Din LMS-analys visar en brutal avgrund mellan modul 3 och 7, men ”varför” är fortfarande oklart. Rapporter pekar på slutförandegrader och quizresultat, men de förklarar inte vad deltagarna faktiskt upplevde precis innan de försvann. Och när intressenter blir nervösa är det lätt att samtalet glider över i improduktiva skuldbeläggningar.
Den här prompten för LMS drop-off diagnose är byggd för kursproducenter som behöver rädda ett program som tappar slutföranden mitt i flödet, L&D-chefer som måste briefa ledningen med en tydlig, icke-defensiv berättelse, och learning analysts som vill ha en praktisk diagnostisk genomgång i stället för ännu en dashboard-skärmdump. Resultatet är en intressentredo utredning: friktionshypoteser kopplade till modul 3–7, förklaringar av deltagarvägar (inklusive tidsfaktorer) och en visualiseringsplan som visar exakt var, när och varför engagemanget faller.
Vad gör den här AI-prompten och när ska du använda den?
| Vad den här prompten gör | När du ska använda den här prompten | Vad du får |
|---|---|---|
|
|
|
Hela AI-prompten: diagnostik av avhopp i modul 3–7 + åtgärdsplan
Fyll i fälten nedan för att anpassa prompten efter dina behov.
| Variabel | Vad du ska ange | Anpassa prompten |
|---|---|---|
[KURSSTRUKTURDATA] |
Ange detaljer om kursens upplägg, inklusive modulernas teman, ordningsföljd, bedömningar och typer av interaktion. Ta med eventuell tidsdata eller rekommendationer för tempo som är relevanta för deltagarnas progression. Till exempel: "Kursen består av 10 moduler: Modulerna 1–2 är introducerande, modulerna 3–7 behandlar kärnkoncept med ökande komplexitet och modulerna 8–10 fokuserar på avancerade tillämpningar. Varje modul innehåller en mix av videor, quiz och kamratgranskade uppgifter med veckovisa deadlines."
|
|
[VISUALISERINGSBEGRANSNINGAR] |
Specificera eventuella begränsningar eller krav för visualiseringar, till exempel önskade format, tillgänglighet för målgruppen eller vilka verktyg som finns för att ta fram visuella resultat. Till exempel: "Visualiseringarna ska vara lättillgängliga för icke-tekniska intressenter, använda tydliga etiketter på klarspråk och vara kompatibla med PowerPoint. Föredragna format är stapeldiagram för genomförandegrad och värmekartor för analys av tid i aktivitet."
|
|
[DELTAGARKONTEXT] |
Beskriv deltagarnas kännetecken, inklusive demografi, förkunskaper, motivationsnivåer och externa faktorer som kan påverka engagemanget. Till exempel: "Deltagarna är främst yrkesverksamma i åldern 25–40 år som kombinerar kursen med heltidsarbete. De flesta har begränsade förkunskaper i ämnet och anger karriärutveckling som främsta motivation. Externa faktorer är bland annat tidsbrist och varierande internetåtkomst."
|
|
[INTRESSENTBEHOV] |
Beskriv vad intressenterna förväntar sig av analysen, inklusive vilka typer av insikter, handlingsinriktade rekommendationer och vilken kommunikationsstil som föredras. Till exempel: "Intressenterna behöver tydliga förklaringar till var deltagare faller bort mellan modulerna 3–7, konkreta designjusteringar för att förbättra retentionen samt visualiseringar som fungerar i presentationer för ledningen. De föredrar kortfattade, berättelsedrivna insikter framför teknisk jargong."
|
Proffstips för bättre resultat med AI-prompten
- Ta med ”beteendespår”, inte bara slutförandegrader. Lägg till detaljer som ”median tid i modul 4 hoppade från 18 minuter till 52 minuter” eller ”quiz B genomsnittligt antal försök = 2,9”. Om du kan: klistra in en liten tabell modul för modul med starter, slutföranden, mediantid och antal omförsök.
- Beskriv moduldesignen som level design. Den här prompten tänker som en retention-utredare, så detaljer spelar roll: antal videor, längd, quizformat, förkunskapskrav och eventuella ”grindar” (måste få 80 % för att gå vidare). Uppföljning du kan använda: ”Anta att modul 5 är en svårighetstopp; lista tre omdesignalternativ som behåller nivån utan att öka bortfallet.”
- Ta med tidskontext från verkligheten. Nämn taktning (självstudier vs kohort), deadlines och typiska studiescheman. Prova: ”Deltagarna är yrkesverksamma; de flesta pluggar i 20–30-minutersblock på mobil, och modul 6 innehåller en 45-minutersvideo plus ett tidsbegränsat quiz.” Den enda meningen höjer kvaliteten på rekommendationerna rejält.
- Tvinga en andra genomgång som jämför två konkurrerande förklaringar. Efter första svaret, fråga: ”Argumentera nu för motsatsen: om detta inte är en svårighetstopp, vad annat förklarar samma mönster? Ge starkaste evidensen för varje hypotes och hur man testar den med befintliga LMS-händelser.”
