Overskriften er selvsagt noe ufullstendig. Spørsmålet er: Hvordan kan vi bruke KI i det forebyggende arbeidet i barnehage og skole? Før vi kommer til spørsmålet om bruk av KI, så skal vi se oss litt tilbake. Forebygging av mobbing i barnehage og skole i Norge har vært et prioritert område siden tidlig på 2000-tallet, men nyere rapporter viser at utfordringene fortsatt er betydelige.
Bildet generert 27.11.24 via bildegeneratoren DALL-E AI for denne teksten.
Lovfestet rett til trygt miljø
Lovverket som skal beskytte barn og unge mot mobbing har gått gjennom stadige endringer og forbedringer siden 2003, slik at vi som nasjon i økende grad oppfyller de krav som Barnekonvensjonen har satt med hensyn til barnets rettigheter. Både barnehageloven og opplæringsloven slår fast at barn og elever har rett til et trygt og godt miljø. Lovverket pålegger barnehager og skoler å:
- Ha nulltoleranse mot krenkelser som mobbing, vold og trakassering
- Arbeide systematisk for å fremme helse, trivsel og læring
- Gripe inn ved krenkelser
- Følge en aktivitetsplikt for å sikre at barn har det trygt og godt
Økende mobbetall i skolen
Til tross for stadige forsterkninger av lovverket og det forebyggende arbeidet, så viser nyere tall en bekymringsfull utvikling:
- Elevundersøkelsen 2023 viser at 10% av elevene opplever mobbing, en økning fra 7,3 % i 2022 og 5,9 % i 2021
- Alle former for mobbing øker, inkludert digital mobbing og mobbing fra voksne på skolen
- På 7. trinn rapporterer 1 av 10 elever at de har vært utsatt for mobbing
- Mobbingen er mest utbredt på barnetrinnet og avtar med alderen, men vi vet at seksuell trakassering øker med alderen. Dermed kan det hende at trykket med hensyn til ulike former for krenkelser er forholdsvis stabilt gjennom hele skolegangen.
Det er vanskelig å finne en samlet oversikt over den samlede økonomiske innsatsen i det forebyggende arbeidet, men enkle søk viser at det bevilges betydelige midler til arbeidet mot mobbing. Statsbudsjettet for 2024 viser at det er bevilget 15 mill. til lokale beredskapsteam, 10 mill. til utvidelse av Læringsmiljøprosjektet, 10 mill. til Statsforvalterens arbeid med støtte og og veiledning av kommuner og 10 mill. til de fylkesvise mobbeombudene. Forskningsprosjektet Be-Prox, om forebygging av mobbing i barnehagen, har fått et totalbudsjett på 20 mill. kroner.
Vi kan trygt konkludere med at utdanningsmyndighetenes kostnader til forebyggende arbeid og forskning på fagfeltet over år har vært betydelig. Spørsmålet blir da: Hvorfor ser vi som samfunn ingen effekt av all økonomi og innsats som har vært lagt ned i arbeidet mot mobbing? Vi lar dette henge som et spørsmål til ettertanke.
Konsekvensene av feilslått politikk
En ting er selve kostnadene til den envher tids satsing mot mobbing, men norske myndigheter har heller ikke gjort egne beregninger på hvilke økonomiske konsekvenser mobbing i barne- og ungdomsårene påfører samfunnet, men mobbeombudet i Nordland har beregnet at en enkelt mobbesak i skolen kan koste samfunnet omkring kr 250 000. Dette inkluderer møter, undersøkelser, iverksetting av tiltak, daglig oppfølging og evaluering.
