Inhaltsverzeichnis
×
Spotlight-Karten der Schülerunterstützung in Education Insights

Wir zeigen nun eine KI-basierte Spotlight-Karte für den Schülersupport an, die Lehrkräften dabei helfen soll, die Aufmerksamkeit zu unterscheiden, um Schüler zu unterstützen, bevor sie in den Hintergrund geraten. Diese Karte verwendet ein maschinelles Lernen, um die digitalen Interaktionsmuster des Klassenzimmers sowie jeden einzelnen Kursteilnehmer zu überwachen und Lehrkräfte zu benachrichtigen, wenn Die Schüler frühzeitig Anzeichen für ein Ausmustern zeigen. Die Spotlight-Karte enthält eine Liste der Kursteilnehmer, die möglicherweise in der folgenden Woche Unterstützung von Lehrkräften benötigen, zusammen mit den spezifischen Gesprächspunkten, die auf der Änderung der Aktivität der Schüler/Studenten basieren. Vorhersagen sind rein formativ und basieren nur auf digitalen Einsatzsignalen, die in Education Insights verfügbar sind, es werden keine zusätzlichen Daten gesammelt.

Wie sollten Lehrkräfte die Spotlight-Karte verwenden?

Als Dozent kennen und verstehen Sie Ihre Schüler am besten. Dieses Spotlight wurde entwickelt, um das Lernen und Engagement der Schüler zu beleuchten, um Lehrkräften bei der Unterscheidung von Unterstützung zu helfen, um ihre Schüler gerecht zu machen.

Dieses Tool soll in Kombination mit persönlichen Beziehungen und dem Verständnis der Fähigkeiten und Umstände des Schülers verwendet werden. Spotlights bewerten schüler/studenten nicht, sondern bieten Lehrkräften die Möglichkeit, auf ihren bestehenden Beziehungen aufzubauen und Unterstützung zu differenzieren.

Beispiel für die Supportkarte für Schüler:5 Kursteilnehmer benötigen in der nächsten Woche möglicherweise mehr Unterstützung.

Wichtig: Einige Kursteilnehmer, die Unterstützung benötigen, zeigen möglicherweise ihre Notwendigkeit mit konsistenter Inaktivität. Kursteilnehmer, die konsistent inaktiv sind, werden nicht auf der Supportkarte der Kursteilnehmer hervorgehoben, da sie keine Aktivitätsdaten zur Interpretation bereitgestellt haben. Achten Sie auf die Spotlight-Karte "Aktivität", um inaktive Kursteilnehmer zu identifizieren, da dies ein weiterer Indikator dafür ist, dass Die Kursteilnehmer Unterstützung benötigen.

Recherche für die Supportkarte für Schüler/Studenten

Der Konsens in der pädagogischen Forschungsgemeinschaft besteht darin, dass der Rückgang des Engagements ein Indikator dafür ist, dass die Schüler Herausforderungen erleben und einem erhöhten Risiko ausgesetzt sind, in Rückstand zu geraten (Christenson, Reschly und Wylie, 2012;), und dass die digitalen Engagement-Daten der Schüler verwendet werden können, um ihr Engagement zu bewerten und zukünftige Verhaltensweisen und Erfolge mit hoher Genauigkeit vorherzusagen. Darüber hinaus können diese Daten verwendet werden, um "gefährdete" Studierende zu identifizieren, da sie stark mit akademischen Leistungen korreliert sind (Asarta und Schmidt, 2013; Baradwaj, Brijesh Kumar und Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein und Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu und Johnson, 2005; Rafaeli und Ravid, 1997; Wang und Newlin, 2002; Sie, 2016;).

Untersuchungen zeigen auch, dass frühzeitige Interventionen dazu beiträgt, dieses Risiko zu mindern. Es gibt Hinweise darauf, dass ein hoher Prozentsatz gefährdeter Schüler Notsignale sendet, lange bevor sie tatsächlich die Schule abbrechen (Neild, Balfanz und Herzog, 2007). Aus diesem Grund helfen Frühwarnsysteme Lehrkräften, zu verhindern, dass Schüler vom Weg zur Graduierung absteigen und Interventionen und Unterstützung für Studenten ins Visier ziehen, die sie am meisten benötigen (Pinkus, 2008).

Asarta, C. J., & Schmidt, J. R. (2013). Zugriffsmuster von Online-Materialien in einem gemischten Kurs. Decision Sciences Journal of Innovative Education, 11(1), 107-123.

Baradwaj, B. K., & Pal, S. (2012). Mining von Bildungsdaten, um die Leistung der Schüler zu analysieren. arXiv Preprint arXiv:1201.3417.

