Algoritmo de Alocação de Professores com Apoio de SIG na Serra Leoa
Serra Leoa
A Comissão do Serviço Docente da Serra Leoa, com a EdTech Hub e a Fab Inc., criou um algoritmo inspirado …
Quénia · Nairobi · Ver o perfil de Quénia · Ver o perfil de Nairobi
Evidência: Descritivo / autorreportado Top 42% 53/100 · Pergunte a Evidence Copilot sobre esta prática
A iniciativa Giga da UNICEF e da UIT treinou classificadores CNN em imagens de satélite para encontrar escolas ausentes das bases de dados nacionais, acrescentando 23 100 escolas não mapeadas em 8 países, incluindo o Quénia e o Ruanda — a precisão caiu para cerca de 57% nas zonas mais pobres e remotas.
A maioria dos países de rendimento baixo e médio não dispõe de um registo completo e rigoroso da localização física das suas escolas. O Gabinete de Inovação da UNICEF e a União Internacional das Telecomunicações (UIT) construíram a ferramenta de mapeamento escolar da iniciativa Giga para colmatar essa lacuna.
Classificadores baseados em redes neuronais convolucionais (assentes nas arquiteturas Xception e MobileNetV2), desenvolvidos com o parceiro técnico Development Seed, foram concebidos para analisar imagens de satélite de alta resolução e detetar edifícios escolares em falta nos sistemas nacionais de informação de gestão educativa, como primeiro passo para planear o fornecimento de eletricidade e conectividade à Internet a escolas cuja existência os governos desconheciam.
Entre 2020 e 2021, o sistema analisou 71 milhões de mosaicos cartográficos a uma resolução de 60 cm no Quénia, Ruanda, Serra Leoa, Gana, Níger, Cazaquistão, Usbequistão e Honduras, processando 18 milhões de 'supertiles' em 25 horas, a uma velocidade de até 2.000 supertiles por segundo.
O sistema acrescentou 23.100 escolas anteriormente não mapeadas aos registos nacionais. As variantes do modelo específicas para cada país alcançaram pontuações F1 de 0,94 no Ruanda, 0,90 no Quénia e 0,91 na Serra Leoa, com um modelo global de 0,85 e uma AUC global de 0,94. O código da equipa da Giga é de código aberto, e uma revisão independente do IRCAI (um centro internacional de investigação em IA afiliado à UNESCO) confirmou os resultados técnicos.
A revisão do IRCAI também identificou uma limitação significativa em termos de equidade: a precisão do modelo desce para cerca de 57% em áreas caracterizadas pela pobreza e pelo isolamento, o que significa que a ferramenta é menos fiável precisamente onde é mais provável encontrar escolas não mapeadas e sem conectividade. Nenhuma avaliação independente demonstrou ainda que as escolas recém-mapeadas se traduziram em investimento real em conectividade ou em realocação orçamental.
Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.
De onde foi obtida a informação desta prática, e quando.
Serra Leoa
A Comissão do Serviço Docente da Serra Leoa, com a EdTech Hub e a Fab Inc., criou um algoritmo inspirado …
Fiji
Um estudo revisado por pares do Ministério da Educação das Fiji combinou dados de questionários sobre funcionalidade infantil com dados …
Malásia
O KPM e a UNICEF implementam o SiPKPM, alerta IA que monitoriza 5 milhões de alunos em 7 fatores de …
Peru
O Banco Mundial, o DRELM do Peru, a Anthropic e a Microsoft lançaram um tutor de matemática com IA e …
Abrir o copiloto completo Baseado em práticas citadas — verifique sempre as fontes.