Studentu atbalsta aktualitātes kartes Insights izglītības iestādēm
AI-based Student support spotlight cards are designed to help pedagogi differentiate attention to support students before they fall behind. Šī kartīte izmanto mašīnmācīšanos, lai pārraudzītu mācību telpas digitālās iesaistes modeļus, kā arī katru studentu un informētu pedagogus, kad skolēni rāda agrīnas slenšanas zīmes. Aktualitātes kartītē ir pieejams to skolēnu saraksts, kuriem nākamajā nedēļā, iespējams, ir nepieciešams pedagoga atbalsts, kā arī konkrēti punkti, par kuriem jārunā, ņemot vērā skolēnu darbības izmaiņas. Prognozes ir tikai formtīvas, un paļaujas tikai uz digitālās iesaistīšanās signāliem, kas pieejami Insights izglītības iestādēm, papildu dati netiek apkopoti.
Kā pedagogi var izmantot aktualitātes karti?
Kā pedagogs jūs pazīstat un saprotat skolēnus vislabāk. Šī aktualitātes ir radīta, lai palīdzētu skolēniem mācīties un iesaisti dažādos atbalsta līmeņos, kas skolēniem sniedz daudz vairāk iespēju.
Šo rīku ir paredzēts izmantot apvienojumā ar personiskām attiecībām un skolēna spējas un jūdības izpratni. Aktualitātes neizvērtē skolēnus, bet drīzāk nodrošina iespējas pedagogiem veidot savas esošās relācijas un izšķirt atbalstu.
Svarīgi!: Daži skolēni, kuriem nepieciešams atbalsts, iespējams, norādās kā vajadzības ar konsekventu neaktivitātes informāciju. Skolēni, kuri ir konsekventi neaktīvi, netiek izcelti studentu atbalsta kartītē, jo tie nav nodrošināuši darbību datus, ko interpretēt. Lūdzu, pievērsiet uzmanību aktivitātes aktualitātes kartītei, lai identificētu skolēnus, kuri nav aktīvi, jo tas ir cits indikators, kuram skolēniem ir nepieciešams atbalsts.
Studenta atbalsta kartes izpēte
Konsenss pedagogu izpētes kopienā ir tas, ka iesaistīšanās samazinājums ir rādītājs, ka skolēniem ir radušās grūtības un ir palielināts iesaistīšanās risks (Christenson, Reschly un Wylie, 2012; ) un to, ka skolēnu digitālās iesaistes datus var izmantot, lai novērtētu viņu iesaistīšanās līmeni un prognozētu ar augstu precizitāti nākotnē iesaisti un sasniegumiem. Turklāt šos datus var izmantot, lai identificētu skolēnus, uz kuriem attiecas risks, jo tie ir lielā mērā saistīti ar akadēmiskajiem sasniegumiem (Asarta un Andreja, 2013. gadā; Baradwaj, Brijesh Kumar un SaurabhBh., 2012; Beck, 2004; Al., 2006. g.; Goldhaus un Katz, 2005; Johnson, 2005; Naminova et al., 2011; Moriss et al., 2005; Qu un Johnson, 2005; Kaziāna un Ravida, 1997; Vanga un Ņūlins, 2002; Jūs, 2016.;).
Izpēte liecina arī par to , ka agrīno iejaukšanās palīdz mazināt šo risku. Pastāv pierādījumi, ka liels risks audzēkņu procentuālā attiecība pret grūtības sūtām signālus ilgi, pirms viņi faktiski pamet skolu (Neild, Balfanz un Herzog, 2007). Šī iemesla dēļ agrīno brīdinājuma sistēmas palīdz izglītības darbiniekiem novērst to, ka skolēni tiek atzīmēti kā izlaidumi un ir jāveic iejaukšanās, kā arī atbalsts skolēniem, kuriem tās ir nepieciešamas visvairāk (Pinkus, 2008).
Asarta, C. J., & Arba, J. R. (2013). Piekļūstiet tiešsaistes materiālu modeļiem sapludinātā kursā. Lēmumu mācības žurnāls novatoriskā izglītība, 11(1), 107-123.
Baradwaj, B. K., & Gau, S. (2012). Āzraces izglītības dati skolēnu veiktspējas analizēšanai. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, Augusts). Izmantojiet atbildes laikus, lai modelēt skolēnu darbības. ITS2004 seminārā par sociālo un emocionālo informāciju mācību vidē (sēj.) 20, No. 2004, pp. 88-95).
