Opiskelijoiden tuen spotlight-kortit Education Insights
AI-pohjaiset opiskelijoiden tuen pinnalla olevat kortit on suunniteltu auttamaan opettajia erottamaan huomio opiskelijoiden tukemiseen ennen kuin he jäävät jälkeen. Tämä kortti käyttää koneoppimista seuratakseen luokkahuoneen digitaalisia sitoutumismalleja sekä jokaista yksittäistä opiskelijaa ja ilmoittaakseen opettajille, kun opiskelijat osoittavat varhaisia merkkejä vetäytymisestä. Pinnalla-kortissa on luettelo opiskelijoista, jotka saattavat tarvita opettajan tukea seuraavalla viikolla, sekä tietyt keskustelukohdat, jotka perustuvat opiskelijoiden toiminnan muutokseen. Ennustukset ovat pelkästään muovaavia, ja ne perustuvat vain Education Insights käytettävissä oleviin digitaalisiin välityssignaaleihin, mitään lisätietoja ei kerätä.
Miten opettajien tulisi käyttää spotlight-korttia?
Opettajana tunnet ja ymmärrät oppilaasi parhaiten. Tämä valokeila on suunniteltu valaisemaan opiskelijoiden oppimista ja sitoutumista opettajien auttamiseen tuen eriyttämisessä, jotta he voivat antaa opiskelijoilleen mahdollisuuden oikeudenmukaiseen voimaannuttamiseen.
Tätä työkalua on tarkoitus käyttää yhdessä henkilökohtaisten suhteiden ja opiskelijan kykyjen ja olosuhteiden ymmärtämisen kanssa. Spotlights ei arvioi opiskelijoita, vaan tarjoaa opettajille mahdollisuuden rakentaa olemassa olevien suhteidensa pohjalta ja erotella tukea.
Tärkeää: Jotkut opiskelijat, jotka tarvitsevat tukea, saattavat osoittaa tarpeensa johdonmukaisesti käyttämättömyyden avulla. Jatkuvasti passiivisia opiskelijoita ei korosteta opiskelijoiden tukikortissa, koska he eivät ole antaneet toimintatietoja tulkittavaksi. Kiinnitä erityistä huomiota Toiminnan esittely -kortille, jotta voit tunnistaa passiiviset opiskelijat, koska se on toinen ilmaisin siitä, että opiskelijat tarvitsevat tukea.
Opiskelijan tukikortin tutkimus
Pedagogisessa tutkimusyhteisössä ollaan yksimielisiä siitä, että osallistumisen väheneminen on osoitus siitä, että opiskelijoilla on haasteita ja että heillä on suurempi riski jäädä jälkeen (Christenson, Reschly ja Wylie, 2012;) ja että opiskelijoiden digitaalisen osallistumisen tietoja voidaan käyttää heidän sitoutumisensa tason arviointiin ja ennustamiseen erittäin tarkasti tulevilla käyttäytymisillä ja saavutuksilla. Lisäksi näitä tietoja voidaan käyttää riskiopiskelijoiden tunnistamiseen, koska ne korreloivat suuresti akateemisten saavutusten kanssa (Asarta ja Schmidt, 2013; Baradwaj, Brijesh Kumar ja Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein ja Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu ja Johnson, 2005; Rafaeli ja Ravid, 1997; Wang ja Newlin, 2002; Sinä, 2016;).
Tutkimukset osoittavat myös, että varhainen interventio auttaa vähentämään tätä riskiä. On näyttöä siitä, että suuri osa riskialttiista opiskelijoista lähettää hätäsignaaleja kauan ennen kuin he todella jättävät koulun kesken (Neild, Balfanz ja Herzog, 2007). Tästä syystä varhaisvaroitusjärjestelmät auttavat opettajia estämään opiskelijoita putoamasta valmistumiselle ja kohdistamaan interventioita ja tukea opiskelijoille, jotka tarvitsevat niitä eniten (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Verkkomateriaalien käyttömallit sekakurssilla. Decision Sciences Journal of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Louhimalla koulutustietoja opiskelijoiden suorituskyvyn analysoimiseksi. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, elokuu). Vasteaikojen käyttäminen opiskelijoiden vetäytymisen mallintamiseen. In Proceedings of the ITS2004 Workshop on Social and Emotional Intelligence in Learning Environments (Vol. 20, nro 2004, s. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, heinäkuu). Akateeminen analytiikka: CMS:n käyttäminen varhaisvaroitusjärjestelmänä. WebCT-vaikutusneuvottelussa.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Opiskelijoiden osallistumista koskevan tutkimuksen käsikirja. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Akateeminen analytiikka: Johtamisen tietojen ja teknologian käyttö korkeakoulutuksessa (Vol. 8, nro 1, s. 1-12). Educause.
