Et nyt forskningsprojekt fra arXiv præsenterer RIACT, et AI-system designet til at opdage tidlige tegn på burnout hos universitetsstuderende – før det går ud over deres akademiske præstationer. Systemet adresserer et velkendt problem: burnout er udbredt blandt studerende, med rapporterede forekomster fra 12% til over 70%, og det opdages typisk først efter, at karaktererne allerede er faldet.
RIACT adskiller sig fra eksisterende produktivitetsværktøjer ved ikke bare at registrere aktivitet, men også fortolke den. Studerende logger deres studietid manuelt, og systemet beregner netto fokustid ved at fratrække pauser. Derefter bruger det en hybrid AI-arkitektur: deterministiske, transparente regler sammenligner adfærd uge for uge for at fange advarselssignaler, mens en stor sprogmodel – begrænset til et fast output-format – kontekstualiserer mønstrene og giver personlige anbefalinger.
Det vigtigste for beslutningstagere er dog designfilosofien: advarsler styres af auditable regler snarere end modelvurdering, og alt output formuleres som en observation, ikke en diagnose. Det betyder, at systemet kan forklares og revideres – en afgørende egenskab, hvis det skal tages i brug i uddannelsesinstitutioner, hvor tillid og ansvarlighed er altafgørende.
For universiteter og uddannelsesplatforme, der overvejer at investere i studerendes trivsel, peger RIACT på en retning: AI kan bruges til tidlig intervention uden at overtage den menneskelige vurdering. Systemet er stadig på forskningsstadiet, men dets fokus på forklarlighed og begrænset dataindsamling – kun selvrapporteret adfærd – gør det lettere at implementere i praksis end black-box-løsninger.
