evidoria

← Retour à la liste

Bonne pratique Importée

Surveillance de la présence par IoT et IA pour prédire le risque de décrochage — Wisdom School Musanze, Rwanda

Rwanda · Musanze · Voir le profil de Rwanda

Preuves: Observationnel / avant-après Top 89% 27/100 · Demandez à Evidence Copilot à propos de cette pratique

Des chercheurs du Rwanda Polytechnic et de l'Univ. du Rwanda ont construit un système de présence biométrique et infrarouge dans une école de Musanze ; un modèle d'arbre de décision sur les données 2020-2021 a atteint 91,4 % de précision reliant faible assiduité et décrochage.

91.4 %
Precision du modele reliant assiduite et decrochage (2020-2021 records)
Surveillance de la présence par IoT et IA pour prédire le risque de décrochage — Wisdom School Musanze, Rwanda

Détails

Maturité
Pilote
Promoteur
Rwanda Polytechnic (IPRC-Kigali) and University of Rwanda, with Wisdom School Musanze
Période
2020–2023
Mots-clés
secondary education, attendance monitoring, dropout prediction, IoT, machine learning

Contexte

Sept chercheurs de Rwanda Polytechnic (IPRC-Kigali) et de l'Universite du Rwanda ont construit un systeme de suivi de la presence base sur l'IoT et l'IA a la Wisdom School Musanze, un etablissement secondaire non residentiel du district de Musanze, pour lutter contre le decrochage scolaire lie a l'absenteisme non surveille.

Activités

Le systeme combine un capteur d'empreintes digitales pour l'enregistrement et la verification de la presence, un capteur infrarouge passif (PIR) pour detecter la presence physique d'un eleve, et une horloge en temps reel pour horodater les donnees, alimentant une application web qui donne aux parents et aux administrateurs une visibilite en temps reel et genere des rapports quotidiens, mensuels et annuels. A partir de donnees secondaires issues des dossiers de l'annee scolaire 2020-2021 de l'ecole -- incluant le sexe, le statut d'orphelin et l'historique de paiement des frais de scolarite -- l'equipe a entraine un classificateur d'apprentissage automatique de type arbre de decision.

Résultats

Le modele d'arbre de decision a atteint une precision de 91,4 % pour demontrer que des taux de presence plus eleves sont fortement associes a un decrochage plus faible dans cette ecole.

Conclusions

Il s'agit d'une etude de cas menee dans une seule ecole, avec une taille d'echantillon non divulguee, de sorte que le chiffre de 91,4 % n'a pas ete demontre comme generalisable au-dela de la Wisdom School Musanze. L'article n'aborde pas les implications en matiere de protection des donnees et de consentement liees a la prise d'empreintes digitales de mineurs, ni si le systeme a ete adopte dans une autre ecole depuis sa publication.

Mise en œuvre
Coût indicatif
Faible (< 50 k€)
Délai jusqu’aux résultats
Court (< 1 an)
Personnel et compétences
Rwanda Polytechnic (IPRC-Kigali) research team, University of Rwanda research team, Wisdom School Musanze (implementing school)

Conditions de réussite

  • Multi-sensor design (fingerprint, PIR and real-time clock) for reliable attendance capture
  • Web application giving parents and administrators real-time visibility

Modes d’échec courants

  • Undisclosed sample size limits generalisability beyond this single school
  • Data-protection and consent implications of fingerprinting minors not addressed
  • No evidence of adoption at other schools since publication

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Kit de réplication

Artefacts réutilisables de cette pratique — tels que publiés par leurs sources.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles