Κάρτες ανάδειξης υποστήριξης σπουδαστών στο Insights για εκπαιδευτικά ιδρύματα

Microsoft Teams Microsoft Teams για εκπαιδευτικά ιδρύματα Περισσότερα...Λιγότερα

Οι κάρτες ανάδειξης υποστήριξης σπουδαστών που βασίζονται σε τεχνητή νοημοσύνη έχουν σχεδιαστεί για να βοηθούν τους εκπαιδευτικούς να διαφοροποιούν την προσοχή στην υποστήριξη των σπουδαστών προτού μείνει πίσω. Αυτή η κάρτα χρησιμοποιεί μια μηχανική εκμάθηση για την παρακολούθηση των προτύπων ψηφιακής δέσμευσης της τάξης, καθώς και για κάθε μεμονωμένο σπουδαστή και την ειδοποίηση των εκπαιδευτικών όταν οι μαθητές εμφανίζουν πρώιμα σημάδια αποδέσμευσης. Η κάρτα ανάδειξης παρέχει μια λίστα με τους σπουδαστές που μπορεί να χρειαστούν υποστήριξη από εκπαιδευτικούς την επόμενη εβδομάδα, μαζί με τα συγκεκριμένα σημεία συζήτησης με βάση την αλλαγή δραστηριότητας από τους σπουδαστές. Οι προβλέψεις είναι καθαρά διαμορφωτικές και βασίζονται μόνο σε σήματα ψηφιακής δέσμευσης που είναι διαθέσιμα στο Insights για εκπαιδευτικά ιδρύματα, δεν συλλέγονται πρόσθετα δεδομένα.

Πώς θα πρέπει οι εκπαιδευτικοί να χρησιμοποιούν την κάρτα ανάδειξης;

Ως εκπαιδευτικός, γνωρίζετε και κατανοείτε καλύτερα τους μαθητές σας. Αυτή η ανάδειξη έχει σχεδιαστεί για να ρίξει φως στην εκμάθηση και τη συμμετοχή των μαθητών για να βοηθήσει τους εκπαιδευτικούς στη διαφοροποίηση της υποστήριξης για να ενδυναμώσει τους μαθητές τους ισότιμα.

Αυτό το εργαλείο προορίζεται για χρήση σε συνδυασμό με προσωπικές σχέσεις και κατανόηση των ικανοτήτων και των περιστάσεων του μαθητή. Οι προβολείς δεν αξιολογούν τους σπουδαστές, αλλά παρέχουν ευκαιρίες στους εκπαιδευτικούς να βασιστούν στις υπάρχουσες σχέσεις τους και να διαφοροποιήσουν την υποστήριξη.

παράδειγμα που αναφέρει η κάρτα υποστήριξης σπουδαστών: 5 σπουδαστές ενδέχεται να χρειαστούν περισσότερη υποστήριξη την επόμενη εβδομάδα.

Σημαντικό: Ορισμένοι σπουδαστές που χρειάζονται υποστήριξη μπορεί να αποδεικνύουν την ανάγκη τους με συνεπή αδράνεια. Οι σπουδαστές που είναι συνεχώς ανενεργοί δεν θα επισημαίνονται στην κάρτα υποστήριξης των σπουδαστών, καθώς δεν έχουν παράσχει δεδομένα δραστηριότητας για ερμηνεία. Προσέξτε την κάρτα ανάδειξης δραστηριότητας για να προσδιορίσετε τους σπουδαστές που είναι ανενεργοί, καθώς αυτή είναι μια άλλη ένδειξη ότι οι σπουδαστές χρειάζονται υποστήριξη.

Έρευνα για την κάρτα υποστήριξης σπουδαστών

Έρευνα Πηγές που αναφέρονται

Η συναίνεση στην παιδαγωγική ερευνητική κοινότητα είναι ότι η μείωση της συμμετοχής είναι ένας δείκτης ότι οι μαθητές αντιμετωπίζουν προκλήσεις και αντιμετωπίζουν αυξημένο κίνδυνο να μείνει πίσω (Christenson, Reschly και Wylie, 2012;) και ότι τα δεδομένα ψηφιακής δέσμευσης των μαθητών μπορούν να χρησιμοποιηθούν για την αξιολόγηση του επιπέδου δέσμευσής τους και την πρόβλεψη με μελλοντικές συμπεριφορές και επιτεύγματα υψηλής ακρίβειας. Επιπλέον, αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τον προσδιορισμό των μαθητών που διατρέχουν κίνδυνο, καθώς συσχετίζονται σε μεγάλο βαθμό με ακαδημαϊκά επιτεύγματα (Asarta και Schmidt, 2013; Μπαραντουάι, Brijesh Kumar και Saurabh Pal., 2012; Μπεκ, 2004; Κάμπελ κ.ά., 2006; Γκόλντστιν και Κατζ, 2005; Τζόνσον, 2005; Michinov κ.λπ., 2011; Morris κ.ά., 2005; Κου και Τζόνσον, 2005; Rafaeli και Ravid, 1997; Γουάνγκ και Νιούλιν, 2002; Εσείς, 2016;).

Η έρευνα δείχνει επίσης ότι η έγκαιρη παρέμβαση βοηθά στον μετριασμό αυτού του κινδύνου. Υπάρχουν στοιχεία ότι ένα υψηλό ποσοστό μαθητών σε κίνδυνο στέλνουν σήματα κινδύνου πολύ πριν εγκαταλείψουν το σχολείο (Neild, Balfanz και Herzog, 2007). Για το λόγο αυτό, τα συστήματα έγκαιρης προειδοποίησης βοηθούν τους εκπαιδευτικούς να αποτρέψουν τους μαθητές από το να πέσουν από την πίστα στην αποφοίτηση και να στοχεύσουν παρεμβάσεις και υποστήριξη σε μαθητές που τους χρειάζονται περισσότερο (Pinkus, 2008).

Ασάρτα, Σι Τζέι, & Σμιντ, Τζέι Ρ. (2013). Πρόσβαση σε μοτίβα ηλεκτρονικών υλικών σε μια μικτή σειρά μαθημάτων. Περιοδικό Επιστημών Αποφάσεων Καινοτόμου Εκπαίδευσης, 11(1), 107-123.

Baradwaj, B. K., & Pal, S. (2012). Εξόρυξη εκπαιδευτικών δεδομένων για την ανάλυση της απόδοσης των σπουδαστών. arXiv preprint arXiv:1201.3417.

Μπεκ, Τζέι Ε. (2004, Αύγουστος). Χρήση ωρών απόκρισης για μοντελοποίηση της αποδέσμευσης μαθητών. Στα Πρακτικά του Εργαστηρίου ITS2004 για την Κοινωνική και Συναισθηματική Ευφυΐα σε Μαθησιακά Περιβάλλοντα (Vol. 20, αρ. 2004, σ. 88-95).

Κάμπελ, Τζέι Π., Φίνεγκαν, Κ., & Κόλινς, Β. (2006, Ιούλιος). Ακαδημαϊκή ανάλυση: Χρήση του CMS ως συστήματος έγκαιρης προειδοποίησης. Στο WebCT, διάσκεψη επιπτώσεων.

Κρίστενσον, Σ. Λ., Ρέσλι, Α. Λ., & Γουάιλι, Γ. (Εντς). (2012). Εγχειρίδιο έρευνας σχετικά με τη συμμετοχή των μαθητών. Springer Science & Επιχειρηματικά Μέσα.

Γκόλντστιν, Π. Τζέι, & Κατζ, Ρ. Ν. (2005). Ακαδημαϊκή ανάλυση: Οι χρήσεις της διοικητικής πληροφόρησης και τεχνολογίας στην τριτοβάθμια εκπαίδευση (Vol. 8, Αρ. 1, σ. 1-12). Ο Educause.

