Diáktámogatás kiemelt kártyái a Oktatási Insights
Az AI-alapú diákok támogatásának reflektorfénykártyáit úgy tervezték, hogy segítsenek az oktatóknak megkülönböztetni a figyelmet a diákok támogatásával, mielőtt lemaradnának. Ez a kártya gépi tanulással figyeli az osztályterem digitális előjegyzési mintáit, valamint az egyes tanulókat, és értesíti az oktatókat, ha a diákok korai leállás jeleit mutatják. A reflektorfény-kártya felsorolja azokat a diákokat, akiknek a következő héten oktatói támogatásra lehet szükségük, valamint azokat a konkrét beszélgetési pontokat, amelyek a tanulók tevékenységváltozásán alapulnak. Az előrejelzések tisztán formatívak, és csak a Oktatási Insights elérhető digitális előjegyzési jelekre támaszkodnak, további adatok gyűjtése nem történik meg.
Hogyan használhatják az oktatók a reflektorfény kártyát?
Oktatóként ön ismeri és értelmezi a legjobban a tanulókat. Ennek a reflektorfénynek az a célja, hogy világos legyen a diákok tanulásában és elkötelezettségében, így segítve az oktatókat abban, hogy megkülönböztetett támogatást kapjanak, hogy a diákokat egyenlően segítsék.
Ezt az eszközt személyes kapcsolatokkal és a tanuló képességeinek és körülményeinek megértésével együtt kell használni. A reflektorfények nem értékelik a diákokat, hanem lehetőséget biztosítanak az oktatóknak arra, hogy meglévő kapcsolataikra építsék és megkülönböztetjék a támogatást.
Fontos: Előfordulhat, hogy a támogatásra szoruló diákok egy része konzisztens inaktivitással mutatja be az igényét. A folyamatosan inaktív diákok nem lesznek kiemelve a diáktámogatási kártyán, mivel nem adtak meg értelmezendő tevékenységadatokat. Kérjük, fordítson különös figyelmet a Tevékenységfókusz kártyára az inaktív diákok azonosításához, mivel ez egy másik olyan jelzés, amely szerint a diákoknak támogatásra van szükségük.
Kutatás a diáktámogatási kártyához
A pedagógiai kutatóközösségben az a konszenzus, hogy a részvétel hanyatlása azt jelzi, hogy a diákok kihívásokat tapasztalnak, és nagyobb eséllyel szembesülnek a lemaradással (Christenson, Reschly és Wylie, 2012;), és hogy a diákok digitális előjegyzési adatai felhasználhatók a részvételi szint értékelésére, valamint a jövőbeli viselkedések és eredmények nagy pontosságú előrejelzésére. Ezen kívül ezek az adatok felhasználhatók a "veszélyeztetett" diákok azonosítására, mivel szorosan összefüggnek a tudományos eredményekkel (Asarta és Schmidt, 2013; Baradwaj, Brijesh Kumar, and Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein és Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu and Johnson, 2005; Rafaeli és Ravid, 1997; Wang és Newlin, 2002; You, 2016;).
A kutatások azt is mutatják, hogy a korai beavatkozás segít csökkenteni ezt a kockázatot. Bizonyíték van arra, hogy a veszélyeztetett tanulók nagy százaléka vészjelzéseket küld jóval azelőtt, hogy ténylegesen kilépnének az iskolából (Neild, Balfanz és Herzog, 2007). Ezért a korai figyelmeztető rendszerek segítenek az oktatóknak megakadályozni, hogy a diákok leeshessenek a pályáról a diplomaosztóig, és célba vegyenek beavatkozásokat és támogatást azoknak a diákoknak, akiknek a legnagyobb szükségük van rájuk (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Online anyagok hozzáférési mintái vegyes kurzusban. Decision Sciences Journal of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Oktatási adatok kibányászata a diákok teljesítményének elemzéséhez. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, augusztus). Válaszidők használata a diákok kivezetésének modellezéséhez. In Proceedings of the ITS2004 Workshop on Social and Emotional Intelligence in Learning Environments (Vol. 20, No. 2004, pp. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, július). Tudományos elemzés: A CMS használata korai figyelmeztető rendszerként. A WebCT hatáskonferenciáján.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). A diákok bevonására vonatkozó kutatás kézikönyve. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Tudományos elemzés: A vezetői információk és a technológia alkalmazása a felsőoktatásban (vol. 8, No. 1, pp. 1-12). Educause.
Johnson, G. M. (2005). A diákok elidegenítése, a tudományos eredmények és a WebCT használata. Journal of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Procrastination, participation, and performance in online learning environments. Számítógépek & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). A diákok viselkedésének, megőrzésének és eredményeinek nyomon követése online kurzusokon. Az internet és a felsőoktatás, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Egy korai figyelmeztető rendszer. Oktatási vezetés, 65(2), 28-33.
Pinkus, L. (2008). Korai figyelmeztetési adatok használata a diplomaosztó arányának javításához: A repedések lezárása az oktatási rendszerben. Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, május). A tanuló motivációs állapotának észlelése interaktív tanulási környezetben. In Proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and socially informed technology (A tanulás támogatása intelligens és társadalmilag tájékozott technológiával) című 2005 . évi konferencia (547–554. o.).
