Clearing kan kännas som kontrollerat kaos: ringande telefoner, kursplatser som förändras, oroliga elever och beslut som fattas under press. Ett ‘Clearing Control Room’-upplägg tillför lugnet från ett strukturerat arbetsflöde till en vecka som sällan erbjuder det. Gjort rätt kan AI stödja arbetet utan att ersätta professionellt omdöme. Om du redan använder en war-room-modell för results day kommer du känna igen rytmen; skillnaden här är en evidens-först-pipeline med obligatoriska kontroller och en tydlig revisionskedja (se Planering för Results Day War Room för den bredare uppsättningen).
Vad AI-stött betyder
I Clearing bör ‘AI-stött’ betyda att verktyget hjälper dig att organisera information, skapa jämförelser och utforma frågor och manus. Det ska snabba upp tänkandet, inte tänka åt dig. Modellen kan sammanfatta antagningskrav som du klistrar in, lyfta fram missmatchningar mellan begränsningar och alternativ och föreslå vad du ska fråga i ett samtal.
Det får aldrig betyda att lägga ut rådgivning, förutsäga utfall eller hitta på fakta. AI ska inte ‘bestämma’ vilken kurs en elev ska välja, och den ska inte ombes att surfa på den live webben om du inte använder ett betrott, skolgodkänt arbetsflöde med tydliga verifieringssteg. Behandla varje AI-output som ett utkast som behöver mänsklig kontroll, precis som du skulle göra med vilket mallbrev eller automatiserad rapport som helst.
Förberedelser: roller och regler
Ett kontrollrum fungerar eftersom alla vet sin roll. Du behöver inte ett stort team, men du behöver tydliga roller. En person bör vara triage-ansvarig, hålla kön i rörelse och fördela elever till en rådgivare. En annan bör vara evidensansvarig, med ansvar för att verifiera kursfakta från officiella källor innan något rekommenderas. En safeguarding-ansvarig bör finnas tillgänglig för att ge råd om riskflaggor och godkänna eskaleringar. Slutligen är en protokollförare ovärderlig: att fånga vad som användes, vad som beslutades och varför.
Verktygen kan vara enkla: en delad tracker (kalkylblad eller ärendehanteringssystem), en säker anteckningsmall och ett AI-gränssnitt godkänt för personalbruk. Det viktigaste ‘verktyget’ är din regel om minsta möjliga data. I praktiken betyder det att du bara lägger in i AI-systemet det du skulle vara bekväm med att skriva ut och arkivera. Använd initialer eller ett case ID, undvik särskilda kategorier av data och ta inte med detaljerade personliga omständigheter om det inte är absolut nödvändigt och tillåtet. Om du vill ha ett färdigt kommunikations- och triagepaket för veckan, anpassa manus och mallar i Resurser för Results Day-beredskap.
Beslutspipelinen
En bra pipeline är tidsboxad. Sikta på 15–30 minuter per elev, med klockan synlig. Poängen är inte att stressa eleven; det är att hindra processen från att glida över i ostrukturerad debatt.
Börja med inputs, producera outputs och passera sedan kontrollpunkter. Inputs bör vara elevens uppnådda resultat, deras uttalade preferenser, icke förhandlingsbara begränsningar (ekonomi, resor, omsorgsansvar, visumstatus där relevant) och all verifierad kursinformation du har till hands. Håll en tydlig åtskillnad mellan vad du vet och vad du antar.
Outputs bör vara tre saker: en kort jämförelse av alternativ, ett samtalsförberedelsepaket och en rekommendationsanteckning som uttryckligen anger osäkerhet. Kör sedan två kontrollpunkter: ett bias/safeguarding-‘challenge pass’ och en personal sign-off. Om du redan använder gränser för AI under prov gäller samma disciplin här: tydliga ‘trafikljus’ för vad verktyget får och inte får göra (se AI-gränser och integritetskontroller).
Mall 1: prompt för alternativjämförelse
Använd den här prompten efter att du har verifierat de nyckelfakta du ska klistra in. Målet är inte en rangordning; det är en strukturerad jämförelse som gör dina nästa frågor självklara.
Prompt (minsta möjliga data, endast inklistrade fakta):
You are supporting a sixth form Clearing adviser. Use only the facts I paste. Do not add new facts. If something is missing, list it as an uncertainty and propose questions to resolve it.