Beck, J. E. (2004, August). Verwenden von Reaktionszeiten zum Modellieren des Ausblendens von Kursteilnehmern. In Proceedings of the ITS2004 Workshop on Social and Emotional Intelligence in Learning Environments (Vol. 20, Nr. 2004, S. 88-95).

Campbell, J. P., Finnegan, C., & Collins, B. (2006, Juli). Wissenschaftliche Analysen: Verwenden des CMS als Frühwarnsystem. In webCT impact conference.

Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Handbuch der Forschung zum Engagement der Studenten. Springer Science & Business Media.

Goldstein, P. J., & Katz, R. N. (2005). Wissenschaftliche Analytik: Die Verwendung von Management Information und Technologie in der Hochschulbildung (Vol. 8, Nr. 1, S. 1-12). Educause.

Johnson, G. M. (2005). Entfremdung von Schülern, akademische Leistungen und WebCT-Nutzung. Journal of Educational Technology & Society, 8(2), 179-189.

Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Prokrastination, Teilnahme und Leistung in Online-Lernumgebungen. Computer & Education, 56(1), 243-252.

Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Nachverfolgen des Verhaltens, der Persistenz und des Erfolgs von Kursteilnehmern in Onlinekursen. Internet und Hochschulbildung, 8(3), 221-231.

Neild, R. C., Balfanz, R., & Herzog, L. (2007). Ein Frühwarnsystem. Pädagogische Führung, 65(2), 28-33.

Pinkus, L. (2008). Verwenden von Frühwarndaten zur Verbesserung der Graduierungsraten: Schließen von Rissen im Bildungssystem. Washington, DC: Alliance for Excellent Education.

Qu, L., & Johnson, W. L. (2005, Mai). Erkennen der Motivationszustände des Lernenden in einer interaktiven Lernumgebung. In proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and social informed technology (pp. 547-554).

Rafaeli, S., & Ravid, G. (1997). Online-, webbasierte Lernumgebung für einen Informationssystem-Kurs: Zugriffsprotokolle, Linearität und Leistung. In Proc. Inf. Syst. Educ. Conf (Vol. 97, S. 92-99).

Wang, A. Y., & Newlin, M. H. (2002). Prädiktoren der Leistung von Webstudenten: Die Rolle der Selbstwirksamkeit und Gründe für die Teilnahme an einem Online-Kurs. Computer im menschlichen Verhalten, 18(2), 151-163.

Sie, J. W. (2016). Identifizieren signifikanter Indikatoren mithilfe von LMS-Daten zur Vorhersage des Kurserfolgs im Online-Lernen. Internet und Hochschulbildung, 29, 23-30.

Vorhersage des Rückgangs der Aktivität der Schüler

Das Machine Learning-Modell verwendet die digitalen Aktivitätsmuster jedes einzelnen Schülers in den letzten drei Wochen und verwendet diese Daten, um Schüler zu identifizieren, die heute aktiv sind, aber frühzeitige Indikatoren gezeigt haben, dass ihr Engagementniveau in der kommenden Woche sinken kann. Das Modell berücksichtigt die spezifischen Lernmuster des Klassenzimmerökosystems sowie die Berücksichtigung von Lücken in der Kursaktivität, die sich aus Urlaub und Urlaub ergeben. Die Vorhersage des Engagements der Schüler ist individuell, mit dem Verständnis, dass verschiedene Schüler unterschiedliche Aktivitätsmuster aufweisen können, und es gibt kein "normales" Verhalten. Diese Schülersupport-Spotlights bewerten die Schüler nicht, sondern identifizieren Aktivitätsmuster, die signifikant genug sind, um potenziellen Bedarf an Unterstützung anzuzeigen, und Lehrkräften die Möglichkeit geben, frühzeitig zu intervenieren.

Zu den Aktivitätssignalen, die als Eingabe für das Modell verwendet werden, gehören:

  • SharePoint Dateizugriffsmuster: Öffnen, Ändern, Herunterladen, Hochladen

  • Zugriffsmuster für Aufgaben und Übermittlungen: Zuweisen, Öffnen, Abgeben

  • Teilnahme am Kurschat: Besuchen, Posten, Antworten, Erweitern, Reagieren

  • Teilnahme an Kursbesprechungen

  • zugriff auf OneNote Kursnotizbuchseiten: Bearbeiten, Reflect Nutzung, Posten

Flussdiagramm, das zeigt, wie das Machine Learning-Modell Schüler identifiziert, die das Risiko haben, ihr Engagement zu verringern

Wichtig: Das Modell verwendet Aktivität und nicht den Inhalt selbst. Sie verwendet z. B. KEINE Inhalte aus Chatnachrichten, Inhalt von Dokumenten, Reflect Emotionen oder alles, was verwendet werden könnte, um diesen Kursteilnehmer zu identifizieren.  

