Карти за акценти за поддръжка на ученици в Insights за образование
Картите за акценти за поддръжка на ученици, базирани на ИИ, са предназначени да помогнат на преподавателите да отделят внимание, за да подкрепят учениците, преди да изостават. Тази карта използва машинно обучение, за да следи цифровите модели на ангажираност в класната стая, както и всеки отделен ученик и да уведомява преподавателите, когато учениците показват ранни признаци на прекъсване на обучението. Картата "Най-актуални" предоставя списък на учениците, които може да се нуждаят от поддръжка от преподаватели през следващата седмица, както и конкретни точки за говорене въз основа на промяната в дейността на учениците. Прогнозите са чисто формулярни и разчитат само на сигналите за цифров ангажимент, налични в Insights за образование, без да се събират допълнителни данни.
Как преподавателите трябва да използват картата за акценти?
Като преподавател, вие знаете и разбирате учениците си по най-добрия начин. Тази акцентна тема е създадена, за да акцентира върху ученето и ангажираността на учениците, за да помогне на преподавателите в разграничаването на подкрепата, за да даде възможност на учениците си безпристрастно.
Този инструмент е предназначен за използване в комбинация с лични взаимоотношения и разбиране на способностите и обстоятелствата на ученика. Акцентите не оценяват учениците, а предоставят възможности на преподавателите да надграждат съществуващите си взаимоотношения и да разграничават подкрепата.
Важно: Някои ученици, които се нуждаят от подкрепа, може да демонстрират нуждата си от съгласувана неактивност. Учениците, които са постоянно неактивни, няма да бъдат маркирани в картата за поддръжка на учениците, тъй като не са предоставили данни за дейността, които да интерпретират. Обърнете особено внимание на картата "Акценти на дейността", за да идентифицирате учениците, които са неактивни, тъй като това е друг показател, че учениците се нуждаят от поддръжка.
Изследване за картата за поддръжка на ученици/студенти
Консенсусът в педагогическата научноизследователска общност е, че намаляването на ангажираността е индикатор, че учениците изпитват предизвикателства и са изправени пред повишен риск от изоставане (Кристинсън, Решли и Уайли, 2012;) и че данните за цифров ангажимент на учениците могат да се използват за оценяване на нивото им на ангажираност и за прогнозиране с висока точност бъдещи поведения и постижения. Освен това тези данни могат да се използват за идентифициране на "изложените на риск" студенти, тъй като те са силно свързани с академични постижения (Asarta и Schmidt, 2013; Барадуаж, Бриеш Кумар и Саураб Пал., 2012; Beck, 2004; Кембъл и др., 2006 г.; Goldstein и Katz, 2005; Джонсън, 2005 г.; Michinov et al., 2011; Morris et al., 2005; Qu и Johnson, 2005 г.; Рафали и Рафали, 1997 г.; Уанг и Нюлин, 2002; вие, 2016 г.;).
Изследванията показват също, че ранната намеса помага за намаляване на този риск. Има доказателства, че голям процент от изложените на риск ученици изпращат сигнали за бедствия много преди действително да отпадат от училище (Нийлд, Балфанс и Херзог, 2007). Поради тази причина системите за ранно предупреждение помагат на преподавателите да предотвратят излизането на учениците от пистата до завършването и да насочват интервенциите и подкрепата към учениците, които се нуждаят най-много от тях (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Достъп до модели на онлайн материали в смесен курс. Decision Sciences Journal of Innovative Education, 11(1), 107-123.
Барадаж, Б. К., & Пал, С. (2012). Извличане на образователни данни за анализиране на производителността на учениците. arXiv preprint arXiv:1201.3417.
Бек, Джей Е. (2004 г., август). Използване на времето за отговор за моделиране на прекратяването на учащи. В рамките на работна среща на ИТС 2004 относно социалната и емоционалната интелигентност в учебните среди 20, No 2004, стр.
Кембъл, J. P., Finnegan, C., & Collins, B. (2006, юли). Академичен анализ: Използване на CMS като система за ранно предупреждение. В конференция за въздействие върху WebCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Наръчник за проучване на ангажираността на учениците. Springer Science & Business Media.
Голдщайн, Пи Джей, & Катц, Р. Н. (2005). Академичен анализ: Използването на управлението на информацията и технологиите във висшето образование (Vol. 8, No 1, стр. Аз съм Образовател.
Джонсън, Г. М. (2005). Студентско отчуждение, академични постижения и използване на WebCT. Дневник на образователната технология & общество, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Отлагането, участието и производителността в онлайн образователни среди. Компютри & education, 56(1), 243-252.
Морис, Л. В., Финеган, К., & Ву, С. С. (2005). Проследяване на поведението, устойчивостта и постиженията на учениците в онлайн курсовете. Интернет и висшето образование , 8, параграф 3, 221—231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Система за ранно предупреждение. Образователна лидерство, 65(2), 28-33.
Pinkus, L. (2008). Използване на данни с ранно предупреждение за подобряване на скоростта на завършване: Затваряне на пукнатини в системата на образованието. Вашингтон, Окръг Колумбия: Съюз за отлично образование.
Ку, Л., & Джонсън, У. Л. (2005 г., май). Откриване на мотивационните състояния на учащия в интерактивна образователна среда. В производство на конференцията през 2005 г. относно изкуствения интелект в образованието: Подкрепа на ученето чрез интелигентни и социално информирани технологии (стр. 547-554).
