Karty spotlightu podpory studentů v Insights pro vzdělávání
Applies To
Microsoft Teams Microsoft Teams pro vzděláváníKarty s vybranou podporou studentů založené na umělé inteligenci jsou navržené tak, aby pomohly vyučujícím odlišit pozornost a podpořit studenty ještě předtím, než se zaostávají. Tato karta používá strojové učení k monitorování vzorů digitálního zapojení učeben a také jednotlivých studentů a upozornění vyučujících, když se u studentů projeví známky předčasného ukončení. Karta Spotlight poskytuje seznam studentů, kteří můžou potřebovat podporu vyučujícího v následujícím týdnu, spolu s konkrétními body, které jsou založené na tom, jak se studenti mění v aktivitě. Předpovědi jsou čistě formativní a spoléhají pouze na signály digitálního zapojení dostupné v Insights pro vzdělávání, neshromažďují se žádná další data.
Jak mají vyučující používat kartu Spotlight?
Jako vyučující nejlépe znáte a rozumíte svým studentům. Tento spotlight je navržen tak, aby osvětloval výuku a zapojení studentů a pomohl vyučujícím vyučujícím při odlišování podpory, aby jejich studenti spravedlivě posílili.
Tento nástroj je určen k použití v kombinaci s osobními vztahy a porozuměním schopnostem a okolnostem studenta. Spotlighty nevyhodnocují studenty, ale poskytují vyučujícím příležitosti k tomu, aby navazovali na své stávající vztahy a odlišili podporu.
Důležité informace: Někteří studenti, kteří potřebují podporu, můžou svou potřebu prokázat konzistentní nečinností. Studenti, kteří jsou konzistentně neaktivní, nebudou na kartě podpory studentů zvýrazněni, protože neposkytli data o aktivitách k interpretaci. Věnujte prosím velkou pozornost kartě Aktivita spotlight, abyste identifikovali neaktivní studenty, protože to je další indikátor, který studenti potřebují podporu.
Průzkum pro kartu podpory pro studenty
Shoda v pedagogické výzkumné komunitě je, že pokles zapojení je indikátorem toho, že studenti čelí výzvám a čelí zvýšenému riziku zaostávání (Christenson, Reschly a Wylie, 2012;), a že data digitálního zapojení studentů lze použít k posouzení úrovně jejich zapojení a k predikci s vysokou přesností budoucího chování a úspěchů. Kromě toho lze tyto údaje použít k identifikaci "ohrožených" studentů, protože jsou vysoce korelovány s akademickými úspěchy (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 a kol., 2005; Qu and Johnson, 2005; Rafaeli a Ravid, 1997; Wang a Newlin, 2002; You, 2016;).
Výzkum také ukazuje, že včasný zásah pomáhá toto riziko zmírnit. Existují důkazy, že vysoké procento ohrožených studentů posílá tísňové signály dlouho předtím, než skutečně odešlou ze školy (Neild, Balfanz a Herzog, 2007). Z tohoto důvodu systémy včasného varování pomáhají vyučujícím zabránit studentům v cestě k dokončení studia a cílit na zásahy a podporu studentům, kteří je nejvíce potřebují (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Přístup ke vzorům online materiálů v kombinovaném kurzu Decision Sciences Deník of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Dolování vzdělávacích dat za účelem analýzy výkonu studentů předtisk arXiv arXiv:1201.3417.
Beck, J. E. (2004, srpen). Použití doby odezvy k modelování zrušení registrace studentů In Proceedings of the ITS2004 Workshop on Social and Emotional Intelligence in Learning Environment (Vol. 20, č. 2004, s. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, červenec). Akademické analýzy: Použití CMS jako systému včasného varování V aplikaci WebCT impact conference.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Příručka výzkumu zapojení studentů. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Akademická analýza: Využití informací a technologií správy ve vysokoškolském vzdělávání (vol. 8, č. 1, str. 1-12). Educause.
Johnson, G. M. (2005). Odcizení studentů, akademické úspěchy a použití WebCT Deník of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Odkládání, účast a výkon v online výukových prostředích Počítače & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Sledování chování, vytrvalosti a úspěchů studentů v online kurzech The Internet and Higher Education, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Systém včasného varování. Vedení vzdělávání, 65(2), 28-33.
Pinkus, L. (2008). Použití dat s včasným upozorněním ke zlepšení míry dokončení studia: Uzavření trhlin ve vzdělávacím systému Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, květen). Zjištění motivačních stavů žáka v interaktivním výukovém prostředí In Proceedings of the 2005 Conference on artificial intelligence in education: Supporting learning through intelligent and socially inform technology (str. 547-554).
Rafaeli, S., & Ravid, G. (1997). Online, webové výukové prostředí pro kurz informačních systémů: Přístup k protokolům, linearitě a výkonu In Proc. Inf. Syst. Educ. Conf (Vol. 97, str. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Predikce výkonu webových studentů: Role vlastní účinnosti a důvody pro on-line výuku. Počítače v lidském chování, 18(2), 151-163.
Ty, J. W. (2016). Identifikace významných ukazatelů využívajících data LMS k predikci úspěšnosti kurzu v online učení The Internet and Higher Education, 29, 23-30.