Τζόνσον, G. M. (2005). Αποξένωση μαθητών, ακαδημαϊκά επιτεύγματα και χρήση WebCT. Εφημερίδα εκπαιδευτικής τεχνολογίας & Κοινωνία, 8(2), 179-189.

Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Αναβλητικότητα, συμμετοχή και επιδόσεις σε περιβάλλοντα ηλεκτρονικής εκμάθησης. Υπολογιστές & Education, 56(1), 243-252.

Μόρις, Λ. Β., Φίνεγκαν, Κ., & Γου, Σ. Σ. (2005). Παρακολούθηση της συμπεριφοράς, της διατήρησης και των επιτευγμάτων των μαθητών σε διαδικτυακά μαθήματα. Διαδίκτυο και τριτοβάθμια εκπαίδευση, 8(3), 221-231.

Νίλντ, Ρ. Κ., Μπαλφάνζ, Ρ., & Χέρζογκ, Λ. (2007). Ένα σύστημα έγκαιρης προειδοποίησης. Εκπαιδευτική ηγεσία, 65(2), 28-33.

Pinkus, L. (2008). Χρήση δεδομένων έγκαιρης προειδοποίησης για τη βελτίωση των ποσοστών αποφοίτησης: Κλείσιμο ρωγμών στο εκπαιδευτικό σύστημα. Ουάσιγκτον, DC: Συμμαχία για εξαιρετική εκπαίδευση.

Κου, Λ., & Τζόνσον, Γ. Λ. (2005, Μάιος). Εντοπισμός των καταστάσεων κινήτρων του μαθητή σε ένα διαδραστικό περιβάλλον μάθησης. Στα πρακτικά της διάσκεψης του 2005 για την τεχνητή νοημοσύνη στην εκπαίδευση: Υποστήριξη της μάθησης μέσω έξυπνης και κοινωνικά ενημερωμένης τεχνολογίας (σελ. 547-554).

Rafaeli, S., & Ravid, G. (1997). Online περιβάλλον εκμάθησης που βασίζεται στο web για έναν κύκλο μαθημάτων πληροφοριακών συστημάτων: αρχεία καταγραφής της Access, γραμμικότητα και επιδόσεις. In Proc. Inf. Syst. Educ. Conf (Vol. 97, σ. 92-99).

Γουάνγκ, Α. Υ., & Νιούλιν, Μ. Η. (2002). Προγνωστικά για την απόδοση των φοιτητών στο web: Ο ρόλος της αυτο-αποτελεσματικότητας και οι λόγοι για τη λήψη ενός μαθήματος on-line. Υπολογιστές στην ανθρώπινη συμπεριφορά, 18(2), 151-163.

Εσύ, J. W. (2016). Εντοπισμός σημαντικών δεικτών με τη χρήση δεδομένων LMS για την πρόβλεψη επιτευγμάτων μαθημάτων στην ηλεκτρονική εκμάθηση. Διαδίκτυο και τριτοβάθμια εκπαίδευση, 29, 23-30.

Πρόβλεψη μείωσης της δραστηριότητας των μαθητών

Το μοντέλο μηχανικής εκμάθησης λαμβάνει τα πρότυπα ψηφιακής δραστηριότητας κάθε μεμονωμένου σπουδαστή τις τελευταίες τρεις εβδομάδες και χρησιμοποιεί αυτά τα δεδομένα για να εντοπίσει τους μαθητές που είναι ενεργοί σήμερα, αλλά έχει δείξει πρώιμες ενδείξεις ότι το επίπεδο δέσμευσης μπορεί να μειωθεί την επόμενη εβδομάδα. Το μοντέλο λαμβάνει υπόψη τα συγκεκριμένα πρότυπα μάθησης του οικοσυστήματος της τάξης, καθώς και τα κενά στην τάξη που προκύπτουν από τις διακοπές και τις αργίες. Η πρόβλεψη της συμμετοχής των μαθητών είναι ατομική, με την κατανόηση ότι διαφορετικοί μαθητές μπορεί να παρουσιάζουν διαφορετικά πρότυπα δραστηριότητας και δεν υπάρχει "κανονική" συμπεριφορά. Αυτές οι επιλογές υποστήριξης μαθητών δεν αξιολογούν τους σπουδαστές, αλλά προσδιορίζουν μοτίβα δραστηριότητας που είναι αρκετά σημαντικά ώστε να υποδείξουν πιθανή ανάγκη για υποστήριξη και να δώσουν τη δυνατότητα στους εκπαιδευτικούς να επέμβουν νωρίς.

