Obsah
×

Karty spotlight podpory studenta založené na umělé inteligenci jsou navržené tak, aby vyučujícím pomohly odlišit pozornost studentů podpory před tím, než zaostává. Tato karta používá strojové učení ke sledování vzorů digitálního zapojení ve třídě a každého jednotlivého studenta a upozorňují vyučující, když studenti vykazují počáteční známky odpojení. Karta spotlight nabízí seznam studentů, kteří mohou potřebovat podporu vyučující v následujícím týdnu, spolu s konkrétními body hovoru na základě změn v aktivitě studentů. Predikce jsou čistě formátující a spoléhají pouze na signály digitálního zapojení dostupné v Insights pro vzdělávání, neshromažďují se žádná další data.

Jak by měli vyučující používat kartu spotlightu?

Jako vyučující znáte a nejlépe rozumíte svým studentům. Toto spotlight je navrženo tak, aby vysvětloval výuku studentů a zapojení studentů, aby pomohl vyučujícím při rozlišování podpory, aby svým studentům umožnili spravedlivou rovnováhu.

Tento nástroj je určen pro použití v kombinaci s osobními vztahy a porozuměním schopnostem a okolnostem studenta. Výběrová místa nevyhodnocují studenty, ale poskytují vyučujícím příležitosti, aby mohli stavět na svých stávajících vztazích a rozlišovat podporu.

Příklady na kartě podpory pro studenty: 5 studentů může příští týden potřebovat další podporu.

Důležité informace: Někteří studenti, kteří potřebují podporu, můžou prokázat svou potřebu konzistentní nečinností. Studenti, kteří jsou konzistentně neaktivní, nebudou na kartě podpory studentů zvýrazněni, protože neposkytli údaje o aktivitách, které by bylo možné interpretovat. Věnujte prosím pozornost kartě s výběrem aktivity, abyste identifikovali neaktivní studenty, protože to je další indikátor, že studenti potřebují podporu.

Výzkum pro kartu podpory pro studenty

Konsensus v pedagogické výzkumné komunitě spočívá v tom, že pokles zapojení je indikátorem toho, že studenti čelí výzvám a čelí zvýšenému riziku, že zaostává (Christenson, Reschly a Wylie, 2012;) a že data digitální angažovanosti studentů se dají použít k vyhodnocení jejich úrovně zapojení a k předpovídání s vysokou přesností budoucího chování a úspěchů. Tato data se navíc dají použít k identifikaci "rizikových" studentů, protože jsou vysoce korelovaná 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 et al., 2005; Qu a Johnson, 2005; Rafaeli a Ravid, 1997; Wang a Newlin, 2002; Vy, 2016;).

Výzkum také ukazuje, že včasné zásahy pomáhají toto riziko zmírnit. Existuje důkaz, že vysoké procento rizikových studentů posílá signály tísňového volání dlouho předtím, než skutečně vypadnou ze školy (Neild, Balfanz a Herzog, 2007). Z tohoto důvodu systémy včasného varování pomáhají vyučujícím zabránit studentům v tom, aby se dostali z cesty k dokončení studia a aby cílili na zásahy a podporu studentům, kteří je nejvíce potřebují (Pinkus, 2008).

Asarta, C. J., & Schmidt, J. R. (2013). Přístup k vzorům online materiálů v kombinovaném kurzu. Decision Sciences Journal of Innovative Education, 11(1), 107-123.

Baradwaj, B. K., & Pal, S. (2012). Dolování vzdělávacích dat pro analýzu výkonu studentů. arXiv preprint arXiv:1201.3417.

Beck, J. E. (2004, srpen). Použití doby odezvy k odpojení studentů modelu 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). Akademická analýza: Použití CMS jako systému včasného varování. V konferenci s dopadem na WebCT

Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Příručka k výzkumu zapojení studentů. Springer Science & Business Media.

Goldstein, P. J., & Katz, R. N. (2005). Akademická analýza: Využití informací a technologií pro správu ve vyšším vzdělávání (Vol. 8, č. 1, str. 1-12). Educause.

Johnson, G. M. (2005). Odcizení studentů, akademické úspěchy a využití WebCT Journal of Educational Technology & Society, 8(2), 179-189.

Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Prokrastinace, účast a výkon v prostředích online učení. Počítače & vzdělávání, 56(1), 243-252.

Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Sledování chování studentů, trvalosti a dosažených úspěchů v online kurzech Internet a vyšší vzdělávání, 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 časným varováním ke zlepšení míry dokončení studia: Ukončování trhlin ve vzdělávacím systému. Washington, DC: Alliance for Excellent Education.

Qu, L., & Johnson, W. L. (2005, květen). Zjištění motivačních stavů studenta v interaktivním výukovém prostředí Na konferenci Proceedings of the 2005 o umělé inteligenci ve vzdělávání: Podpora učení prostřednictvím inteligentní a sociálně informované technologie (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, s. 92-99).