I Sverige har stiftelsen Friends utført en analyse som viser at mobbingen har kostet det svenske samfunnet nesten 18 milliarder svenske kroner over 30 år. Selv om dette ikke er direkte overførbart til Norge, gir det en indikasjon på størrelsesordenen av kostnadene. Når det gjelder negative konsekvenser for folkehelse og samfunnsøkonomi i Norge, kan flere kostnader regnes med, både med hensyn til folkehelse og samfunnsøkonomi:
- Mobbeofre har i snitt ett karakterpoeng dårligere enn andre elever, noe som kan føre til tapt utdannelse
- Mobbeofre kan slite med å takle arbeidslivet, noe som fører til lavere produktivitet
- Behandling av psykiske lidelser som angst, depresjoner og posttraumatisk stressyndrom
- Økte utgifter til sosiale stønader for de som ikke er i jobb på grunn av konsekvenser av mobbing
- Mobbing kan føre til psykosomatiske plager, dårligere selvbilde og i noen tilfeller selvmordstanker
Mobbing i barnehage og skole kan i tillegg medføre alvorlige og langvarige konsekvenser for mobberne. Forskning viser at de som mobber andre har en økt risiko for negativ sosial utvikling senere i livet. Dette viser seg blant annet gjennom en høyere sannsynlighet for kriminalitet og alkoholmisbruk i voksen alder. En studie fant at hele 60 % av elever som mobbet i ungdomstrinnet var dømt for minst ett lovbrudd da de var 23 år gamle, noe som understreker den sterke sammenhengen mellom mobbeatferd og senere lovbrudd.
Gjennom skole- og utdanningsløpet kan mobbere oppleve relativt store utfordringer. De har ofte gjennomsnittlige skoleprestasjoner som gradvis blir dårligere på ungdomstrinnet. Dette kan få langsiktige konsekvenser for deres utdannings- og karrieremuligheter. Atferdsproblemer er også vanlige blant mobbere. De utviser ofte betydelig eksternaliserende oppførsel, kan være aggressive, også mot voksne, og har gjerne vanskelig for å underordne seg regler. Dette kan føre til konflikter barnehage-, skole- og hjemmemiljøet.
Rent følelsesmessig kan mobbere oppleve utfordringer. De kan ha internaliserende symptomer, lav frustrasjonsterskel, og være hissige og impulsive. Dette kan påvirke deres evne til å håndtere stress og emosjonelle situasjoner på en sunn måte. Sosialt kan mobbere oppleve vansker. De har ofte negative holdninger og liten tillit til andre, noe som kan gjøre det vanskelig å etablere og opprettholde sunne relasjoner. Problemer med å samarbeide er også vanlig, noe som kan påvirke deres evne til å fungere effektivt i team både i skole- og arbeidssammenheng.
For elever som både mobber og blir mobbet, det vi tidligere ofte kalte provoserende mobbeofre, er konsekvensene ofte enda mer alvorlige. Disse elevene har økt risiko for angst, ensomhet, depresjon og lav selvtillit. De har også en tendens til å bryte regler, være utagerende og i opposisjon til lærere og foresatte, noe som kan føre til ytterligere faglige og sosiale utfordringer.
På tide å tenke nytt?
Statistikken angående mobbing har holdt seg relativt stabil siden Utdanningsdirektoratet begynte med sine målinger via Elevundersøkelsen i 2001, og som vi har sett av saken så langt, så har innsatsen vært betydelig, men den har hatt begrenset effekt. I den forbindelse er det fristende å bruke den gamle anekdoten, angivelig fra en legejournal: «Medisinen virket tilfredsstillende, men pasienten døde». Dette får stå som en overgang til det denne artikkelen skal handle om videre, spørsmålet om kunstig intelligens (KI) kan gi fornyet kraft til det forebyggende arbeidet mot mobbing. For å komme videre med dette spørsmålet, så har jeg gjennom målrettede søk spurt KI om hva denne kan bidra med. Spørsmålene jeg har brukt overfor KI har vært følgende:
- Kan KI brukes til å forebygge mobbing? I så fall, hvordan?
- Hvordan kan KI brukes som praktisk metode med hensyn til forebygging av mobbing i barnehage og skole?
- Hva er de mest effektive KI-baserte løsningene for å forebygge mobbing?
- Forklar hvordan predikativ modellering kan identifisere elever i risikosonen for mobbing, både de som mobber og de som blir utsatt for mobbing.
- Hvordan fungerer gradient boosting decision tree (GBDT) i forhold til å predikasjon av mobbing?
- Hva er de største fordelene med å bruke GBDT i forebygging av mobbing?
- Hva er de største utfordringene med å bruke GBDT for å forutsi mobbing?
- Hva er de største utfordringene med å tolke resultater fra GBDT-modellen?
- Utdanningsmyndighetene og forskningsmiljøene i Norge sitter på store mengder data om forebygging av mobbing. Kan disse dataene brukes av KI til å forbedre innsatsen mot mobbing? I så fall, hvordan?