Johnson, G. M. (2005). Opiskelijoiden vieraantuminen, akateeminen saavutus ja WebCT-käyttö. Journal of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Viivyttely, osallistuminen ja suorituskyky verkko-oppimisympäristöissä. Tietokoneet & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Opiskelijoiden käyttäytymisen, sinnikkyyden ja saavutusten seuraaminen verkkokursseilla. Internet ja korkeakoulu,8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Varhaisvaroitusjärjestelmä. Koulutusjohtajuus, 65(2), 28-33.
Pinkus, L. (2008). Varhaisvaroitustietojen käyttäminen valmistumisasteen parantamiseen: koulutusjärjestelmän halkeamien sulkeminen. Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, toukokuu). Oppijan motivoivien tilojen havaitseminen vuorovaikutteisessa oppimisympäristössä. Vuoden 2005 tekoälyä koulutuksessa käsittelevässä konferenssissa: Älykkään ja sosiaalisesti informoidun teknologian avulla oppimisen tukeminen (s. 547–554).
Rafaeli, S., & Ravid, G. (1997). Verkkopohjainen oppimisympäristö tietojärjestelmäkurssille: Access-lokit, lineaarisuus ja suorituskyky. In Proc. Inf. Syst. Educ. Conf (Vol. 97, s. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Verkko-opiskelijoiden suorituskyvyn ennustajat: Itsetehokkuuden rooli ja syyt verkko-luokan suorittamiseen. Tietokoneet ihmisen käyttäytymisessä, 18(2), 151-163.
Sinä, J. W. (2016). Merkittävien indikaattorien tunnistaminen LMS-tietojen avulla, jotta voidaan ennustaa kurssin saavutuksia verkko-oppimisessa. Internet ja korkeakoulu, 29, 23-30.
Ennakointi opiskelijoiden toiminnan vähenemisestä
Koneoppimismalli ottaa kunkin yksittäisen opiskelijan digitaaliset toimintamallit viimeisen kolmen viikon aikana ja käyttää näitä tietoja tunnistaakseen opiskelijat, jotka ovat aktiivisia tänään, mutta ovat osoittaneet varhaisia indikaattoreita siitä, että heidän sitoutumistasonsa voi laskea tulevan viikon aikana. Mallissa otetaan huomioon luokkahuoneen ekosysteemin erityiset oppimismallit sekä loma- ja juhlapyhistä johtuvat luokkatoiminnan aukot. Opiskelijoiden osallistumisen ennakointi on yksilöllistä, sillä he ymmärtävät, että eri opiskelijoilla voi olla erilaisia toimintamalleja eikä "normaalia" käyttäytymistä ole olemassa. Nämä opiskelijoiden tuen esittelyt eivät arvioi opiskelijoita, vaan tunnistavat toimintamallit, jotka ovat riittävän merkittäviä osoittamaan mahdollisen tuen tarpeen ja antamaan opettajille mahdollisuuden puuttua asiaan ajoissa.
Mallin syötteenä käytettäviä toimintasignaaleja ovat seuraavat:
-
SharePoint-tiedostojen käyttömallit: Avaa, Muokkaa, Lataa, Lataa
-
Tehtävät ja lähetyksen käyttöoikeusmallit: määrittäminen, avaaminen, palauttaminen
-
Luokan keskusteluihin osallistuminen: käy, julkaise, vastaa, laajenna, reagoi
-
Luokan kokouksiin osallistuminen
-
Luokan OneNote-muistikirjan sivujen käyttö: muokkaaminen, Heijasta käyttöä, julkaise
Tärkeää: malli käyttää toimintaa eikä itse sisältöä. Se ei esimerkiksi käytä sisältöä keskusteluviesteistä, asiakirjojen sisällöstä, Heijasta tunteita tai mitä tahansa, jota voitaisiin käyttää kyseisen opiskelijan tunnistamiseen.
