Karty zvýraznenia podpory pre študentov v Insights pre vzdelávacie inštitúcie
Karty určené na podporu študentov s podporou umelej inteligencie sú navrhnuté tak, aby učiteľom pomohli odlíšiť pozornosť od podpory študentov predtým, ako zaostávajú. Táto karta používa strojové učenie na monitorovanie vzorov digitálnej angažovanosti v triede, ako aj každého jednotlivého študenta a upozorní pedagógov, keď študenti vykazujú skoré známky vyradenia. Karta stredobodu poskytuje zoznam študentov, ktorí môžu potrebovať podporu učiteľa v nasledujúcom týždni, spolu s konkrétnymi diskutucími bodmi na základe zmien v aktivite študentov. Predpovede sú čisto formatívne a spoliehajú sa len na signály digitálnej interakcie dostupné v Insights pre vzdelávacie inštitúcie, nezhromažďujú sa žiadne ďalšie údaje.
Ako by mali učitelia používať kartu stredobodu?
Ako učiteľ, viete a pochopiť svojich študentov najlepšie. Táto pozornosť je navrhnutá tak, aby vyžiarila svetlo na vzdelávanie študentov a zapojenie na pomoc učiteľom pri odlišovaní podpory, aby umožnila svojim študentom spravodlivo.
Tento nástroj je určený na použitie v kombinácii s osobnými vzťahmi a porozumením schopností a okolností študenta. Spotlighty nehodnotia študentov, ale poskytujú učiteľom príležitosti stavať na svojich existujúcich vzťahoch a rozlíšiť podporu.
Dôležité: Niektorí študenti, ktorí potrebujú podporu, môžu preukázať svoju potrebu s konzistentnou nečinnosťou. Študenti, ktorí sú neustále neaktívni, nebudú zvýraznení na karte podpory pre študentov, pretože neposkytli údaje o aktivite na interpretáciu. Pri identifikácii neaktívnych študentov venujte pozornosť karte Stredobod aktivity, pretože ide o ďalší indikátor, ktorý študenti potrebujú.
Výskum pre kartu podpory pre študentov
Konsenzus v pedagogickej výskumnej komunite je, že pokles zapojenia je ukazovateľom toho, že študenti zažívajú problémy a čelia zvýšenému riziku zaostávania (Christenson, Reschly a Wylie, 2012;), a že údaje o digitálnej angažovanosti študentov možno použiť na posúdenie ich úrovne angažovanosti a predpovedanie s vysokou presnosťou budúceho správania a úspechov. Okrem toho sa tieto údaje môžu použiť na identifikáciu "ohrozených" študentov, pretože sú vysoko v korelácii s akademickými úspechmi (Asarta a Schmidt, 2013; Baradwaj, Brijesh Kumar a Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein a Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu a Johnson, 2005; Rafaeli a Ravid, 1997; Wang a Newlin, 2002; Vy, 2016;).
Výskum tiež ukazuje, že včasná intervencia pomáha zmierniť toto riziko. Existuje dôkaz, že vysoké percento ohrozených študentov vysielať núdzové signály dlho predtým, než skutočne vypadnú zo školy (Neild, Balfanz, a Herzog, 2007). Z tohto dôvodu systémy včasného varovania pomáhajú učiteľom zabrániť študentom v páde z cesty k promócii a zamerať sa na zásahy a podporu študentom, ktorí ich najviac potrebujú (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Získajte prístup k vzorom online materiálov v zmiešanom kurze. Decision Sciences Journal of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Získavanie vzdelávacích údajov na analýzu výkonu študentov. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, august). Používanie časov odozvy na modelovanie vyradenia študentov. V konaní workshopu ITS2004 o sociálnej a emocionálnej inteligencii vo vzdelávacích prostrediach (Vol. 20, č. 2004, s. 88–95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, júl). Akademická analýza: Používanie CMS ako systému včasného varovania. Na konferencii o vplyve na WebCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Príručka výskumu zapojenia študentov. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Akademická analýza: Používanie riadiacich informácií a technológií vo vysokoškolskom vzdelávaní (Vol. 8, č. 1, s. 1-12). Educause.
Johnson, G. M. (2005). Odcudzenie študentov, akademické úspechy a používanie webctu. Journal of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Otáľanie, účasť a výkon v online vzdelávacích prostrediach. Počítače & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Sledovanie správania, vytrvalosti a úspechov študentov v online kurzoch. Internet a vysokoškolské vzdelávanie, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Systém včasného varovania. Vedenie vzdelávania, 65(2), 28-33.
Pinkus, L. (2008). Používanie údajov včasného varovania na zlepšenie miery ukončenia štúdia: Uzatváranie trhlín vo vzdelávanom systéme. Washington, DC: Aliancia pre vynikajúce vzdelanie.
Qu, L., & Johnson, W. L. (2005, máj). Zisťovanie motivačných stavov študentov v interaktívnom vzdelávacom prostredí. V proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and socially informed technology (pp. 547-554).
Rafaeli, S., & Ravid, G. (1997). Online webové vzdelávacie prostredie pre kurz informačných systémov: prístupové denníky, linearita a výkon. In Proc. Inf. Syst. Educ. Conf (Vol. 97, s. 92– 99).
Wang, A. Y., & Newlin, M. H. (2002). Prediktory web-študent výkon: úloha self-účinnosť a dôvody pre prijatie on-line triedy. Počítače v ľudskom správaní, 18(2), 151-163.
Ty, J. W. (2016). Identifikácia významných ukazovateľov pomocou údajov LMS na predpovedanie dosiahnutého študijného programu v online učení. Internet a vysokoškolské vzdelávanie, 29, 23-30.