Pae, J. P., Finsegans, C., & Vīto, B. (2006, jūlijs). Akadēmiskā analīze: CMS izmantošana par agrīnu brīdinājuma sistēmu. Konferencē WebCT ietekme.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Rokasgrāmata par skolēnu iesaisti. Springer Science & Business Media.
Goldhaus, P. J., & Katz, R. N. (2005). Akadēmiskā analīze: vadības informācijas un tehnoloģiju izmantošana augstākās izglītības iestādēs (Sēj. 8, No. 1, pp. 1-12). Eduāu.
Johnson, G. M. (2005). Skolēnu bānēšana, akadēmiskie sasniegumi un WebCT lietošana. Žurnāls par izglītības tehnoloģiju &,8(2), 179-189.
Bruninovs, N., Brunot, S., Le Leonec, O., Juhel, J., & Delaval, M. (2011). Procrastination, participation, and performance in online learning environments. Computers & Education, 56(1), 243-252.
Moriss, L. V., Finsegans, C., & Wu, S. S. (2005). Skolēnu uzvedības, pastāvības un sasniegumu izsekošana tiešsaistes kursos. Internets un augstākā izglītība, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Agrīns brīdinājuma sistēma. Izglītības iestāde, 65(2), 28-33.
Pinkus, L. (2008). Agrīno brīdinājuma datu izmantošana, lai uzlabotu gradācijas kursus: beigu ieplaisājumi izglītības sistēmā. Vašingtona, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, Maijs). Atklājot audzēkņu motivācijas stāvokli interaktīvā mācību vidē. 2005. gada konferenci par mākslīgo intelektu izglītības iestādēs: Atbalsta apmācība, izmantojot intelektiskas un sabiedriski informētas tehnoloģijas (547.–554. p.).
Hīdži, S., & Ravida, G. (1997). Informācijas sistēmas kursa tiešsaistes mācību vide tīmeklī: Access žurnāli, lineāra darbība un veiktspēja. In Proc. Inf. Syst. Educ. Conf (Sēj. 97, pp. 92-99).
Vanesa, A. Y., & Newlin, M. H. (2002). Tīmekļa skolēnu veiktspējas prognozētāji: pašpiecietības loma un kādēļ tā ir iedarbība tiešsaistē. Datori cilvēkam,18(2), 151-163.
Jūs, J. W. (2016). Identificējot būtiskus rādītājus, izmantojot LMS datus, lai prognozētu mācību kursa sasniegumus tiešsaistē. Internets un augstākā izglītība, 29, 23-30.
Skolēna aktivitātes samazināšanās prognoze
Mašīnmācības modelis izmanto katra atsevišķa skolēna digitālo darbību modeļus pēdējo trīs nedēļu laikā un izmanto šos datus, lai identificētu skolēnus, kuri ir aktīvi šodien, bet ir parādījuši agrīnu indikatorus, ka iesaistīšanās līmenis var samazināties nākamajā nedēļā. Modelī tiek ņemti vērā mācību modeļi, kas raksturīgi mācību nodarbībām, kā arī grāmatvedība, lai novērstu aiztrūkumus mācību nodarbībās, kas rodas atvaļinājumos un brīvdienās. Skolēnu iesaistes paredzēšana ir atsevišķa, ar izpratni, ka dažādi skolēni var parādīt dažādus aktivitātes modeļus, un nav tādas darbības, kā "parasta". Šie studentu atbalsta aktualitātes neizvērtē skolēnus, bet drīzāk identificē aktivitāšu modeļus, kas ir pietiekami nozīmīgi, lai norādītu uz iespējamo nepieciešamību sniegt atbalstu un palīdzēt pedagogiem sniegt priekšlaicību.
Aktivitāšu signāli, kas tiek izmantoti kā modeļa ievade, ietver:
-
SharePoint failu piekļuves modeļi: Atvēršana, modificēšana, lejupielāde, Augšupielāde
-
Piešķiršanas un iesniegšanas piekļuves modeļi: piešķiršana, atvēršana, iesniegšana
-
Klases tērzēšanas dalība: visit, post, reply, expand, react
-
Klases sapulču dalība
-
Piekļuve OneNote mācību priekšmetu piezīmju grāmatiņas lapām: rediģēšana, Lietojuma atspoguļoāna, izlikt
Svarīgi!: modelī tiek izmantota darbība, nevis pats saturs. Piemēram, tas NEIZMANTO saturu no tērzēšanas ziņojumiem, dokumentu satura, emocijas vai citus, ko varētu izmantot, lai identificētu skolēnu.