Puhuvia kohtia
Malli tunnistaa jopa 15% luokan opiskelijoista, jotka ovat osoittaneet toimintasignaaleja, ja korostaa sitten ilmaisimia, jotka kukin opiskelija näytti Puhumiskohdissa. Kun valitset opiskelijoiden tuen pinnalla olevan kortin, opiskelijat, jotka ovat osoittaneet varhaiset irrottamisen ilmaisimet, näkyvät puhuvien pisteiden rinnalla, joiden tarkoituksena on auttaa sinua aloittamaan keskustelu kyseisen opiskelijan tukitarpeista.
Opiskelijoiden tuen tärkeitä tietoja -korteissa voi näkyä muun muassa seuraavat asiat:
-
on osallistunut vähemmän digitaalisiin keskusteluihin
-
on aloittanut vähemmän digitaalisia keskusteluja
-
on reagoinut vähempiin Teams-viesteihin
-
on osallistunut vähemmän digitaalisiin oppimismahdollisuuksiin
-
on käyttänyt vähemmän online-luokan materiaaleja
-
on aloittanut Teams-tehtäviä tavallista myöhemmin
-
on työskennellyt vähemmän luokan OneNote-muistikirjassa
Tietosuoja ja vastuullinen tekoäly
Microsoftilla välitämme syvästi tekoälyn tietosuojasta ja eettisestä käytöstä. Siksi malliin on upotettu seuraavat tietosuojaperiaatteet:
-
Malli on koulutettu silmänkääntötarkoituksessa, mikä tarkoittaa, että tietotutkijamme eivät voi tarkastella luokkatietoja.
-
Jaamme Insightsin opiskelijoista vain sellaisten henkilöiden kanssa, joilla on jo pääsy pohjana oleviin tietoihin ja jotka tuntevat opiskelijan henkilökohtaisesti. eli luokan opettaja.
-
Malli ei koskaan profiloi opiskelijaa "hyvänä" tai "huonona". Pyrimme tukemaan opettajaa tekemään opiskelijoistaan tietoon perustuvia päätöksiä jakamalla objektiivisia havaintoja tiedoista tuomitsemattomalla tavalla.
-
Mallissa pyritään tarkoituksellisesti välttämään puolueellisuutta, eikä siinä käytetä mitään tunnistetietoja (kuten nimeä, sukupuolta tai rotua). Malli käyttää vain käyttäytymistietoja opiskelijoiden vuorovaikutuksesta Teamsissa.
-
Ennustus on puhtaasti muotoileva, mikä tarkoittaa, että se on suunniteltu varoittamaan opettajia ja tukemaan heitä muokkaamaan käytäntöään opiskelijoidensa hyödyksi, mutta sitä ei tallenneta Insights-tietokantaan myöhempää tarkastelua varten. Se heijastaa käyttäytymistä tietyssä vaiheessa, eikä sitä pitäisi käyttää minkään opiskelijan viralliseen arviointiin.
Mallirajoitukset
-
Malli tutkii luokan kerrallaan. Jos opiskelijan toimintamalli on heikentynyt yhdessä luokassa ja kallistunut toiseen luokkaan, opettajille voidaan ilmoittaa tuen tarpeesta vain siinä luokassa, jonka toiminta on hylätty.
-
Mallissa käytetään vain digitaalista osallistumista Teamsin kautta mittayksikkönä. Suoraa viestintää opiskelijalta opettajalle, opiskelijoiden välillä tai Teamsin ulkopuolella ei oteta huomioon. Teamsin ulkopuolista digitaalista toimintaa ei esitetä mallissa.
-
Jotta oppimismahdollisuuksia voidaan laskea vivahteikkaasti, ennakointi suoritetaan vain luokille, joissa on yli 5 opiskelijaa, vähintään 4 viikon digitaalinen toiminta ja vähintään 30 prosenttia opiskelijoiden osallistumisesta yhteen tai useampaan mallin käyttämään digitaaliseen toimintaan.
Tarvitsetko lisäohjeita?
Haluatko lisää vaihtoehtoja?
Tutustu tilausetuihin, selaa harjoituskursseja, opi suojaamaan laitteesi ja paljon muuta.
Osallistumalla yhteisöihin voit kysyä kysymyksiä ja vastata niihin, antaa palautetta sekä kuulla lisää asiantuntijoilta, joilla on runsaasti tietoa.