Student snapshot (use case ID only):
- Case ID: [ID]
- Achieved results: [grades/scores]
- Preferred subject areas: [e.g., psychology, nursing, business]
- Constraints: [budget, travel time, start date, mode, placements, etc.]
- Non-negotiables: [e.g., must stay local, must include placement]
- Student priorities (in their words): ‘[short quote]’
Options (paste verified details for each):
Option A: [provider/course], [entry requirements], [fees], [location], [key modules], [placement info], [start date], [any deadlines]
Option B: …
Option C: …
Task: Create a comparison table with: course fit, constraint fit, evidence used, uncertainties, and ‘best next questions’. Then write a neutral summary the adviser can read aloud, making clear that the student decides.
Mall 2: granskning av statement och val
Ibland är problemet inte kurslistan, utan om elevens berättelse och evidens hänger ihop, särskilt om de byter inriktning. Den här mallen hjälper personal att upptäcka svaga påståenden, saknad evidens och riskflaggor utan att skriva om elevens röst.
Prompt:
Act as a reviewer for a student’s application narrative. Keep the student’s voice. Do not invent achievements. Highlight where claims need evidence.
Inputs (paste):
- Intended course area: [subject]
- Student draft statement (or bullet points): [text]
- Evidence available (verified): [work experience, projects, reading, grades]
- Any constraints: [time, access, caring responsibilities]
Task:
- Identify the top 5 claims being made.
- For each, note what evidence supports it and what is missing.
- Flag any risks: over-claiming, sensitive disclosure, safeguarding concerns, or anything that should be discussed with a designated lead.
- Suggest 3–5 questions to ask the student to strengthen accuracy and authenticity.
Om du vill ha ett robust sätt att utvärdera vilken modell du än använder för detta arbete, anpassa ett snabbt protokoll som det i GPT-5 skolbriefing och utvärdering så att personal vet hur ‘bra’ ser ut.
Upptäck kraften i Automatiserad Utbildning genom att gå med i vårt community av lärare som tar tillbaka sin tid samtidigt som de berikar sina klassrum. Med vår intuitiva plattform kan du automatisera administrativa uppgifter, personifiera elevinlärning, och engagera dig med din klass som aldrig förr.
Låt inte administrativa uppgifter överskugga din passion för att undervisa. Registrera dig idag och förvandla din utbildningsmiljö med Automatiserad Utbildning.
🎓 Registrera dig GRATIS!
Mall 3: samtalsförberedelsepaket
Samtal är där osäkerhet reds ut. Ett samtalspaket ska göra eleven lugnare, inte mer överväldigad. Det ska också skydda personal från att improvisera under press.
Prompt:
You are preparing a Clearing call pack. Use only the facts I paste. Do not guess entry requirements or availability. Produce: questions, negotiation points, red lines, and a notes grid.
Inputs (paste verified facts):
- Case ID: [ID]
- Student results and constraints: [paste]
- Option under discussion: [paste course details and any published Clearing notes]
- Student priorities: [paste]
Output:
A) 8–12 questions to ask the provider (entry flexibility, module choices, placements, deferrals, support, accommodation, deadlines).
B) Negotiation points (what we can ask for) and red lines (what would make this unsuitable).
C) A notes grid with columns: question, answer, evidence/source, follow-up action, deadline.
Bias- och safeguarding-kontroller
Innan någon rådgivning ges, kör ett standardiserat ‘challenge pass’. Det är en kort, upprepbar rutin: fråga vilka antaganden som smugit sig in, vems preferenser som prioriteras och om elevens begränsningar behandlas som ‘problem’ snarare än realiteter. Om ett alternativ avfärdas ska personalen ange evidensen, inte känslan.
Safeguarding är inte ett tillägg. Om AI-output flaggar känsliga uppgifter, eller om personalen ser riskindikatorer (plötsliga förändringar, påverkan/tvång från andra, extremt stark oro), pausa pipelinen och följ skolans safeguarding-process. Kontrollrummet ska göra eskalering enkel och fri från stigma: ‘Vi pausar för att hålla dig trygg’ är ett manus, inte en dom. För en bredare blick på hur felanvänd data och automation kan skapa ojämlikhet, se felintegrerad analytics och tidig intervention.