Predikce poklesu aktivity studentů
Model strojového učení přebírá vzory digitálních aktivit každého jednotlivého studenta za poslední tři týdny a používá tato data k identifikaci studentů, kteří jsou dnes aktivní, ale v rané fázi ukázali, že jejich úroveň zapojení může v nadcházejícím týdnu klesnout. Model bere v úvahu specifické vzorce učení ekosystému učeben a také zohledňuje mezery v aktivitě třídy vyplývající z dovolených a svátků. Predikce zapojení studentů je individuální s pochopením, že různí studenti můžou vykazovat různé vzorce činnosti a neexistuje nic jako "normální" chování. Tato vybraná podpora studentů nevyhodnocuje studenty, ale spíše identifikuje vzory aktivit, které jsou dostatečně významné, aby naznačovaly potenciální potřebu podpory a umožnily vyučujícím včas zasáhnout.
Mezi signály aktivit používané jako vstup pro model patří:
-
Vzory přístupu k souborům SharePointu: Otevřít, Upravit, Stáhnout, Nahrát
-
Vzory přístupu k přiřazení a odesílání: přiřazení, otevření, odevzdání
-
Účast na třídním chatu: návštěva, příspěvek, odpověď, rozbalení, reakce
-
Účast na třídních schůzkách
-
Přístup ke stránkám onenotového poznámkového bloku předmětu: upravit, reflektovat využití, příspěvek
Důležité informace: model používá aktivitu, nikoli samotný obsah. Nepoužívá například obsah z chatových zpráv, obsah dokumentů, reflexe emocí ani nic, co by mohlo být použito k identifikaci daného studenta.
Body pro řeč
Model identifikuje až 15 % studentů ve třídě, kteří prokázali, že se jedná o signály aktivity, a pak zvýrazní indikátory, které jednotliví studenti zobrazili v bodech hovoru. Když vyberete kartu spotlightu podpory pro studenty, studenti, u kterých se zobrazily indikátory předčasného ukončení, budou uvedeni společně s body, které vám mají pomoct zahájit konverzaci o potřebách podpory daného studenta.
Mezi body, které můžete vidět na kartách s vybranou podporou studentů , patří:
-
se účastní digitálních diskuzí méně
-
zahájil méně digitálních diskuzí
-
reagoval(a) na méně zpráv v Teams
-
se zapojila do digitálních vzdělávacích příležitostí méně
-
má přístup k menšímu počtu online materiálů pro předměty
-
začíná zadávat úkoly v Teams později než obvykle
-
ve onenotovém poznámkovém bloku předmětu méně pracovala
Ochrana osobních údajů a zodpovědná AI
V Microsoftu nám velmi záleží na ochraně osobních údajů a etickém používání AI. Proto jsou do modelu vložené následující principy ochrany osobních údajů:
-
Model se trénuje bez očí, což znamená, že naši datoví vědci nemají přístup k zobrazení dat třídy.
-
Přehledy o studentech sdílíme jenom s jednotlivci, kteří už mají přístup k podkladovým datům a mají osobní znalost studenta. tj. třídního vyučujícího.
-
Model nikdy neprofiluje studenta jako "dobrého" nebo "špatného". Naším cílem je podpořit vyučující při informovaných rozhodnutích o svých studentech tím, že bude sdílet objektivní pozorování dat bez posouzení.
-
Model se záměrně vyhýbá předsudkům a nepoužívá žádné identifikační informace (jako je jméno, pohlaví nebo rasa). Model používá pouze informace o chování z interakcí studentů v Teams.
-
Predikce je čistě formativní, což znamená, že je navržená tak, aby upozorňovala vyučující a podporovala je při úpravě jejich praxe tak, aby byla přínosná pro jejich studenty, ale neukládá se v databázi Insights pro budoucí kontrolu. Jedná se o odraz chování v určitém okamžiku a neměl by být použit pro oficiální hodnocení žádného studenta.
Omezení modelu
-
Model zkoumá jednu třídu po druhé. Pokud se vzor aktivity studenta v jedné třídě odmítne a nakloní se do jiné třídy, může být vyučujícím oznámeno, že je potřeba podpory pouze ve třídě s odmítnutou aktivitou.
-
Model používá jako míru pouze digitální zapojení prostřednictvím Teams. Přímá komunikace mezi studenty a vyučujícími, mezi studenty nebo mimo Teams se neuvažuje. Digitální aktivity mimo Teams nebudou v modelu reprezentovány.
-
Aby bylo možné provádět drobné výpočty výukových příležitostí, bude predikce provedena pouze pro třídy s více než 5 studenty, nejméně 4 týdny digitální aktivity a alespoň 30% účast studentů na jedné nebo více digitálních aktivitách používaných modelem.
Potřebujete další pomoc?
Chcete další možnosti?
Prozkoumejte výhody předplatného, projděte si školicí kurzy, zjistěte, jak zabezpečit své zařízení a mnohem více.
Komunity vám pomohou klást otázky a odpovídat na ně, poskytovat zpětnou vazbu a vyslechnout odborníky s bohatými znalostmi.