- Be om åtgärder i nivåer: microcopy, struktur och bedömning. Mycket bortfall beror på otydliga förväntningar, inte innehållskvalitet. Använd: ”För modul 3–7, föreslå (1) microcopy-ändringar, (2) förändringar i stöttning/scaffolding, och (3) ändringar i bedömning. Koppla varje förslag till en specifik observerad signal som loopar av omförsök eller uppblåst tid på uppgift.”
Vanliga frågor
L&D-chefer använder den för att briefa ledningen om vad som händer i modul 3–7 och vad som bör ändras härnäst, utan att luta sig mot luddigt prat om engagemang. Kursproducenter använder den för att hitta var stöttningen (scaffolding) brister, var målen är otydliga och vilka bedömningar som skapar skadlig kamp. Specialister inom learning analytics får ett tydligt sätt att översätta händelsedata till berättelser och visualiseringsfrågor som intressenter faktiskt förstår. Ansvariga för customer education använder den när onboardingkurser tappar deltagare mitt i flödet och retention hänger ihop med adoptionsmilstolpar.
SaaS- och techbolag använder den för kundonboarding-akademier där modulavhopp förutsäger churn eller lägre produktadoption; vyer över deltagarvägar hjälper att koppla ”var de slutade” till ”vad de aldrig lärde sig”. Konsult- och tjänsteföretag (som utbildar kunder i metoder, regelefterlevnad eller verktygslådor) använder den för att minska avhopp i mellanmodulerna som ofta innehåller den första uppgiften med ”riktigt arbete”. E-handelsvarumärken som utbildar affiliates, återförsäljare eller creators kan använda den för att identifiera var instruktionerna blir för kompakta på mobil och var taktningen dödar genomförandet. Vård- och complianceutbildningsteam får nytta när modul 3–7 innehåller quiz med höga insatser, eftersom prompten hjälper att skilja produktiv kamp från förvirringsdriven frånkoppling.
En typisk prompt som ”Analysera varför deltagare hoppar av min kurs och berätta hur jag ska fixa det” misslyckas eftersom den: saknar en definierad granskningszon (den här prompten riktar in sig på modul 3–7 med ett tydligt fall), inte ger någon struktur för att skilja aggregerade trender från individuella vägar, ignorerar tidsfaktorer som studieuppehåll och kalenderpress, producerar generiska råd som ”gör det mer engagerande” i stället för beteendekopplade hypoteser, och missar en icke-skuldbeläggande inramning som håller intressenter fokuserade på designmöjligheter i stället för påstådda brister hos deltagarna.
Ja, men anpassningen sker i kontexten du klistrar in innan du kör den, eftersom prompten i sig saknar variabelfält. Lägg till din kursstruktur (vad som finns i modul 3–7), dina viktigaste händelser (antal försök, tid i modul, typ av senaste aktivitet) och eventuella begränsningar (mobile-first-deltagare, övervakade quiz, kravgrindar för poäng). Om du kan, ta med ett eller två ”signaturmönster” du har sett, som ”gör om quiz två gånger och slutar sedan logga in i 10+ dagar”. Uppföljningsprompt: ”Utifrån mina modulanteckningar, föreslå tre omdesignspår (försiktigt, moderat, djärvt) och lista de exakta LMS-mätetal som bör förbättras om respektive spår är rätt.”
Det största misstaget är att lämna modulbeskrivningarna för vaga — i stället för ”modul 5 är svår”, prova ”modul 5 introducerar ett nytt ramverk, har en 45-minutersvideo, ett tidsbegränsat quiz med 20 frågor och kräver 80 % för att gå vidare”. Ett annat vanligt fel är att bara ange slutförandeprocent; lägg till beteendesignaler som mediantid på uppgift och genomsnittligt antal försök (dåligt: ”slutförande faller 30 %”, bra: ”quiz C genomsnittligt antal försök ökade från 1,4 till 3,1 och sedan upphör inloggningarna”). Många glömmer också tidskontext (dåligt: ”självstudietakt”, bra: ”de flesta pluggar på helger; gap >7 dagar ökar kraftigt mellan modul 4 och 5”). Slutligen hoppar team ofta över exempel på en deltagarväg; redan 3 anonymiserade resesammanfattningar förbättrar diagnostikkvaliteten.
Den här prompten är inte optimal för program utan tillförlitlig spårning på modulnivå, där du inte kan se försök, tid eller progressionssignaler mellan modul 3–7. Den passar också dåligt om du bara vill ha en ensidig mall utan att iterera, eftersom de bästa svaren kommer från en andra genomgång med förtydligade data. Och om din kurs är helt ny med mycket små kohorter kan det vara bättre att först göra snabba deltagarintervjuer och sedan återkomma till prompten när mönster börjar upprepa sig.
Avhopp mitt i kursen går att åtgärda när du slutar gissa och börjar läsa signalerna som ett designproblem. Klistra in den här prompten i ChatGPT, lägg till dina fakta om modul 3–7 och gör churn-avgrunden till en konkret plan för ombyggnad.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.