Gesprächspunkte

Das Modell identifiziert bis zu 15 % der Kursteilnehmer, die aktivitätssignale gezeigt haben, und hebt dann die Indikatoren hervor, die jeder Kursteilnehmer in "Gesprächspunkte" angezeigt hat. Wenn Sie die Spotlight-Karte für die Unterstützung von Kursteilnehmern auswählen, werden die Kursteilnehmer, die frühzeitige Indikatoren für die Aufhebung angezeigt haben, neben Gesprächspunkten aufgeführt, die Ihnen helfen sollen, eine Unterhaltung über die Supportanforderungen dieses Kursteilnehmers zu beginnen.

Zu den Gesprächspunkten , die auf Spotlight-Karten für die Schülerunterstützung angezeigt werden, gehören:

  • hat sich weniger an digitalen Diskussionen beteiligt

  • hat weniger digitale Diskussionen initiiert

  • hat auf weniger Teams Nachrichten reagiert

  • hat sich weniger an digitalen Lernmöglichkeiten beteiligt

  • hat auf weniger Online-Kursmaterialien zugegriffen

  • hat Teams Zuordnungen später als üblich gestartet.

  • hat in ihrem OneNote Kursnotizbuch weniger gearbeitet

Datenschutz und verantwortungsvolle KI

Bei Microsoft kümmern wir uns sehr um Datenschutz und ethischen Einsatz von KI. Daher sind die folgenden Datenschutzprinzipien in das Modell eingebettet:

  • Das Modell wird mit blickendem Blick trainiert, was bedeutet, dass unsere Datenwissenschaftler keinen Zugriff auf die Klassendaten haben.

  • Wir teilen Insights über Schüler/Studenten nur mit Personen, die bereits Zugriff auf die zugrunde liegenden Daten haben und mit dem Kursteilnehmer persönlich vertraut sind. d. h. der Kursleiter.

  • Das Modell wird einen Schüler nie als "gut" oder "schlecht" profilen. Wir möchten die Lehrkraft dabei unterstützen, fundierte Entscheidungen über ihre Schüler zu treffen, indem wir objektive Beobachtungen von Daten auf nicht urteilsfreie Weise teilen.

  • Das Modell ist beabsichtigt, Verzerrungen zu vermeiden und verwendet keine identifizierenden Informationen (z. B. Name, Geschlecht oder Rasse). Das Modell verwendet nur Verhaltensinformationen aus den Interaktionen der Schüler in Teams.

  • Die Vorhersage ist rein formativ, d. h., sie soll Lehrkräfte benachrichtigen und sie bei der Änderung ihrer Praxis unterstützen, um ihren Schülern zu nutzen, wird aber nicht in der Insights Datenbank für die zukünftige Überprüfung gespeichert. Es ist eine Spiegelung des Verhaltens zu einem bestimmten Zeitpunkt und sollte nicht für die offizielle Bewertung eines Schülers verwendet werden.

Modellbeschränkungen

  • Das Modell untersucht jeweils eine Klasse. Wenn das Aktivitätsmuster eines Kursteilnehmers in einem Kurs zurückgegangen ist und in einem anderen abnimmt, werden Lehrkräfte möglicherweise darüber informiert, dass nur in der Klasse mit abgelehnter Aktivität Unterstützung erforderlich ist.

  • Das Modell verwendet digitales Engagement nur durch Teams als Maß. Die direkte Kommunikation zwischen Kursteilnehmern und Lehrkräften, zwischen Schülern oder außerhalb von Teams wird nicht berücksichtigt. Digitale Aktivitäten außerhalb Teams werden im Modell nicht dargestellt.

  • Um eine differenzierte Berechnung von Lernchancen zu ermöglichen, wird die Vorhersage nur für Kurse mit mehr als 5 Schülern, mindestens 4 Wochen digitaler Aktivität und mindestens 30 % der Teilnahme der Schüler an einer oder mehreren der vom Modell verwendeten digitalen Aktivitäten durchgeführt.

Benötigen Sie weitere Hilfe?

Ihre Office-Fähigkeiten erweitern
Schulungen erkunden
Neue Funktionen als Erster erhalten
Microsoft Insider beitreten

War diese Information hilfreich?

Wie zufrieden sind Sie mit der Sprachqualität?
Was hat Ihre Erfahrung beeinflusst?

Vielen Dank für Ihr Feedback!

×