Τα σήματα δραστηριότητας που χρησιμοποιούνται ως είσοδος για το μοντέλο περιλαμβάνουν τα εξής:

Μοτίβα πρόσβασης σε αρχεία του SharePoint: Άνοιγμα, Τροποποίηση, Λήψη, Αποστολή
Αναθέσεις εργασιών και μοτίβα πρόσβασης υποβολής: ανάθεση, άνοιγμα, παράδοση
Συμμετοχή σε συνομιλία τάξης: επίσκεψη, δημοσίευση, απάντηση, ανάπτυξη, αντίδραση
Συμμετοχή σε συσκέψεις τάξης
Πρόσβαση στις σελίδες σημειωματαρίου τάξης του OneNote: επεξεργασία, χρήση Reflect, δημοσίευση

διάγραμμα ροής που δείχνει πώς το μοντέλο εκμάθησης μηχανής προσδιορίζει τους σπουδαστές που κινδυνεύουν να μειώνουν τη συμμετοχή τους

Σημαντικό: το μοντέλο χρησιμοποιεί τη δραστηριότητα και όχι το ίδιο το περιεχόμενο. Για παράδειγμα, ΔΕΝ χρησιμοποιεί περιεχόμενο από μηνύματα συνομιλίας, περιεχόμενο εγγράφων, συναισθήματα Reflect ή οτιδήποτε θα μπορούσε να χρησιμοποιηθεί για τον προσδιορισμό του συγκεκριμένου σπουδαστή.

Σημεία συζήτησης

Το μοντέλο προσδιορίζει έως και το 15% των σπουδαστών στην τάξη που έχουν επιδείξει σχετικά με τα σήματα δραστηριότητας και, στη συνέχεια, επισημαίνει τους δείκτες που κάθε μαθητής εμφάνιζε στα σημεία ομιλίας. Όταν επιλέγετε την κάρτα ανάδειξης υποστήριξης σπουδαστών, οι σπουδαστές που έχουν δείξει αρχικά ενδείξεις αποδέσμευσης θα παρατίθενται μαζί με τα σημεία ομιλίας που έχουν σχεδιαστεί για να σας βοηθήσουν να ξεκινήσετε μια συνομιλία σχετικά με τις ανάγκες υποστήριξης του συγκεκριμένου σπουδαστή.

Τα σημεία συζήτησης που μπορεί να δείτε στις κάρτες ανάδειξης υποστήριξης σπουδαστών περιλαμβάνουν τα εξής:

συμμετέχει σε ψηφιακές συζητήσεις λιγότερο
έχει ξεκινήσει λιγότερες ψηφιακές συζητήσεις
αντέδρασε σε λιγότερα μηνύματα του Teams
έχει συμμετάσχει σε ευκαιρίες ψηφιακής εκμάθησης λιγότερο
έχει πρόσβαση σε λιγότερα online υλικά τάξης
έχει ξεκινήσει αναθέσεις εργασιών του Teams αργότερα από το συνηθισμένο
εργάζεται λιγότερο στο σημειωματάριο τάξης του OneNote

Προστασία προσωπικών δεδομένων και υπεύθυνη τεχνητή νοημοσύνη (AI)

Στη Microsoft νοιαζόμαστε βαθύτατα για την προστασία προσωπικών δεδομένων και την ηθική χρήση της τεχνητής νοημοσύνης. Επομένως, στο μοντέλο ενσωματώνονται οι ακόλουθες αρχές προστασίας προσωπικών δεδομένων:

