evidoria

← Voltar à navegação

Boa prática Importada

Girls Code Mongólia — Currículo de Programação e IA da AI Academy Asia para Raparigas Nómadas e Desfavorecidas

Mongólia · Ulaanbaatar · Ver o perfil de Mongólia · Ver o perfil de Ulaanbaatar

Evidência: Descritivo / autorreportado Top 40% 53/100 · Pergunte a Evidence Copilot sobre esta prática

Fundada em 2021 por Bolor-Erdene Battsengel, a Girls Code formou 110-120 raparigas mongóis (14-18 anos) de comunidades nómadas e desfavorecidas em programação e IA via AI Academy Asia; 90% seguem para STEM, com admissões em Harvard, MIT e Cambridge.

110-120
Raparigas formadas pelo programa (2021-2025)
90 %
Graduadas que avançam para cursos superiores em STEM
500 teachers
Alcance de formação de professores rurais previsto (AI Academy Asia)

Detalhes

Maturidade
Em expansão
Promotor
Girls Code (Nomadic Girls Association in the Digital Age) / AI Academy Asia
Período
2021-2025
Palavras-chave
AI literacy, coding, girls' education, digital and disability inclusion

Contexto

A Girls Code foi fundada na Mongólia em 2021 por Bolor-Erdene Battsengel, mais tarde Secretária de Estado para a Transformação Digital da Mongólia, para dar a raparigas dos 14 aos 18 anos de comunidades pastoris nómadas e outras comunidades desfavorecidas um caminho para a programação e, através do currículo afiliado da AI Academy Asia, competências aplicadas de IA.

Objetivos

O programa responde a uma acentuada divisão digital entre zonas rurais e urbanas, procurando dar a raparigas que crescem deslocando-se com o gado pela estepe, longe das escolas e do acesso à internet de Ulaanbaatar, um caminho para a programação, a IA e competências de inglês/comunicação.

Atividades

A formação combina fundamentos de programação, os módulos de IA da AI Academy Asia e competências de inglês/comunicação, ministrada através de bootcamps e mentoria contínua, com um desenho explicitamente inclusivo para pessoas com deficiência, ilustrado por uma participante de 15 anos com deficiência auditiva apoiada por uma mentora fluente em língua gestual.

Resultados

Segundo relatos de 2024-2025, mais de 110-120 raparigas já se formaram, e a Girls Code e a imprensa independente (World Economic Forum, CNN Business) relatam que 90% das graduadas prosseguem para cursos superiores em áreas STEM, algumas admitidas em Harvard, no MIT e em Cambridge com bolsa de estudo.

Conclusões

Estes resultados provêm da ONG e da sua cobertura mediática, e não de uma avaliação independente e revista por pares, e o alcance do programa, cerca de 100-120 raparigas até à data, é reduzido face à população estudantil nacional da Mongólia, sem grupo de controlo ou coorte de comparação publicados.

Implementação
Custo indicativo
Médio (50 mil–500 mil €) — NGO-run bootcamps and ongoing mentoring for a cohort in the low hundreds imply a medium, sustained operating cost rather than a one-off low-cost intervention.
Tempo até resultados
Longo (> 3 anos) — Running continuously since 2021 with a growing annual graduate cohort, indicating a long-running, ongoing programme rather than a short pilot.
Equipa e competências
Girls Code founder Bolor-Erdene Battsengel, AI Academy Asia curriculum team, peer mentors, including a sign-language-fluent mentor for disability inclusion

Condições de sucesso

  • targeted recruitment of girls from nomadic herding and disadvantaged communities
  • disability-inclusive design with peer mentoring
  • a combined coding, AI and English/communication curriculum delivered via bootcamps and ongoing mentoring

Modos de falha comuns

  • reach remains small (roughly 100-120 girls) relative to Mongolia's national student population
  • outcome figures are NGO- and press-reported rather than independently evaluated

Habitualmente financiado por

Philanthropic / foundation funding

Vias de financiamento indicativas para práticas deste tipo — verifique sempre os avisos abertos e as regras de elegibilidade de cada programa.

Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.

Fontes de dados

De onde foi obtida a informação desta prática, e quando.

Práticas semelhantes que podem ser úteis