Personalens sign-off-anteckningar
Varje rekommendation behöver en sign-off-anteckning. Håll den kort, konsekvent och versionshanterad. Dokumentera vad som övervägdes, vad som verifierades, vad som var osäkert och vad eleven beslutade. Spara AI-prompter och outputs som användes (eller en säker referens till dem), samt vem som granskade dem. Om en rekommendation ändras, skapa en ny version i stället för att skriva över; Clearing-beslut är tidskänsliga, och du vill kunna återskapa tidslinjen senare utan gissningar.
Revisionsvänligt betyder inte byråkratiskt. Ett stycke motivering som hänvisar till evidenskällor räcker oftast. Den kritiska poängen är att anteckningen visar mänskligt omdöme: vad personalen drog för slutsats, varför och vilka skyddsåtgärder som användes.
Manus riktade till elever
Elever ska veta när AI har använts och till vad. En enkel transparensrad hjälper: ‘Vi använder ett verktyg för att hjälpa oss jämföra alternativ och skriva utkast till frågor, men personal kontrollerar allt och du gör det slutliga valet.’ Be om samtycke innan du använder någon elevtext i en AI-prompt, och erbjud en alternativ process om de känner sig obekväma.
Behåll handlingsutrymmet hos eleven genom att använda språk som bjuder in till val. I stället för ‘Du borde ta alternativ B’, prova ‘Utifrån det du sagt är viktigast verkar alternativ B passa dina begränsningar bäst, men här är avvägningarna.’ När du läser upp en AI-genererad sammanfattning, märk den som ett utkast och be eleven korrigera den. Den korrigeringsstunden lyfter ofta fram den verkliga prioriteringen.
Vanliga felmönster
Hallucinationer är den uppenbara risken: en modell kan självsäkert hitta på ett antagningskrav, en deadline eller en kursdetalj. Din riskminskning är enkel: endast inklistrade fakta, tydliga instruktioner om ‘lägg inte till nya fakta’ och en evidensansvarig som verifierar allt som är viktigt innan det påverkar rådgivningen.
Överdriven säkerhet är mer subtilt. AI kan få ett svagt alternativ att låta smidigt och plausibelt. Motverka detta genom att tvinga in osäkerhet i outputen och kräva minst tre ‘bästa nästa frågor’ för varje alternativ. Likvärdighetsgap kan uppstå om personal omedvetet styr vissa elever mot ‘säkra’ val. Challenge pass och sign-off-anteckningen hjälper, men det gör också reflekterande uppföljning senare. Om du vill ha ett strukturerat sätt att förbättra arbetssätt termin för termin, låna upplägget i after-action review-ramverket.
En sida att skriva ut
Skriv ut ett enda blad till varje skrivbord: de tre prompterna, challenge pass och sign-off-checklistan. Håll det verkligen till en sida genom att använda korta rader och kryssrutor.
- Regeln om minsta möjliga data följd (endast case ID; inga onödiga personuppgifter)
- Verifierade fakta inklistrade (källa noterad)
- Alternativjämförelse framtagen (osäkerheter listade)
- Samtalspaket framtaget (red lines tydliga)
- Challenge pass genomfört (bias + safeguarding)
- Personalens sign-off dokumenterad (namn, tid, version)
- Manus för elevsamtycke och handlingsutrymme använt
- Slutligt beslut och nästa åtgärd dokumenterad (deadline noterad)
After-action review
Under veckan, fånga små signaler: var flaskhalsar uppstod, vilka frågor utbildningsanordnare ställde upprepade gånger, vilka prompter som gav otydliga outputs och var elever kände sig förvirrade. I slutet, gör en kort genomgång med din tracker-data och ett fåtal anonymiserade fall. Bestäm vad ni ska behålla, vad ni ska sluta med och vad ni ska skala upp, och uppdatera sedan promptpaketet och utbildningen inför nästa cykel. Ett lättviktigt revisionsupplägg som det i planering för AI-revision vid läsårets slut kan göra att detta känns hanterbart snarare än överväldigande.
Må din Clearing-vecka kännas lugnare, mer rättvis och bättre evidensbaserad—en elev i taget.
The Automated Education Team