Case study War Child: Can’t Wait to Learn

Young Mavericks is net als War Child gevestigd in Amsterdam, en net als War Child zien we onszelf niet alleen als Amsterdammers. We zijn wereldburgers die verantwoordelijk zijn voor elkaar, ongeacht de regio. Young Mavericks begon als een mix van artificial intelligence, data science human resources, sociologie en UX-design om talent en organisaties toekomstbestendig te maken. Ons bedrijf is gegroeid doordat we een divers aantal missies ondersteunen door middel van technische data-analyse via machine learning. Een van deze samenwerkingsverbanden was met War Child’s Can’t Wait to Learn team, omdat zij werken aan het verbeteren van de onderwijskloof in door conflicten getroffen gebieden.

Jonge leerlingen komen naar de klas, klaar om te spelen en groeien; geen enkel kind zou gedwongen mogen worden om te wachten met leren. Een op de zes kinderen wereldwijd leeft met de gevolgen van gewapende conflicten. Onderwijs, een fundamenteel recht, wordt vaak over het hoofd gezien wanneer de toegang tot voedsel, veiligheid, onderdak of water schaars wordt. Toch is het belangrijk om in nood-, post-conflict- en vluchtelingencontexten zo veel mogelijk leerlingen te bereiken. Kinderen betrekken bij hun natuurlijke neiging om te spelen is des te beter, omdat dit de hoop en veerkracht van de kinderen vergroot. De huidige groei in onderwijstechnologie en e-learning heeft praktische en kosteneffectieve middelen geboden om leren en spelen te combineren, zodat geen enkele leerling hoeft te wachten met leren. War Child bracht een divers partnerschap samen om Can’t Wait to Learn te creëren en een educatieve technologische oplossing te bieden aan de docenten en leerlingen die het het meest nodig hebben.

Can’t Wait to Learn begon in 2012 als E-Learning Sudan om leermogelijkheden te bieden in een land waar meer dan drie miljoen kinderen geen toegang hebben tot school. Sindsdien is het programma ook ingezet in Libanon, Jordanië en Oeganda. In november 2018 is Young Mavericks samen met War Child gaan onderzoeken en testen of loggegevens uit het spel van kinderen met behulp van data-analyses kunnen worden verwerkt om te voorspellen welke kinderen het risico lopen om van school te gaan.

De samenwerking tussen War Child en Young Mavericks begon binnen onze acht weken durende fulltime, intensieve training met een aangepaste en verkorte versie van een Design Sprint. Een standaard onderdeel van het Can’t Wait to Learn ontwerp proces aan het begin van een nieuwe samenwerking is het geven van inzicht in de ervaring van de leerlingen en docenten met het programma, met onder andere kwalitatieve gegevens. Deze stap hielp ons om een menselijke dimensie toe te voegen, die gebaseerd is op daadwerkelijke veldervaring, aan onze aanpak die gebaseerd is op harde wetenschap en data.

Machine learning

De kunst van machine learning is het vinden van de juiste algoritmes voor de juiste datasets. We hebben de onze toegepast om trends en correlaties te vinden, omdat het leermanagementsysteem de voortgang van de individuele leerling volgt door middel van de educatieve spelletjes op zijn of haar persoonlijke tablet. De Can’t Wait to Learn briefing hielp ons om de gameplay gegevens af te stemmen op de educatieve doelstellingen. Om voorspellingen te kunnen doen met de loggegevens, moesten we de wegwijzers die de routes van de gameplay en de correlatie met de lees-, schrijf- en rekenvaardigheden van de leerlingen markeren, scheiden en identificeren. Datapunten zoals leercurves, aanwezigheid en betrokkenheid bij activiteiten in de loop van de tijd bleken de beste indicatoren voor het bijhouden en monitoren van leerresultaten. We hebben de indicatoren gekoppeld om de prestaties en gewoontes van de eindgebruiker weer te geven terwijl hij of zij door de niveaus van het spel loopt. Met behulp van bestaande gegevens uit twee landen konden we een voorspellend programma op maat maken, dat rekening hield met de werkelijke obstakels en kansen in het veld. De kennis van de resultaten van de datasets uit het verleden leverde zinvolle statistieken en voorspellingen van de gameplay op.

Als de anonieme datasets kwalitatief hoogwaardig zijn, kunnen de data scientists suggesties doen voor de tablet-interface om de betrokkenheid bij de gameplay te vergroten. We verzamelden en analyseerden het aantal gespeelde spellen, de bereikte moeilijkheidsgraad, inactieve periodes en de snelheid waarmee een spel wordt gestopt of opgegeven, het aantal aanwezigen en de mate waarin vaardigheden worden verworven. De resultaten van de analyse waren gericht op het helpen van docenten bij het identificeren van risico- of worstelende leerlingen, of omgekeerd, leerlingen die meer stimulatie of materiaal nodig hebben. Deze automatische beoordelingen zijn van cruciaal belang wanneer veel leerlingen in post-conflictsituaties te gestrest, verlegen of afgeleid zijn om hun knelpunten te communiceren.

Onze data scientists hadden de kans om waardevolle vaardigheden en competenties te verwerven door menselijke, sociale en culturele factoren te integreren en meer empathie te brengen in onze Design Sprint. We zijn erg trots op onze bijdrage aan het Can’t Wait to Learn programma omdat het een voorbeeld is van hoe professionele technische vaardigheden en de laatste technologische ontwikkelingen kunnen en moeten worden gebruikt om onze gezamenlijke toekomst te verbeteren. Bovendien hebben de impliciete uitdagingen bij het toepassen van machine learning aan Can’t Wait to Learn de expertise en vaardigheden van onze mensen vergroot en ons ertoe gezet om onze technologieën verder te ontwikkelen, wat bewijst dat allianties tussen bedrijven en non-profit organisaties geenszins onrendabel zijn: een bedrijf kan het goed doen terwijl ze wat goed doet voor de wereld.

#warchild #Cantwaittolearn#datascience

ELT, ETL en datapijplijnen: do it yourself geautomatiseerd data inladen

Mijn naam is Don en in mijn werk voor Young Mavericks combineer ik mijn kennis als Data Engineer met mijn expertise in Data Science. In de praktijk komt dit erop neer dat ik repetitieve taken automatiseer, inzichten uit data genereer en een coördinerende en adviserende rol heb binnen projecten. Ik geniet het meest van het creatieve proces dat nodig is om problemen op te lossen met behulp van data.

Lees meer

Datapijplijn implementeren: Toepassen van het datapijplijn-concept

Deze handleiding bouwt voort op het ‘ELT, ETL en datapijplijnen’- artikel, waarin veelvoorkomende problemen van bedrijven bij het opslaan en gebruik van data worden besproken. Als antwoord op deze en meer problemen introduceerde Don – Data Scientist en Data Engineer bij Young Mavericks – het concept ‘datapijplijnen’, waarmee bedrijven een datagedreven cultuur kunnen creëren en zo optimaal mogelijk hun data kunnen inladen – en welke tools hiervan handig zijn. In dit artikel past Don de eerder behandelde concepten achter datapijplijnen toe bij het daadwerkelijk implementeren van een werkende datapijplijn. De complete code is te vinden op onze Gitlab.

Lees meer