Рафаели, С., & Рейвид, Г. (1997). Онлайн базирана среда за обучение за курс за информационни системи: Регистрационни файлове на Access, линейност и производителност. In Proc. Inf. Syst. Educ. Conf (Том 97, стр. 92—99).
Уанг, Уоки, & Нюлин, М. Х. (2002). Предсказатели на представянето на учениците в уеб: Ролята на самостоятелното ефикасност и причините за он-лайн класа. Компютри в човешкото поведение, 18(2), 151-163.
Ти, Джей У. (2016). Идентифициране на значими показатели с помощта на данни от СУО за прогнозиране на постиженията в курсовете в онлайн обучението. Интернет и висше образование( 29; 23 —30).
Предсказване на спада на учениците в дейността
Моделът за машинно обучение приема моделите на дигитална дейност на всеки отделен ученик през последните три седмици и използва тези данни, за да идентифицира учениците, които са активни днес, но са показали ранни показатели, че нивото им на ангажираност може да се пониже през следващата седмица. Моделът отчита конкретните модели на обучение на екосистемата в класната стая, както и отчитането на пропуските в дейността на класовете, произтичащи от ваканции и празници. Прогнозата за ангажираността на учениците е индивидуална, с разбирането, че различните ученици могат да демонстрират различни модели на дейност и няма такова нещо като "нормално" поведение. Тези акценти за подкрепа на учениците не оценяват учениците, а по-скоро идентифицират моделите на активност, които са достатъчно съществени, за да покажат потенциалната необходимост от подкрепа и дават възможност на преподавателите да се наместят рано.
Сигналите за дейността, използвани като входни данни за модела, включват:
-
Модели за достъп до файлове на SharePoint: Отваряне, модифициране, изтегляне, качване
-
Модели на достъп за възложени задачи и подаване: присвояване, отваряне, предаване
-
Участие в чата на класа: посетете, публикувайте, отговорете, разгънете, реагирайте
-
Участие в събрания на класа
-
Достъп до страниците на бележника на класа на OneNote: редактиране, отразяване на използването, публикуване
Важно: моделът използва дейност, а не самото съдържание. Например не използва съдържание от чат съобщения, съдържание на документи, отразяване на емоции или нещо, което може да се използва за идентифициране на този ученик.
Точки на говорене
Моделът идентифицира до 15% от учениците в класа, които са показали относно сигналите за активност, след което осветява индикаторите, които всеки ученик е изобразен в точките на говорене. Когато изберете картата за акценти за поддръжка на учениците, учениците, които са показали ранни индикатори за прекъсване на връзката, ще бъдат изредени заедно с точките за разказване, предназначени да ви помогнат да започнете разговор относно нуждите от поддръжка на този ученик.
Точките за говорене , които може да видите на картите за акценти за поддръжка на ученици , са:
-
участва в цифрови дискусии в по-малка степен
-
стартира по-малко цифрови обсъждания
-
реагира на по-малко съобщения в Teams
-
във възможностите за цифрово обучение по-малко
-
е осъществявал достъп до по-малко онлайн материали
-
започва задачи в Teams по-късно от обичайното
-
работи по-малко в техния бележник на класа на OneNote
Поверителност и отговорен ИИ
В Microsoft се грижим дълбоко за поверителността и етичното използване на ИИ. Следователно следните принципи на поверителност са вградени в модела:
-
Моделът е обучен по начин, който изключва очите, което означава, че нашите учени от данните нямат достъп, за да преглеждат данните на класа.
-
Споделяме прозрения само за учениците с хора, които вече имат достъп до основните данни и са запознати с тях. т.е. преподавателя на класовете.
-
Моделът никога няма да направи профил на ученик като "добър" или "лош". Целта ни е да подкрепим преподавателя в вземането на информирани решения за учениците им, като споделяме обективни наблюдения на данните по начин, който не може да бъде преценено.
-
Моделът има за цел да избягва предприятия и не използва никаква идентифицираща информация (например име, пол или раса). Моделът използва само информация за поведението от взаимодействията на учениците в Teams.
-
Прогнозата е чисто формираща, което означава, че тя е предназначена да известява преподавателите и да ги подкрепя в промяната на тяхната практика в полза на учениците, но не се записва в базата данни Insights за бъдеща проверка. Това е отражение на поведението в определен момент от времето и не трябва да се използва за официална оценка на нито един ученик.
Ограничения на модела
-
Моделът разглежда класовете един по един. Ако моделът на дейност на ученика е отклонен от един клас и е склонен към друг, преподавателите могат да бъдат уведомени за необходимостта от подкрепа само в класа с отхвърлена дейност.
-
Моделът използва само цифровата ангажираност чрез Teams като мярка. Не се разглежда директната комуникация между учениците/студентите или извън Teams. Цифровата дейност извън Teams няма да бъде представена в модела.
-
За да се даде възможност за изчисляване на възможностите за учене с нюанси, прогнозата ще бъде изпълнена само за класове с повече от 5 учащи, най-малко 4 седмици цифрова дейност и най-малко 30% участие на учащите в една или повече от цифровите дейности, използвани от модела.
Нуждаете ли се от още помощ?
Искате ли още опции?
Разгледайте ползите от абонамента, прегледайте курсовете за обучение, научете как да защитите устройството си и още.
Общностите ви помагат да задавате и отговаряте на въпроси, да давате обратна връзка и да получавате информация от експерти с богати знания.