Wang, A. Y., & Newlin, M. H. (2002). Predictors of web-student performance: The role of self-účinnost and reasons for taking an on-line class. Počítače v lidském chování, 18(2), 151-163.

Ty, J. W. (2016). Identifikace významných ukazatelů s využitím dat LMS k predikci dosažených výsledků kurzu v online učení Internet a vyšší vzdělávání, 29, 23-30.

Predikce zamítnutí aktivity studenta

Model strojového učení přebírá vzory digitálních aktivit každého jednotlivého studenta za poslední tři týdny a tato data používá k identifikaci studentů, které jsou dnes aktivní, ale ukázaly počáteční indikátory, že jejich úroveň zapojení může v nadcházejícím týdnu klesnout. Model bere v úvahu specifické vzory výuky ekosystému učebny a také zohledňuje mezery v aktivitě předmětu vyplývající z dovolené a svátků. Predikce zapojení studentů je individuální s pochopením, že různí studenti mohou vykazovat různé vzory aktivit a neexistuje žádná taková věc, jako je "normální" chování. Tato výběrová místa podpory studentů nevyhodnocují studenty, ale spíše identifikují vzory aktivit, které jsou dostatečně významné na to, aby naznačovaly potenciální potřebu podpory a umožnily vyučujícím včasnou intervenci.

Mezi signály aktivity používané jako vstup pro model patří:

  • Vzory přístupu k souborům SharePointu: Otevření, úprava, stažení, nahrání

  • Vzory přístupu k zadáním a odeslání: přiřazení, otevření, odevzdání

  • Účast v chatu předmětu: navštívit, publikovat, odpovědět, rozšířit, reagovat

  • Účast na schůzkách předmětu

  • Přístup ke stránkám onenotového poznámkového bloku předmětu: úpravy, využití odrážek, příspěvek

vývojový diagram znázorňující, jak model strojového učení identifikuje studenty, kterým hrozí snížení jejich zapojení

Důležité informace: model používá aktivitu, a ne samotný obsah. Nepoužívá například obsah z chatovacích zpráv, obsah dokumentů, odrážení emocí nebo cokoli, co by bylo možné použít k identifikaci tohoto studenta.  

Body mluvení

Model identifikuje až 15 % studentů ve třídě, kteří prokázali, že se jedná o signály aktivit, a pak zvýrazní indikátory, které každý student zobrazuje v bodech mluvení. Když vyberete kartu výběru podpory pro studenty, zobrazí se spolu s body konverzace, které vám pomůžou zahájit konverzaci o potřebách podpory tohoto studenta.

Mezi body, které můžete vidět na kartách spotlight podpory studentů , patří:

  • se podílí na digitálních diskusích méně

  • iniciuje méně digitálních diskuzí

  • reagovala na méně zpráv v Teams

  • se podílí na možnostech digitálního učení méně

  • má přístup k méně materiálům online třídy

  • aplikace Teams spouští zadání později než obvykle

  • pracuje v poznámkovém bloku předmětu OneNotu méně

Ochrana osobních údajů a odpovědná umělá inteligence

V Microsoftu se velmi zajímáme o ochranu osobních údajů a etické použití umělé inteligence. Proto jsou do modelu vloženy následující zásady 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 znalosti studenta. tj. vyučující třídy.

  • Model nikdy nebude profilovat studenta jako "dobrého" nebo "špatného". Naším cílem je podporovat vyučující při informované rozhodování o studentech tím, že sdílíme objektivní pozorování dat bez úsudku.

  • Model záměrně zabraňuje předsudkům a nepoužívá žádné identifikační informace (například jméno, pohlaví nebo rasu). 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 praxe tak, aby byla přínosná pro studenty, ale není uložená v databázi Insights pro budoucí kontrolu. Je to odraz chování v určitém časovém okamžiku a neměl by se používat k oficiálnímu hodnocení žádného studenta.

Omezení modelu

  • Model zkoumá postupně jednu třídu. Pokud se vzor aktivity studenta v jedné třídě zamítl a přiklonil se k jiné třídě, můžou být vyučující upozorněni na potřebu podpory pouze v předmětu s odmítnutou aktivitou.

  • Model používá digitální zapojení jenom prostřednictvím Teams jako míru. Přímá komunikace mezi studenty a vyučujícím, mezi studenty nebo mimo Teams se nezohlední. Digitální aktivita mimo Teams nebude v modelu reprezentována.

  • Aby bylo možné vyčíslený výpočet studijních příležitostí, predikce se bude provádět pouze pro předměty 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?

Rozšiřte své znalosti a dovednosti
Projít školení
Získejte nové funkce jako první
Připojit se k programu Microsoft Insider

Byly tyto informace užitečné?

Jak jste spokojeni s kvalitou jazyka?
Co ovlivnilo váš názor?

Děkujeme vám za zpětnou vazbu.

×