Sarunas punkti
Modelis identificē līdz 15% skolēnu klasē, kuri ir parādījuši aktivitāšu signālus, pēc tam iezīmē indikatorus, kurus katrs skolēns ir parādījuši sarunu punktos. Kad atlasāt skolēnu atbalsta aktualitātes kartīti, skolēni, kuriem ir redzami agrīni disengagement indikatori, tiks rādīti kopā ar punktiem Sarunas, kas radīti, lai palīdzētu uzsākt sarunu par šī skolēna atbalsta vajadzībām.
Sarunas punkti, kurus, iespējams, redzēsit skolēnu atbalsta aktualitātes kartēs, ietver:
-
ir mazāk piedalījies digitālās diskusijās
-
uzsācām mazāk digitālu diskusiju
-
ir reaģējis uz mazāk Teams ziņojumu
-
ir piedalījies digitālās mācību iespējās ātrāk
-
ir piekļūts mazāk tiešsaistes klases materiālu
-
Ir sākti Teams uzdevumi vēlāk nekā parasti
-
savā OneNote mācību priekšmetu piezīmju grāmatiņā strādā mazāk
Konfidencialitāte un atbildīga aI
Korporācija Microsoft ļoti rūp attiecībā uz konfidencialitāti un ētisku AI izmantošanu. Tāpēc modelī ir iegulti šādi konfidencialitātes principi:
-
Modelis ir apmācīts, izmantojot nenoslogotu acis. Tas nozīmē, ka mūsu datu to audzēkņiem nav piekļuves, lai skatītu klases datus.
-
Ieskatus par skolēniem kopīgojam tikai ar tām personām , kurām jau ir piekļuve pamatā esošajiem datiem un kurām ir personisks skolēns. Piemēram, klases pedagogs.
-
Modelis nekad ne profilu skolēnam ne profils būs "labs" vai "slikts". Mēs mērķis ir atbalstīt pedagogu, pieņemt informētus lēmumus par viņu skolēniem, kopīgojot mērķ novērojumus ar datiem nepārsācīgi.
-
Modelis ir apzināti izmantots, lai izvairītos no aizspriedumiem un neizmanto identificējošu informāciju (piemēram, vārdu, dzimumu vai rasi). Modelī tiek izmantota tikai uzvedības informācija no skolēnu mijiedarbības ar Teams.
-
Prognoze ir tikai formatīva, kas nozīmē, ka tā ir paredzēta, lai brīdinātu pedagogus un atbalstītu viņus modificēt savu praksi, lai palīdzētu skolēniem, bet netiek saglabāta ieskatu datu bāzē turpmākai pārskatīšanai. Tas ir atspulgs par uzvedību noteiktā laika posmā, un to nedrīkst izmantot neviena skolēna oficiālajam novērtējumam.
Modeļa ierobežojumi
-
Modelis vienlaikus pārbauda vienu klasi. Ja skolēna aktivitātes modelis ir noraidīts vienā klasē un ieliekts citā klasē, pedagogi var tikt informēti par nepieciešamību sniegt atbalstu tikai grupā, kurā darbība ir noraidīta.
-
Modelī digitālā iesaiste tiek izmantota tikai ar Teams starpniecību. Tieša saziņa no skolēna uz pedagogu, starp studentiem vai ārpus Teams netiek uzskatīta par pedagogu. Modelī netiks atspoguļotas digitālās aktivitātes ārpus Teams.
-
Lai atļautu jutīgu mācību iespēju aprēķinu, prognoze tiks veikta tikai klasēm ar vairāk nekā 5 skolēniem, vismaz 4 nedēļu digitālās aktivitātes un vismaz 30% skolēnu dalību vienā vai vairāk modelī izmantotajā digitālajā aktivitāte.
Nepieciešama papildu palīdzība?
Vēlaties vairāk opciju?
Izpētiet abonementa priekšrocības, pārlūkojiet apmācības kursus, uzziniet, kā aizsargāt ierīci un veikt citas darbības.
Kopienas palīdz uzdot jautājumus un atbildēt uz tiem, sniegt atsauksmes, kā arī saņemt informāciju no ekspertiem ar bagātīgām zināšanām.
