Relaterede emner
×

AI-baserede spotlightkort til studerendes support er designet til at hjælpe undervisere med at skelne mellem opmærksomhed og støtte studerende, før de falder bagud. Dette kort bruger en maskinlæring til at overvåge de digitale engagementsmønstre i klasseværelset samt hver enkelt studerende og underrette undervisere, når studerende viser tidlige tegn på afbrydelse. Spotlyskortet indeholder en liste over studerende, der muligvis har brug for undervisersupport i den følgende uge sammen med de specifikke talepunkter, der er baseret på de studerendes ændrede aktivitet. Forudsigelser er rent formative og er kun baseret på digitale engagementssignaler, der er tilgængelige i Insights til uddannelse, der indsamles ingen yderligere data.

Hvordan skal undervisere bruge spotlyskortet?

Som underviser kender og forstår du dine studerende bedst. Dette spotlys er designet til at kaste lys over de studerendes læring og engagement for at hjælpe undervisere med at differentiere støtte for at give deres studerende lige muligheder.

Dette værktøj er beregnet til at blive brugt i kombination med personlige relationer og forståelse af den studerendes evner og omstændighed. Spotlights evaluerer ikke studerende, men giver i stedet mulighed for, at undervisere kan bygge videre på deres eksisterende relationer og differentiere støtte.

eksempel på, at studerendes supportkort læser: 5 studerende har muligvis brug for mere support i næste uge.

Vigtigt!: Nogle studerende, der har brug for support, kan demonstrere deres behov med konsekvent inaktivitet. Studerende, der konsekvent er inaktive, fremhæves ikke på den studerendes supportkort, da de ikke har angivet aktivitetsdata, der skal fortolkes. Vær opmærksom på aktivitetslyskortet for at identificere studerende, der er inaktive, da det er en anden indikator, som studerende har brug for support til.

Research til den studerendes supportkort

Enigheden i det pædagogiske forskningsfællesskab er, at nedgangen i engagementet er en indikator for, at eleverne oplever udfordringer og står over for øget risiko for at komme bagud (Christenson, Reschly og Wylie, 2012;), og at studerendes digitale engagementsdata kan bruges til at vurdere deres engagementsniveau og forudsige med stor nøjagtighed fremtidige adfærd og resultater. Desuden kan disse data bruges til at identificere "udsatte" studerende, da de er stærkt korreleret med akademiske resultater (Asarta og Schmidt, 2013; Baradwaj, Brijesh Kumar, og Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein og Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu and Johnson, 2005; Rafaeli og Ravid, 1997; Wang og Newlin, 2002; Dig, 2016;).

Undersøgelser viser også, at tidlig indgriben er med til at mindske risikoen. Der er tegn på, at en høj procentdel af udsatte studerende sender nødsignaler, længe før de faktisk falder ud af skolen (Neild, Balfanz og Herzog, 2007). Derfor hjælper tidlig advarselssystemer undervisere med at forhindre studerende i at falde fra sporet til dimission og målrette interventioner og støtte til studerende, der har mest brug for dem (Pinkus, 2008).

Asarta, C. J., & Schmidt, J. R. (2013). Få adgang til mønstre af onlinematerialer i et blandet kursus. Decision Sciences Journal of Innovative Education, 11(1), 107-123.

Baradwaj, F. K., & Pal, S. (2012). Udvinding af undervisningsdata for at analysere elevernes ydeevne. arXiv fortryk arXiv:1201.3417.

Beck, J. E. (2004, august). Brug af svartider til at modellere de studerendes frigørelse. I arbejdet fra ITS2004 Workshop om social og emotionel intelligens i læringsmiljøer (Vol. 20, nr. 2004, s. 88-95).

Campbell, J. P., Finnegan, C., & Collins, B. (2006, juli). Akademiske analyser: Brug af CMS som et tidligt advarselssystem. I WebCT virkning konference.

Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Håndbog i forskning om de studerendes engagement. Springer Science & Business Media.

Goldstein, P. J., & Katz, R. N. (2005). Akademisk analyse: Anvendelse af ledelsesinformation og -teknologi inden for videregående uddannelse (Vol. 8, nr. 1, s. 1-12). Educause.

Johnson, G. M. (2005). Studerende fremmedgørelse, akademisk gennemførelse og webCT-brug. Journal of Educational Technology & Society, 8(2), 179-189.

Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Procrastination, deltagelse og ydeevne i online læringsmiljøer. Computere & Education, 56(1), 243-252.

Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Sporing af studerendes adfærd, vedholdenhed og gennemførelse i onlinekurser. Internet og videregående uddannelse, 8(3), 221-231.

Neild, R. C., Balfanz, R., & Herzog, L. (2007). Et tidligt advarselssystem. Uddannelsesmæssig ledelse, 65(2), 28-33.

Pinkus, L. (2008). Brug af tidlige advarselsdata til at forbedre dimissionshastigheder: Lukning af revner i uddannelsessystemet. Washington, DC: Alliance for Excellent Education.

Qu, L., & Johnson, W. L. (2005, maj). Registrering af elevens motiverende tilstande i et interaktivt læringsmiljø. I 2005-konferencen om kunstig intelligens inden for uddannelse: Støtte til læring gennem intelligent og socialt informeret teknologi (s. 547-554).

Rafaeli, S., & Ravid, G. (1997). Online, webbaseret læringsmiljø til et kursus i informationssystemer: Access-logfiler, linearitet og ydeevne. I Proc. Inf. Syst. Educ. Conf ( Vol. 97, s. 92-99).

