כרטיסי זרקור של תמיכת תלמידים ב- חינוכיות Insights
כרטיסי זרקור של תמיכת תלמידים המבוססים על בינה מלאכותית מיועדים לעזור למורים להבחין בין תשומת הלב לתמיכה בתלמידים לפני שהם אינם קיימים. כרטיס זה משתמש בלמידת מכונה כדי לנטר את דפוסי המעורבות הדיגיטלית של הכיתה, וכן בכל תלמיד בנפרד ולהודיע למורים כאשר התלמידים מציגים סימנים המוקדמים של ההתנתקות. כרטיס הזרקור מספק רשימה של תלמידים שעשויים לדרוש תמיכה למחנכים בשבוע הבא, יחד עם נקודות הדיבור הספציפיות בהתבסס על שינוי התלמידים בפעילות. החיזויים הם עיצוביים לגמרי, והשימוש בהם הוא רק על אותות התקשרות דיגיטלית הזמינים ב- חינוכיות Insights, לא נאספים נתונים נוספים.
כיצד מורים צריכים להשתמש בכרטיס הזרקור?
כמחנך, אתה יודע ומבין את התלמידים שלך בצורה הטובה ביותר. זרקור זה נועד להאיר אור על למידה ומעורבות של תלמידים כדי לעזור למורים לתמוך בהתבלטות כדי להעצים את הסטודנטים שלהם במידה שווה.
כלי זה נועד לשמש בשילוב עם קשרי גומלין אישיים והבנה של היכולות והנסיבות של התלמיד. זרקורים אינם מעריכה תלמידים, אלא מספקים למורים הזדמנויות לבנות על קשרי הגומלין הקיימים שלהם ולהבחין בין התמיכה.
חשוב: ייתכן שתלמידים מסוימים הזקקו לתמיכה מפגין את הצורך שלהם בעקביות. תלמידים שאינם פעילים באופן עקבי לא יסומנת בכרטיס התמיכה של התלמידים, כי הם לא סיפקו נתוני פעילות לפרשנות. שים לב לכרטיס הזרקור של הפעילות כדי לזהות תלמידים שאינם פעילים, כי זהו מחוון נוסף שתלמידים זקוקים לתמיכה.
מחקר עבור כרטיס התמיכה של התלמיד
ההסכמה בקהילת המחקר הפדגוגי היא שירידה במעורבות היא סימן שתלמידים חווים אתגרים ועשויים להיתקל בסיכון מוגבר לירידה מאחור (כריסטסנסון, רשלי וולי, 2012;), וש נתוני המעורבות הדיגיטלית של התלמידים יכולים לשמש כדי להעריך את רמת המעורבות שלהם ולנבא עם אופני פעולה עתידיים והישגים ברמת דיוק גבוהה. בנוסף, ניתן להשתמש בנתונים אלה כדי לזהות תלמידים "בסיכון", מאחר שהוא תואם במיוחד להישגים אקדמיים (Asarta ושמידט, 2013; Baradwaj, Brijesh Kumar, and Saurabh Pal., 2012; בק, 2004; קמפבל ואח', 2006; גולדשטיין ו-כץ, 2005; ג'ונסון, 2005; מישיגן ואח', 2011; מוריס ואח', 2005; Qu and Johnson, 2005; רפאלי ורליד, 1997; וואנג ניולין, 2002; You, 2016;).
מחקר מראה גם שהתערבות מוקדמת מסייעת לצמצם את הסיכון. יש ראיות לכך שאחוז גבוה של תלמידים בסיכון שולח אותות מצוקה הרבה לפני שהם באמת נוותר מבית הספר (ניל, בלפנץ, והרצוגה, 2007). מסיבה זו, מערכות אזהרה מוקדמת עוזרות למורים למנוע מתלמידים ליפול מההתנהלות לטקס סיום הלימודים ולמקד התערבות ותמיכה לתלמידים שצריכים אותם הכי הרבה (פינקוס, 2008).
Asarta, C. J., & שמידט, J. R. (2013). לגשת לדפוסים של חומרים מקוונים בקורס מעורבב. החלטת המדעים היומן של חינוך חדשני, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). כריית נתונים חינוכיים כדי לנתח את ביצועי התלמידים. arXiv preprint arXiv:1201.3417.
בק, ג'יי אי. (2004, אוגוסט). שימוש בתגובות כדי ליצור מודל של ההתנתקות מהתלמידים. בהליכים של הסדנת ITS2004 בבינה חברתית ורגשית בסביבות למידה (כרך). 20, לא. 2004, עמ' 88-95).