Το μοντέλο εκπαιδεύεται χρησιμοποιώντας έναν τρόπο ματιάς, πράγμα που σημαίνει ότι οι επιστήμονες δεδομένων μας δεν έχουν πρόσβαση για να προβάλουν τα δεδομένα της τάξης.
Κοινοποιούμε πληροφορίες μόνο για σπουδαστές με άτομα που έχουν ήδη πρόσβαση στα υποκείμενα δεδομένα και έχουν προσωπική εξοικείωση με τον σπουδαστή. δηλαδή τον εκπαιδευτικό της τάξης.
Το μοντέλο δεν θα σκιαγραφεί ποτέ έναν μαθητή ως "καλό" ή "κακό". Στόχος μας είναι να υποστηρίξουμε τον εκπαιδευτικό στη λήψη τεκμηριωμένων αποφάσεων σχετικά με τους μαθητές του, κοινοποιώντας αντικειμενικές παρατηρήσεις δεδομένων με μη επικριτικό τρόπο.
Το μοντέλο προτίθεται να αποφύγει τις προκαταλήψεις και δεν χρησιμοποιεί πληροφορίες ταυτοποίησης (όπως το όνομα, το φύλο ή τη φυλή). Το μοντέλο χρησιμοποιεί μόνο πληροφορίες συμπεριφοράς από την αλληλεπίδραση των σπουδαστών στο Teams.
Η πρόβλεψη είναι καθαρά διαμορφωτική, πράγμα που σημαίνει ότι έχει σχεδιαστεί για να ειδοποιεί τους εκπαιδευτικούς και να τους υποστηρίζει στην τροποποίηση της πρακτικής τους προς όφελος των μαθητών τους, αλλά δεν αποθηκεύεται στη βάση δεδομένων Insights για μελλοντική αναθεώρηση. Αποτελεί αντανάκλαση της συμπεριφοράς σε ένα συγκεκριμένο χρονικό σημείο και δεν πρέπει να χρησιμοποιείται για επίσημη αξιολόγηση οποιουδήποτε μαθητή.

Περιορισμοί μοντέλου

Το μοντέλο εξετάζει ένα μάθημα κάθε φορά. Εάν το μοτίβο δραστηριότητας ενός σπουδαστή έχει μειωθεί σε μία τάξη και έχει την κλίση του σε μια άλλη, οι εκπαιδευτικοί μπορεί να ειδοποιηθούν για την ανάγκη υποστήριξης μόνο στην τάξη με μειωμένη δραστηριότητα.
Το μοντέλο χρησιμοποιεί την ψηφιακή αλληλεπίδραση μόνο μέσω του Teams ως μέτρο. Η άμεση επικοινωνία μεταξύ σπουδαστών και εκπαιδευτικών, μεταξύ σπουδαστών ή εκτός του Teams δεν λαμβάνεται υπόψη. Η ψηφιακή δραστηριότητα εκτός του Teams δεν θα αντιπροσωπεύεται στο μοντέλο.
Για να επιτραπεί ο λεπτός υπολογισμός των ευκαιριών μάθησης, η πρόβλεψη θα εκτελεστεί μόνο για μαθήματα με περισσότερους από 5 μαθητές, τουλάχιστον 4 εβδομάδες ψηφιακής δραστηριότητας και τουλάχιστον 30% συμμετοχή μαθητών σε μία ή περισσότερες ψηφιακές δραστηριότητες που χρησιμοποιούνται από το μοντέλο.

Χρειάζεστε περισσότερη βοήθεια;

Θέλετε περισσότερες επιλογές;

Ανακαλύψτε Κοινότητα

Εξερευνήστε τα πλεονεκτήματα της συνδρομής, περιηγηθείτε σε εκπαιδευτικά σεμινάρια, μάθετε πώς μπορείτε να προστατεύσετε τη συσκευή σας και πολλά άλλα.