Her er det bare fantasien som setter grenser for hva man kan spørre KI om. Listen over spørsmål over her har gitt noen interessante svar som jeg har sammenfattet videre i teksten. Jeg har brukt KI-tjenesten Perplexity til utforsking av temaet med hensyn til tekstproduksjon og DALL-E AI til å generere bilder til teksten.
Kunstig intelligens i forebygging av mobbing: Muligheter og utfordringer
Kunstig intelligens (KI) har vist seg, ifølge KI selv, å være et lovende verktøy i kampen mot mobbing i skoler og barnehager. Ved å utnytte store mengder data som utdanningsmyndigheter og forskningsmiljøer besitter, kan KI bidra til å forbedre innsatsen mot mobbing på flere måter.
Prediktiv modellering og risikoidentifisering
En av de mest lovende anvendelsene av KI i mobbeforebygging er bruken av prediktiv modellering. Dette innebærer å bruke maskinlæringsalgoritmer for å analysere data og forutsi hvilke elever som kan være i risikosonen for å bli mobbet eller for å mobbe andre.
Gradient Boosting Decision Tree (GBDT)
En spesifikk algoritme som har vist seg effektiv i denne sammenhengen er Gradient Boosting Decision Tree (GBDT). GBDT er en maskinlæringsmetode som kombinerer mange enkle beslutningstrær for å lage en kraftig prediktiv modell.
Dette blir litt teknisk, men et beslutningstre er en grafisk representasjon av beslutningsprosesser som viser ulike valg og deres mulige utfall. I sammenheng med Gradient Boosted Decision Trees (GBDT), brukes beslutningstrær som grunnleggende byggesteiner.
For å illustrere, tenk på GBDT som en lagvis prosess:
- Start med et enkelt beslutningstre som gir en grunnleggende prediksjon
- Beregn feilene fra dette treet
- Tren et nytt beslutningstre for å korrigere disse feilene
- Gjenta prosessen flere ganger, hvor hvert nytt tre fokuserer på å forbedre de tidligere prediksjonene
Denne metoden gjør GBDT svært effektiv for komplekse datasett, da den gradvis forbedrer modellens nøyaktighet ved å lære fra feilene.
GBDT fungerer ved å:
- samle inn data om individuelle, familie- og skolemiljøfaktorer
- trene modellen sekvensielt, der hvert nytt beslutningstre korrigerer feilene til de tidligere trærne
- bruke modellen til å forutsi risikoen for mobbing i fremtiden
- evaluere ytelsen ved hjelp av statistiske mål som nøyaktighet, presisjon og recall
Med tanke på det siste punktet, så trenger vi kanskje noen ordforklaringer:
- Nøyaktighet måler hvor mange av de totale prediksjonene som er korrekte
- Presisjon måler hvor mange av de positive prediksjonene som faktisk er positive
- Recall måler hvor mange av de faktiske positive tilfellene som blir korrekt identifisert
I en studie ble GBDT brukt til å identifisere de viktigste prediktorene for mobbing et år senere. De seks viktigste faktorene var lærer-elev-relasjonen, vennskapsrelasjoner, familiesamhold, negative følelser, angst og avvisende foreldrestil.
Fordelene med GBDT inkluderer høy prediktiv nøyaktighet, evne til å håndtere komplekse, ikke-lineære sammenhenger og identifisering av viktige risikofaktorer. Utfordringene inkluderer behovet for store mengder pålitelige data, kompleksitet i tolkning, og etiske vurderinger knyttet til potensiell stigmatisering.
Effektevaluering og optimalisering av tiltak
KI kan analysere data fra ulike antimobbeprogram for å sammenligne effektiviteten av forskjellige tiltak, identifisere hvilke komponenter i programmene som gir best resultater og optimalisere ressursbruk. En metaanalyse viste at antimobbeprogram kan redusere mobbing med opptil 20 %, og KI kan bidra til å finne de mest effektive elementene i disse programmene.
Individualiserte intervensjoner og tidlig varsling
Ved å analysere individuelle data kan KI bidra til å skreddersy antimobbestrategier for spesifikke skoler eller elevgrupper, utvikle individuelle støttetiltak for elever i risikosonen, og tilpasse opplæringsprogrammer for lærere og skoleledere.
KI-systemer kan også overvåke data i sanntid for å oppdage tidlige tegn på mobbing eller endringer i skolemiljøet, varsle relevante aktører om potensielle problemer før de eskalerer, og foreslå proaktive tiltak basert på tidligere vellykkede intervensjoner.