קמפבל, ג'יי פי, פינגן, ג'& קולינס, ב. (2006, יולי). ניתוח אקדמי: שימוש ב- CMS כמערכת אזהרה מוקדמת. בכנס השפעה של WebCT.
כריסטסנסון, ס.ל., רשלי, איי.אל., & ויילי, ג. (Eds.). (2012). חוברת מחקר בנושא מעורבות תלמידים. מדעי האביב & מדיה עסקית.
גולדשטיין, פי.ג'יי, & כץ, ר. נ. (2005). ניתוח אקדמי: השימוש במידע ניהולי ובטכנולוגיה בהשכלה גבוהה (כרך.) 8, מספר 1, עמ' 1-12). Ed.
ג'ונסון, ג'י.אם. (2005). התזכורת של התלמידים, ההישגים האקדמיים והשימוש ב- WebCT. יומן הטכנולוגיה החינוכית &,8(2), 179-189.
מישיגן, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). הפרעה, השתתפות וביצועים בסביבות למידה מקוונות. מחשבים & חינוך, 56(1), 243-252.
מוריס, ל. וי, פינגן, ג'& וו, ס. (2005). מעקב אחר התנהגות התלמידים, התמדה והישגים בקורסים מקוונים. האינטרנט וההשכלה הגבוהה, 8(3), 221-231.
נילס, מ.ג., בלפנץ, מ., & הרצוג, ל. (2007). מערכת אזהרה מוקדמת. ההנהלה החינוכית, 65(2), 28-33.
פיקוס, ל. (2008). שימוש בנתונים של אזהרה מוקדמת לשיפור תעריפי סיום הלימודים: סגירת סדקים במערכת החינוך. וושינגטון, DC: Alliance for Excellent Education.
ק, אל, &'ונסון, וו.אל. (2005, מאי). זיהוי מצבי המוטיבציה של הלומד בסביבות למידה אינטראקטיביות. ב - Proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and socially informed technology (pp. 547-554).
רפאלי, ס., & רביד, ז' (1997). סביבת למידה מקוונת ומבוססת-אינטרנט עבור קורס מערכות מידע: יומני רישום של Access, ליניאריות וביצועים. ב - Proc. Inf. Syst. Educ. Conf (כרך). 97, עמ' 92-99).
ואנג, א. י., & ניולין, מ.ה. (2002). חיזויים של ביצועי סטודנטים באינטרנט: התפקיד של יעילות עצמית והסיבות לקית כיתה מקוונת. מחשבים בהתנהלותאנושית, 18(2), 151-163.
אתה, ג'יי וו. (2016). זיהוי מחוונים משמעותיים באמצעות נתוני LMS כדי לחזות הישגי קורס בלמידה מקוונת. האינטרנט וההשכלה הגבוהה, 29, 23-30.
חיזוי של דחיית תלמידים בפעילות
מודל למידת המכונה לוקח את דפוסי הפעילות הדיגיטלית של כל תלמיד בודד במהלך שלושת השבועות האחרונים ומשתמש בנתונים אלה כדי לזהות תלמידים פעילים היום, אך הצגו מחוונים המוקדמים שרמת המעורבות שלהם עשויה ליורדים בשבוע הבא. המודל לוקח בחשבון את דפוסי הלמידה הספציפיים של המערכת האקולוגית של הכיתה, וכן חשבונאות לגבי פערים בפעילות הכיתה כתוצאה מחופשות וחגים. החיזוי של מעורבות התלמידים הוא יחיד, עם ההבנה שתלמידים שונים עשויים להציג דפוסי פעילות שונים, ולא קיים דבר כזה התנהגות "רגילה". זרקורים אלה של תמיכה עבור תלמידים אינם מעריכה תלמידים, אלא מזהים דפוסי פעילות משמעותיים מספיק כדי לציין את הצורך הפוטנציאלי לתמיכה ולהעצים את המורים להתערב מוקדם.