Predpoveď poklesu aktivity študentov
Model strojového učenia využíva vzory digitálnej aktivity každého jednotlivého študenta za posledné tri týždne a používa tieto údaje na identifikáciu študentov, ktorí sú v súčasnosti aktívni, ale ukázali skoré ukazovatele, že ich úroveň zapojenia môže v nadchádzajúcom týždni klesať. Model berie do úvahy špecifické študijné vzory ekosystému triedy, ako aj medzery v triednej aktivite vyplývajúce z dovoleniek a sviatkov. Predpoveď zapojenia študentov je individuálna s tým, že rôzni študenti môžu vykazovať rôzne vzory aktivity a neexistuje žiadna taká vec ako "normálne" správanie. Tieto reflektory podpory študentov nehodnotia študentov, ale identifikujú modely aktivít, ktoré sú dostatočne významné na to, aby naznačovali potenciálnu potrebu podpory a umožnili pedagógom zasiahnuť včas.
Signály aktivity používané ako vstup pre model zahŕňajú:
-
Vzory prístupu k súborom v SharePointe: Otvorenie, úprava, stiahnutie, nahratie
-
Priradenia a vzory prístupu k odoslaniu: priradenie, otvorenie, odovzdanie
-
Účasť na triednych chatoch: návšteva, príspevok, odpoveď, rozbalenie, reagovať
-
Účasť na schôdzach triedy
-
Prístup k stranám onenotového poznámkového bloku pre učebné predmety: úprava, zohľadnenie používania, uverejnenie
Dôležité: model používa aktivitu a nie samotný obsah. Nepoužíva napríklad obsah z chatových správ, obsah dokumentov, odráža emócie ani nič, čo by sa mohlo použiť na identifikáciu daného študenta.
Hovoriace body
Model identifikuje až 15 % študentov v triede, ktorí preukázali, čo sa týka signálov aktivity, a potom zvýrazní indikátory, ktoré každý študent zobrazuje v bodoch Hovoriaci. Keď vyberiete kartu zvýraznenia podpory pre študentov, študenti, ktorí zobrazili skoré indikátory vyradenia, budú uvedení spolu s bodmi rozprávania, ktoré vám pomôžu začať konverzáciu o potrebách podpory daného študenta.
Body, ktoré sa môžu zobraziť na kartách zvýraznenia podpory študentov , zahŕňajú:
-
účasť na digitálnych diskusiách menej
-
spustil menej digitálnych diskusií
-
Reagoval na menej správ v teams
-
sa podieľala na príležitostiach digitálneho vzdelávania menej
-
má prístup k menšiemu počtu online triednych materiálov
-
aplikácia Teams začína úlohy neskôr ako zvyčajne
-
vo svojom onenotovom poznámkovom bloku pre učebné predmety pracuje menej
Ochrana osobných údajov a zodpovedná umelá inteligencia
V spoločnosti Microsoft nám záleží na ochrane osobných údajov a etickom používaní umelej inteligencie. Preto sú v modeli vložené tieto zásady ochrany osobných údajov:
-
Model je trénovaný pomocou oči-off spôsobom, čo znamená, že naši dátoví vedci nemajú prístup k zobrazeniu údajov triedy.
-
Prehľady o študentoch zdieľame len s jednotlivcami, ktorí už majú prístup k základným údajom a majú so študentom osobnú znalosť. t. j. triedny učiteľ.
-
Model nikdy nebude profil študenta ako 'dobré' alebo 'zlé'. Naším cieľom je podporiť učiteľa pri prijímaní informovaných rozhodnutí o ich študentoch zdieľaním objektívnych pozorovaní údajov bez úsudku.
-
Model je zámerný, aby sa zabránilo zaujatosti a nepoužíva žiadne identifikačné informácie (ako je meno, pohlavie alebo rasa). Model používa iba informácie o správaní z interakcií študentov v aplikácii Teams.
-
Predpoveď je čisto formatívna, čo znamená, že je navrhnutá tak, aby upozornila pedagógov a podporovala ich pri úprave ich praxe v prospech svojich študentov, ale nie je uložená v databáze Insights na budúcu revíziu. Je odrazom správania v určitom časovom bode a nemal by sa používať na oficiálne hodnotenie žiadneho študenta.
Obmedzenia modelu
-
Model skúma jednu triedu po druhej. Ak sa štruktúra aktivity študenta v jednej triede znížila a iná je naklonená, pedagógovia môžu byť informovaní o potrebe podpory len v triede s odmietnutými aktivitami.
-
Model používa ako mierku len digitálnu interakciu cez Teams. Priama komunikácia študentov s učiteľom, medzi študentmi alebo mimo aplikácie Teams sa nepovažuje. Digitálna aktivita mimo aplikácie Teams nebude v modeli zastúpená.
-
Ak chcete umožniť nuáns výpočet študijných príležitostí, predpoveď sa vykoná len pre triedy s viac ako 5 študentmi, aspoň 4 týždne digitálnej aktivity a aspoň 30 % účasť študentov na jednej alebo viacerých digitálnych aktivitách používaných modelom.
Potrebujete ďalšiu pomoc?
Chcete ďalšie možnosti?
Môžete preskúmať výhody predplatného, prehľadávať školiace kurzy, naučiť sa zabezpečiť svoje zariadenie a ešte oveľa viac.
Komunity pomôžu s kladením otázok a odpovedaním na ne, s poskytovaním pripomienok a so získavaním informácií od odborníkov s bohatými znalosťami.