Andre KI-baserte løsninger
Automatisert innholdsanalyse er en annen viktig anvendelse av KI, der algoritmer analyserer tekst, bilder og videoer for å identifisere mobbende eller skadelig innhold. Dette er spesielt nyttig for å bekjempe digital mobbing.
Interaktive læringsplattformer drevet av KI kan gi personlig veiledning til elever om hvordan de kan håndtere vanskelige situasjoner både online og offline. KI kan også bidra til kompetanseheving for ansatte og foreldre gjennom skreddersydde opplæringsprogrammer.
Bevisstgjørings- og holdningsskapende kampanjer kan forbedres ved hjelp av KI-analyse av data om mobbing, noe som kan hjelpe med å utforme målrettede kampanjer som er spesielt relevante for både generelle og spesifikke barnehage- og skolemiljøer .
Utvikling av nye antimobbestrategier
Ved å analysere store mengder data kan KI bidra til å identifisere innovative tilnærminger til mobbeforebygging, simulere effekten av potensielle nye tiltak før de implementeres, og kontinuerlig forbedre eksisterende strategier basert på ny innsikt.
Utfordringer og etiske hensyn
Til tross for de mange fordelene, er det viktige utfordringer å ta hensyn til ved bruk av KI i forebygging av mobbing:
- Datakvalitet og datamengde: KI-modeller krever store mengder høykvalitetsdata for å være nøyaktige
- Kompleksitet i tolkning: Avanserte KI-modeller kan være vanskelige å forstå for ikke-tekniske fagpersoner
- Etiske bekymringer: Bruk av prediktive modeller kan føre til stigmatisering eller urettferdig behandling av elever
- Dynamisk natur av mobbing: Modeller må oppdateres regelmessig for å forbli relevante
- Kontekstavhengighet: En modell trent på én populasjon er kanskje ikke like effektiv for en annen
- Implementeringsutfordringer: Integrering av KI-modeller i eksisterende skolesystemer kan være utfordrende
Konklusjon
KI har et stort potensial til å forbedre innsatsen mot mobbing i skoler og barnehager. Ved å utnytte store datamengder, som forskningen og utdanningsmyndighetene allerede sitter på, kan KI bidra til mer presis identifisering av risikofaktorer, invdividualiserte intervensjoner, og kontinuerlig forbedring av antimobbestrategier. Det er imidlertid viktig å bruke KI på en etisk og ansvarlig måte, med respekt for personvern og med menneskelig styring og tilsyn. KI bør sees på som et verktøy for å støtte og forbedre eksisterende antimobbestrategier, ikke som en erstatning for menneskelig innsats og vurdering i kampen mot mobbing.
Utfordringen om bruk av KI til å forsterke og forbedre arbeidet mot mobbing i barnehage og skole går til våre politikere, utdanningsmyndigheter og forskningsmiljøene.
Kilder
Agadzhanova, Anna. Stop Cyberbullying with Artificial Intelligence. Kidactions.eu. 04.08.22
Amundsen, M. L. & Garmannslund, P. E. Elever som mobber. Utdanningsforskning.no. 11.12.20
Developers.google.com. Gradient Boosted Decision Trees. Google.com. 27.11.24
Hansson, Nicklas. Artificial intelligence used to fight bullying in a Swedish pilot project. Tietoevry.com. 06.12.21
Hyang, Jørgen. – Mobbing fører til ødelagte liv og milliardkostnader. 21.08.23
Kunnskapsdepartementet. Barnehage- og skolemiljø. Regjeringen.no. 13.05.24
Kunnskapsdepartementet. Flere elever mobbes på alle trinn. Regjeringen.no. 20.01.23
Qiu T, Wang S, Hu D, Feng N, Cui L. 2024. Predicting Risk of Bullying Victimization among Primary and Secondary School Students: Based on a Machine Learning Model. National Library of Medicine.
Utdanningsdirektoratet. Mobbetallene fortsetter å øke. Udir.no. 28.02.24
Vesterålennytt. Mobbing koster oss dyrt. Vny.no. 19.02.24
Wikipedia. Gradient boosting. En.wikipedia.org. 02.10.24
Wolff-Hansen, Eva Sophie. Innovasjon og ny medieteknologi. Ndla.no. 21.12.20