Wang, A. Y., & Newlin, M.H. (2002). Predictors of web-student performance: Den rolle, selv-effektivitet og grunde til at tage en on-line klasse. Computere i menneskelig adfærd, 18(2), 151-163.

Du, J. W. (2016). Identificering af væsentlige indikatorer, der bruger LMS-data til at forudsige kursuspræstation i onlinelæring. Internettet og videregående uddannelse, 29, 23-30.

Forudsigelse af elevnedgang i aktivitet

Maskinlæringsmodellen tager de enkelte studerendes digitale aktivitetsmønstre i løbet af de seneste tre uger og bruger disse data til at identificere studerende, der er aktive i dag, men har vist tidlige indikatorer om, at deres engagementsniveau kan falde i den kommende uge. Modellen tager hensyn til de specifikke læringsmønstre i klasseværelsets økosystem samt tager højde for mangler i klasseaktivitet som følge af ferier og ferier. Forudsigelsen af elevens engagement er individuel med den forståelse, at forskellige studerende kan udvise forskellige aktivitetsmønstre, og der findes ikke noget, der hedder "normal" adfærd. Disse studerendes støttelys evaluerer ikke studerende, men identificerer snarere aktivitetsmønstre, der er betydelige nok til at indikere et potentielt behov for støtte og giver undervisere mulighed for at gribe ind tidligt.

Aktivitetssignalerne, der bruges som input til modellen, omfatter:

  • SharePoint-filadgangsmønstre: Åbn, Rediger, Download, Upload

  • Adgangsmønstre for opgaver og indsendelse: tildel, åbn, aflevering

  • Deltagelse i klassechat: besøg, send indlæg, svar, udvid, reager

  • Deltagelse i klassemøder

  • Adgang til sider i OneNote-klassenotesbog: rediger, Reflect brug, slå op

rutediagram, der viser, hvordan maskinlæringsmodellen identificerer studerende, der er i fare for at mindske deres engagement

Vigtigt!: modellen bruger aktivitet og ikke selve indholdet. Den bruger f.eks. IKKE indhold fra chatmeddelelser, indhold i dokumenter, Refleksions følelser eller noget, der kan bruges til at identificere den pågældende studerende.  

Talepunkter

Modellen identificerer op til 15 % af de studerende i klassen, der har demonstreret vedrørende aktivitetssignaler, og fremhæver derefter de indikatorer, som hver elev viste i Samtalepunkter. Når du vælger spotlightkortet for studerendes support, vises de studerende, der har vist tidlige indikatorer for afbrydelse, sammen med Talepunkter, der er designet til at hjælpe dig med at starte en samtale om den studerendes supportbehov.

De talepunkter, du kan se på spotlightkortene for studerendes support , omfatter:

  • har deltaget i digitale diskussioner mindre

  • har startet færre digitale diskussioner

  • har reageret på færre Teams-meddelelser

  • har deltaget i digitale læringsmuligheder mindre

  • har haft adgang til færre online-klassematerialer

  • har startet Teams-opgaver senere end normalt

  • har arbejdet mindre i deres OneNote-klassenotesbog

Beskyttelse af personlige oplysninger og ansvarlig AI

Hos Microsoft holder vi meget af beskyttelse af personlige oplysninger og etisk brug af KUNSTIG INTELLIGENS. Derfor er følgende principper for beskyttelse af personlige oplysninger integreret i modellen:

  • Modellen er uddannet ved hjælp af en måde at holde øjnene af, hvilket betyder, at vores dataforskere ikke har adgang til at se klassedataene.

  • Vi deler kun Insights om studerende med personer, der allerede har adgang til de underliggende data og har et personligt kendskab til den studerende. dvs. klasseunderviseren.

  • Modellen vil aldrig gøre en studerende til "god" eller "dårlig". Vi bestræber os på at støtte underviseren i at træffe kvalificerede beslutninger om deres studerende ved at dele objektive observationer af data på en ikke-dømmende måde.

  • Modellen er bevidst om at undgå bias og bruger ikke nogen identificerende oplysninger (f.eks. navn, køn eller race). Modellen bruger kun adfærdsoplysninger fra de studerendes interaktioner i Teams.

  • Forudsigelsen er kun formativ, hvilket betyder, at den er designet til at advare undervisere og støtte dem i at ændre deres praksis til gavn for deres studerende, men gemmes ikke i Insights-databasen til fremtidig gennemgang. Det er en afspejling af adfærd på et bestemt tidspunkt og bør ikke bruges til officiel vurdering af nogen studerende.

Modelbegrænsninger

  • Modellen undersøger én klasse ad gangen. Hvis en studerendes aktivitetsmønster er blevet afvist i én klasse og tilbøjeligt til en anden, får undervisere muligvis kun besked om behovet for support i klassen med afvist aktivitet.

  • Modellen bruger kun digitalt engagement via Teams som en måling. Direkte kommunikation fra studerende til undervisere, mellem studerende eller uden for Teams tages ikke i betragtning. Digital aktivitet uden for Teams vil ikke blive repræsenteret i modellen.

  • For at muliggøre en nuanceret beregning af læringsmuligheder udføres forudsigelsen kun for klasser med mere end 5 studerende, mindst 4 ugers digital aktivitet og mindst 30 % studerendes deltagelse i en eller flere af de digitale aktiviteter, der bruges af modellen.

Har du brug for mere hjælp?

Udvid dine færdigheder

Gå på opdagelse i kurser >

Få nye funktioner først

DELTAG I MICROSOFT INSIDERS >

Var disse oplysninger nyttige?

Hvor tilfreds er du med kvaliteten af sproget?
Hvad påvirkede din oplevelse?

Tak for din feedback!

×