Användning av AI för att förutsäga studentavhopp i teknisk utbildning med en learning analytics‑metod

Varför tidiga varningar för kämpande studenter är viktiga

Många högskolestudenter halkar efter i sina nätkurser långt innan dåliga betyg syns. Inom tekniska ämnen, där kurserna är krävande och tempofyllda, kan det snabbt leda till avhopp. Denna studie undersöker hur data från vardaglig aktivitet på en online‑läroplattform kan omvandlas till ett tidigt varningssystem. Genom att analysera hur studenter rör sig genom kursmaterialet identifierar en artificiell intelligens (AI)‑modell mönster som signalerar problem i god tid för att lärarna ska kunna gå in med riktad hjälp.

Följa digitala fotspår i nätkurser

Forskningen fokuserar på två datorstödda design‑(CAD)kurser som undervisades via Moodle vid ett universitet för tillämpade vetenskaper. Varje klick—att öppna en fil, göra ett testförsök, lämna in en uppgift—skapar en tidsstämplad loggrad. Från 12 941 sådana poster för 80 studenter byggde författaren upp en datamängd som beskriver 49 olika lärresurser, från enkla introduktionssidor till komplexa, flerstegsuppgifter. Eftersom dessa kurser uppvisade ovanligt höga avhoppsgrader gav de ett användbart testfält för att undersöka hur aktivitetsmönster hänger samman med studenters framgång eller misslyckande.

Göra klick till meningsfulla lärsignaler

I stället för att mata råa klicksiffror till en ogenomskinlig algoritm introducerar studien en metod med "viktade attribut" som omformar data till indikatorer som lärare kan förstå. Varje resurs poängsätts utifrån tre huvudaspekter: hur mentalt krävande den är, hur ofta studenter interagerar med den och hur mycket tid kursen förväntar sig att de ska lägga på den. Dessa poäng kombineras till ett enda mått på effektivitet som speglar hur väl studenterna faktiskt hanterar resursen. På så vis säger modellen inte bara att en student är i fara; den pekar också ut specifika uppgifter eller material som kan orsaka problemet.

Vad AI‑modellerna upptäckte

Två typer av prediktionsmodeller—logistisk regression och random forests—tränades för att skilja mer effektiva från mindre effektiva lärverktyg baserat på dessa viktade indikatorer. För att undvika att bli vilseledd av det relativt lilla urvalet använde forskaren upprepade kors‑kontroller som roterar vilken data som används för träning respektive testning. Över dessa kontroller presterade båda modellerna väl, med random forest något före men den enklare logistiska modellen gav lättare tolkbara resultat. I samtliga fall var de viktigaste signalerna hur ofta studenter interagerade med en resurs, hur lång tid de spenderade på den och hur svår den var avsedd att vara.

Designa bättre kurser, inte ersätta lärare

Resultaten visar att komplexa, tidskrävande uppgifter—såsom flerstegsmodelleringar och omfattande hemuppgifter—har stark koppling till bättre läranderesultat, medan enkla meddelanden eller korta översikter bidrar mindre. Det tyder på att väl utformade utmaningar, understödda av tillräcklig tid, är centrala för studenternas framgång. Studien skisserar också hur ett tidigt varningssystem skulle kunna fungera i praktiken: en automatiserad instrumentpanel skulle lyfta fram riskfyllda mönster för instruktörer, som sedan avgör hur de ska agera, till exempel genom att lägga till exempel, justera arbetsmängd eller erbjuda extra stödsessioner. Viktigt är att systemet är utformat för att informera lärare, inte för att automatisera beslut om studenter.

Vad detta betyder för studenter och lärare

För en allmän läsare är huvudbudskapet att AI kan hjälpa universitet att upptäcka problemområden innan studenter misslyckas, men bara om tekniken används genomtänkt. Genom att kombinera insikter om kursdesign med omsorgsfull datahantering omvandlar metoden med viktade attribut råa aktivitetsloggar till tydliga signaler om vilka delar av en kurs som hjälper eller hindrar lärandet. Studien är fortfarande ett pilotprojekt, begränsad till ett litet antal tekniska kurser vid en institution, så resultaten är preliminära. Ändå erbjuder den en konkret väg mot mer transparent, rättvis och stödjande användning av AI i utbildning—där datadrivna verktyg hjälper lärare att omforma kurser och nå ut till kämpande studenter tidigare, vilket minskar risken att de tyst glider bort från sina studier.

Citering: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

Nyckelord: risk för studentavhopp, learning analytics, online teknisk utbildning, prediktiv modellering, tidiga varningssystem