אותות הפעילות המשמשים כקלט עבור המודל כוללים:
-
תבניות גישה לקובץ SharePoint: פתיחה, שינוי, הורדה, העלאה
-
תבניות גישה למטלות ולשליחה: הקצאה, פתיחה, הגשה
-
השתתפות בצ'אט בכיתה: ביקור, פרסום, מענה, הרחבה, תגובה
-
השתתפות בפגישות כיתה
-
גישה לעמודי מחברת כיתה של OneNote: עריכה, שיקוף שימוש, פרסום
חשוב: המודל משתמש בפעילות ולא בתוכן עצמו. לדוגמה, הוא אינו משתמש בתוכן מהודעות צ'אט, תוכן של מסמכים, רגשות של שיקוף או כל דבר אחר שיכול לשמש לזיהוי תלמיד זה.
נקודות שיחה
המודל מזהה עד 15% מהתלמידים בכיתה שהדגימה בנוגע לאותות פעילות, ולאחר מכן מסמן את המחוונים שכל תלמיד הציג בנקודות 'שיחה'. בעת בחירת כרטיס הזרקור של תמיכת התלמידים, התלמידים שהצביעו על ההתנתקות יופיעו לצד נקודות שיחה שנועדו לעזור לך ליזום שיחה לגבי צרכי התמיכה של תלמיד זה.
נקודות שיחה שאתה עשוי לראות בכרטיסי זרקור של תמיכה לתלמידים כוללות:
-
השתתפה בדיונים דיגיטליים פחות
-
יזם פחות דיונים דיגיטליים
-
הגיב לפחות הודעות Teams
-
השתתף בהזדמנויות למידה דיגיטלית פחות
-
ניגשה לפחות חומרי כיתה מקוונים
-
מפעילה מטלות Teams מאוחר מהרגיל
-
עובד פחות במחברת הכיתה של OneNote
פרטיות ובינה מלאכותית אחראית
אנו ב- Microsoft דואגים מאוד לפרטיות ולשימוש אתי בבינה מלאכותית. לכן, עקרונות הפרטיות הבאים מוטבעים במודל:
-
המודל מאומן באופן עיניים, כלומר למדעני הנתונים שלנו אין גישה להצגת נתוני הכיתה.
-
אנו משתפים תובנות רק לגבי תלמידים עם אנשים שכבר יש להם גישה לנתונים המשמשים כמקורם, ויש להם היכרות אישית עם התלמיד. כלומר, מחנך הכיתה.
-
המודל לעולם לא יפרופיל תלמיד כ'טוב' או 'רע'. אנו שואפים לתמוך במורים לקבל החלטות מושכלות בנוגע לתלמידים שלהם על-ידי שיתוף תצפיות מטרות של נתונים באופן לא שיקול דעת.
-
המודל מכוון להימנע מה הטיה והוא אינו משתמש במידע מזהה כלשהו (כגון שם, מגדר או גזע). המודל משתמש רק במידע התנהגותי מהאינטראקציות של התלמידים ב- Teams.
-
החיזוי הוא תבניתי לגמרי, כלומר הוא נועד להתריע בפני מורים ולתמוך בהם בשינוי התררגול שלהם כדי לסייע לתלמידים שלהם, אך אינו נשמר במסד הנתונים 'תובנות' לסקירה עתידית. זהו השתקפות של אופן פעולה בנקודה ספציפית בזמן ולא צריך להשתמש בו להערכה רשמית של תלמיד כלשהו.
מגבלות מודל
-
המודל בוחן כיתה אחת בכל פעם. אם תבנית הפעילות של תלמיד נדחתה בכיתה אחת והיא נוטה להיות בכיתה אחרת, ייתכן שהמורים יקבלו הודעה על הצורך לתמיכה בכיתה עם פעילות שנדחתה בלבד.
-
המודל משתמש במעורבות דיגיטלית רק באמצעות Teams כמדד. תקשורת ישירה מהתלמידים למורה, בין תלמידים או מחוצה לו, אינה נחשבת ל- Teams. פעילות דיגיטלית מחוץ ל- Teams לא תיוצג במודל.
-
כדי לאפשר חישוב ניואנסים של הזדמנויות למידה, החיזוי יתבצע רק עבור כיתות עם יותר מ- 5 תלמידים, לפחות 4 שבועות של פעילות דיגיטלית ולפחות 30% השתתפות תלמידים באחת או יותר מהפעילויות הדיגיטליות המשמשות את המודל.
זקוק לעזרה נוספת?
מעוניין באפשרויות נוספות?
גלה את יתרונות המנוי, עיין בקורסי הדרכה, למד כיצד לאבטח את המכשיר שלך ועוד.
קהילות עוזרות לך לשאול שאלות ולהשיב עליהן, לתת משוב ולשמוע ממומחים בעלי ידע עשיר.
