Cartes à la une du support étudiant dans Éducation Insights
Les cartes à la une du soutien des étudiants basées sur l’IA sont conçues pour aider les éducateurs à différencier l’attention pour soutenir les étudiants avant qu’ils ne prennent du retard. Cette carte utilise un machine learning pour surveiller les modèles d’engagement numérique de la salle de classe ainsi que chaque étudiant individuel et informer les enseignants lorsque les étudiants montrent des signes précoces de désengagement. La carte à la une fournit une liste des étudiants qui peuvent avoir besoin d’un soutien de la part des enseignants au cours de la semaine suivante, ainsi que les points de discussion spécifiques basés sur les changements d’activité des étudiants. Les prédictions sont purement formatives et reposent uniquement sur les signaux d’engagement numérique disponibles dans Éducation Insights, aucune donnée supplémentaire n’est collectée.
Comment les enseignants doivent-ils utiliser la carte à la une ?
En tant qu’éducateur, vous connaissez et comprenez mieux vos élèves. Cette mise à l’honneur est conçue pour mettre en lumière l’apprentissage et l’engagement des étudiants afin d’aider les enseignants à différencier le soutien afin de permettre à leurs élèves d’être équitables.
Cet outil est destiné à être utilisé en combinaison avec les relations personnelles et la compréhension des capacités et de la situation de l’étudiant. Les projecteurs n’évaluent pas les étudiants, mais offrent plutôt aux enseignants la possibilité de s’appuyer sur leurs relations existantes et de différencier le soutien.
Important : Certains étudiants qui ont besoin d’aide peuvent démontrer leur besoin avec une inactivité constante. Les étudiants qui sont constamment inactifs ne seront pas mis en surbrillance dans la carte de soutien aux étudiants, car ils n’ont pas fourni de données d’activité à interpréter. Veuillez prêter une attention particulière à la carte Activité à la une pour identifier les étudiants inactifs, car il s’agit d’un autre indicateur indiquant que les étudiants ont besoin d’aide.
Recherche de la carte de soutien aux étudiants
Le consensus dans le milieu de la recherche pédagogique est que le déclin de l’engagement est un indicateur que les élèves rencontrent des difficultés et sont confrontés à un risque accru de retard (Christenson, Reschly et Wylie, 2012;) et que les données d’engagement numérique des étudiants peuvent être utilisées pour évaluer leur niveau d’engagement et prédire avec une grande précision les comportements et les réalisations futurs. En outre, ces données peuvent être utilisées pour identifier les étudiants « à risque », car elles sont fortement corrélées avec les résultats scolaires (Asarta et Schmidt, 2013; Baradwaj, Brijesh Kumar et Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein et Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu and Johnson, 2005; Rafaeli et Ravid, 1997; Wang et Newlin, 2002; Vous, 2016;).
La recherche montre également que l’intervention précoce contribue à atténuer ce risque. Il est prouvé qu’un pourcentage élevé d’élèves à risque envoient des signaux de détresse bien avant qu’ils ne quittent réellement l’école (Neild, Balfanz et Herzog, 2007). C’est la raison pour laquelle les systèmes d’alerte précoce aident les enseignants à empêcher les élèves de tomber dans la course à l’obtention du diplôme et de cibler les interventions et le soutien aux étudiants qui en ont le plus besoin (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Accéder à des modèles de supports en ligne dans un cours mixte. Decision Sciences Journal of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Exploration de données éducatives pour analyser les performances des étudiants. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, août). Utilisation des temps de réponse pour modéliser le désengagement des étudiants. Dans Proceedings of the ITS2004 Workshop on Social and Emotional Intelligence in Learning Environments (Vol. 20, n° 2004, pp. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, juillet). Analytique académique : utilisation de CMS comme système d’avertissement précoce. Dans la conférence d’impact webCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Manuel de recherche sur l’engagement des étudiants. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Analytique académique : Utilisations de l’information et de la technologie de gestion dans l’enseignement supérieur (Vol. 8, n° 1, pp. 1-12). Educause.
Johnson, G. M. (2005). L’éloignement des étudiants, les résultats scolaires et l’utilisation du webCT. Journal of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Procrastination, participation et performances dans les environnements d’apprentissage en ligne. Ordinateurs & Éducation, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Suivi du comportement, de la persistance et de la réussite des étudiants dans les cours en ligne. Internet et l’enseignement supérieur, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Système d’avertissement précoce. Direction éducative, 65(2), 28-33.
Pinkus, L. (2008). Utilisation de données d’avertissement précoce pour améliorer les taux d’obtention de diplôme : la fermeture des fissures dans le système éducatif. Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, mai). Détection des états de motivation de l’apprenant dans un environnement d’apprentissage interactif. Dans Proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and socially informed technology (pp. 547-554).
Rafaeli, S., & Ravid, G. (1997). Environnement d’apprentissage en ligne basé sur le web pour un cours sur les systèmes d’information : Accéder aux journaux d’activité, à la linéarité et aux performances. In Proc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Predictors of web-student performance: The role of self-efficacy and reasons for taking an on-line class. Ordinateurs dans le comportement humain, 18(2), 151-163.
Vous, J. W. (2016). Identification d’indicateurs significatifs à l’aide de données LMS pour prédire la réussite des cours dans l’apprentissage en ligne. Internet et l’enseignement supérieur, 29, 23-30.
