺勤，结果会怎样呢？我们已经在使用 Microsoft Copilot 进行考试结果分析，因此我们决定尝试一下。
我们花了一段时间才获得正确的提示、简化数据并以家长喜欢的语言呈现。
经过一番尝试和错误，我们最终为每个学生提供了一份简洁的报告，即显示他们的优势和发展领域的“出勤概况”。
最重要的是，我们对出勤情况有了前所未有的详细程度和洞察力。我们本学期首次将这些报告发送给家长。
‘我们永远不会注意到的模式’
人工智能揭示了我们永远不会注意到的模式和趋势，否则，如果不手动仔细研究寄存器几个小时。
例如：发现家庭每年在同一时间带孩子去度假。如果家庭有孩子定期缺席，则在节假日前的周五或节假日后的周一进行隔离。
查看跨学期或个别月份的缺勤模式，并记录与特定年龄组或性别相关的缺勤模式，或者与城市某个地区的学生与其他地区相比的缺勤模式。
缺勤还可能与更广泛的事件相关，从社区中发生的事情到在线活动，例如新游戏的发布或大型音乐会。
当我们知道某个活动可能会影响特定群体时，我们可以提前联系家长，强调参加活动的重要性。我们甚至可以交叉参考天气模式来了解它们如何影响出勤率。