Prédiction du déclin de l’activité des étudiants
Le modèle Machine Learning utilise les modèles d’activité numérique de chaque étudiant au cours des trois dernières semaines et utilise ces données pour identifier les étudiants actifs aujourd’hui, mais qui ont montré des indicateurs précoces indiquant que leur niveau d’engagement pourrait diminuer au cours de la semaine à venir. Le modèle prend en compte les modèles d’apprentissage spécifiques de l’écosystème de classe, ainsi que la prise en compte des lacunes dans l’activité des classes résultant des vacances et des vacances. La prédiction de l’engagement des étudiants est individuelle, étant donné que les différents étudiants peuvent présenter des modèles d’activité différents et qu’il n’existe pas de comportement « normal ». Ces rubriques de soutien aux étudiants n’évaluent pas les étudiants, mais identifient plutôt des modèles d’activité suffisamment significatifs pour indiquer le besoin potentiel de soutien et permettre aux enseignants d’intervenir tôt.
Les signaux d’activité utilisés comme entrée pour le modèle sont les suivants :
-
Modèles d’accès aux fichiers SharePoint : Ouvrir, Modifier, Télécharger, Charger
-
Affectations et modèles d’accès à la soumission : assigner, ouvrir, rendre
-
Participation à une conversation de classe : visite, publication, réponse, développement, réaction
-
Participation aux réunions de classe
-
Accès aux pages de bloc-notes oneNote pour la classe : modifier, refléter l’utilisation, publier
Important : le modèle utilise l’activité et non le contenu lui-même. Par exemple, il n’utilise PAS de contenu provenant de messages de conversation, de contenu de documents, d’émotions reflect ou de tout ce qui pourrait être utilisé pour identifier cet étudiant.
Points de discussion
Le modèle identifie jusqu’à 15 % des élèves de la classe qui ont démontré des signaux d’activité, puis met en évidence les indicateurs affichés par chaque étudiant dans les points de conversation. Lorsque vous sélectionnez la carte à la une du support étudiant, les étudiants qui ont affiché les premiers indicateurs de désengagement sont répertoriés aux côtés des points de discussion conçus pour vous aider à lancer une conversation sur les besoins de soutien de cet étudiant.
Les points de discussion que vous pouvez voir sur les cartes à la une du support étudiant sont les suivants :
-
a participé aux discussions numériques moins
-
a lancé moins de discussions numériques
-
a réagi à moins de messages Teams
-
a participé moins aux opportunités d’apprentissage numérique
-
a accédé à moins de supports de classe en ligne
-
a démarré des affectations Teams plus tard que d’habitude
-
a moins travaillé dans son bloc-notes oneNote pour la classe
Confidentialité et IA responsable
Chez Microsoft, nous nous soucions de la confidentialité et de l’utilisation éthique de l’IA. Par conséquent, les principes de confidentialité suivants sont incorporés dans le modèle :
-
Le modèle est entraîné de manière visuelle, ce qui signifie que nos scientifiques des données n’ont pas accès à l’affichage des données de classe.
-
Nous partageons uniquement insights sur les étudiants avec des personnes qui ont déjà accès aux données sous-jacentes et qui ont une connaissance personnelle de l’étudiant. c’est-à-dire l’enseignant de classe.
-
Le modèle ne profilera jamais un étudiant comme « bon » ou « mauvais ». Nous cherchons à aider l’enseignant à prendre des décisions éclairées sur ses élèves en partageant des observations objectives des données de manière non-jugement.
-
Le modèle est intentionnel pour éviter les préjugés et n’utilise aucune information d’identification (par exemple, nom, sexe ou race). Le modèle utilise uniquement les informations comportementales des interactions des étudiants dans Teams.
-
La prédiction est purement formative, ce qui signifie qu’elle est conçue pour alerter les enseignants et les soutenir dans la modification de leur pratique au profit de leurs étudiants, mais n’est pas enregistrée dans la base de données Insights pour une révision ultérieure. Il est le reflet d’un comportement à un moment spécifique dans le temps et ne doit pas être utilisé pour l’évaluation officielle d’un étudiant.
Limitations du modèle
-
Le modèle examine une classe à la fois. Si le modèle d’activité d’un étudiant a diminué dans une classe et est incliné dans une autre, les enseignants peuvent être avertis de la nécessité d’un soutien uniquement dans la classe dont l’activité a été refusée.
-
Le modèle utilise uniquement l’engagement numérique par le biais de Teams comme mesure. La communication directe entre l’étudiant et l’enseignant, entre les étudiants ou en dehors de Teams n’est pas prise en compte. L’activité numérique en dehors de Teams ne sera pas représentée dans le modèle.
-
Pour permettre un calcul nuancé des opportunités d’apprentissage, la prédiction ne sera effectuée que pour les classes de plus de 5 étudiants, au moins 4 semaines d’activité numérique et au moins 30 % de participation des étudiants à une ou plusieurs des activités numériques utilisées par le modèle.
Besoin d’aide ?
Vous voulez plus d’options ?
Explorez les avantages de l’abonnement, parcourez les cours de formation, découvrez comment sécuriser votre appareil, etc.
Les communautés vous permettent de poser des questions et d'y répondre, de donner vos commentaires et de bénéficier de l'avis d'experts aux connaissances approfondies.