Rafaeli, S., & Ravid, G. (1997). Online, webalapú tanulási környezet információs rendszerekhez tanfolyam: Hozzáférési naplók, linearitás és teljesítmény. In Proc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). A webtanulók teljesítményének prediktorai: Az önhatás szerepe és az on-line osztály felvételének okai. Számítógépek az emberi viselkedésben, 18(2), 151-163.
Te, J. W. (2016). Jelentős mutatók azonosítása LMS-adatokkal az online tanulás során elért eredmények előrejelzéséhez. Az internet és a felsőoktatás, 29, 23-30.
A tanulók tevékenységbeli hanyatlásának előrejelzése
A gépi tanulási modell az egyes tanulók digitális tevékenységi mintáit veszi alapul az elmúlt három hétben, és az adatok alapján azonosítja azokat a diákokat, akik jelenleg aktívak, de korai jelzéseket mutattak arra vonatkozóan, hogy a részvételi szintjük a következő héten csökkenhet. A modell figyelembe veszi az osztályterem-ökoszisztéma sajátos tanulási mintáit, valamint figyelembe veszi a szabadságokból és ünnepekből eredő osztálytevékenységek hiányosságait. A tanulók bevonásának előrejelzése egyéni, azzal a megértéssel, hogy a különböző tanulók különböző tevékenységmintákat mutathatnak, és nincs olyan, hogy "normális" viselkedés. Ezek a diáktámogatási reflektorfények nem értékelik a diákokat, hanem olyan tevékenységmintákat azonosítanak, amelyek elég jelentősek ahhoz, hogy jelezzék a lehetséges támogatásra való igényt, és lehetővé teszik az oktatók számára, hogy korán beavatkozzanak.
A modell bemeneteként használt tevékenységjelek a következők:
-
SharePoint-fájlelérési minták: Megnyitás, Módosítás, Letöltés, Feltöltés
-
Hozzárendelések és beküldési hozzáférési minták: hozzárendelés, megnyitás, beadás
-
Csoportos csevegésben való részvétel: látogatás, közzététel, válasz, kibontás, reagálás
-
Osztályértekezletek részvétele
-
OneNote-osztályjegyzetfüzet-lapok elérése: szerkesztés, használat tükrözése, bejegyzés
Fontos: A modell nem magát a tartalmat, hanem tevékenységet használ. Például NEM használ csevegőüzenetekből, dokumentumok tartalmából, érzelmek tükrözéséből vagy bármiből származó tartalmat, amely az adott tanuló azonosítására használható.
Beszédpontok
A modell az osztály azon tanulóinak akár 15%-át azonosítja, akik a tevékenységjelekkel kapcsolatban bizonyítottak, majd kiemeli azokat a mutatókat, amelyeket az egyes tanulók a beszélgetési pontokon jelenítenek meg. Ha kiválasztja a tanulói támogatás reflektorfénykártyáját, a leállás korai jelzéseit mutató diákok a beszédpontok mellett jelennek meg, amelyek segítségével beszélgetést kezdeményezhet az adott diák támogatási igényeiről.
A diáktámogatási reflektorfénykártyákon a következő témákat láthatja:
-
már részt vesz a digitális viták kevesebb
-
kevesebb digitális vitafórumot kezdeményezett
-
kevesebb Teams-üzenetre reagált
-
részt vett a digitális tanulási lehetőségek kevesebb
-
kevesebb online tananyaghoz fért hozzá
-
a szokásosnál később kezdi el a Teams-feladatokat
-
kevesebbet dolgozott a OneNote-osztályjegyzetfüzetében
Adatvédelem és felelős AI
A Microsoftnál mélyen törődünk a mesterséges intelligencia adatvédelemmel és etikus használatával. Ezért a következő adatvédelmi alapelvek vannak beágyazva a modellbe:
-
A modell betanítása kitekintő módon történik, ami azt jelenti, hogy az adatelemzőknek nincs hozzáférésük az osztályadatok megtekintéséhez.
-
A tanulókkal kapcsolatos megállapításokat csak olyan személyekkel osztjuk meg, akik már hozzáférnek a mögöttes adatokhoz, és ismerik a diák személyes ismereteit. azaz az osztálypedagógus.
-
A modell soha nem fog "jóként" vagy "rosszként" ábrázolni egy tanulót. Célunk, hogy támogassuk az oktatókat abban, hogy tájékozott döntéseket hozzanak a diákjaikról azáltal, hogy objektív megfigyeléseket osztanak meg az adatokról, nem ítélkező módon.
-
A modell szándékos a torzítás elkerülése érdekében, és nem használ azonosító adatokat (például nevet, nemet vagy fajt). A modell csak a Diákok interakcióiból származó viselkedési információkat használja a Teamsben.
-
Az előrejelzés tisztán formatív, vagyis arra szolgál, hogy riasztást küldjön az oktatóknak, és támogassa őket abban, hogy módosítsák a gyakorlatukat, hogy azok a diákok javát szolgálják, de a Későbbi felülvizsgálat céljából nem lesz mentve az Insights-adatbázisban. Ez a viselkedés tükrözése egy adott időpontban, és nem használható a diákok hivatalos értékelésére.
Modellkorlátozások
-
A modell egyszerre egy osztályt vizsgál. Ha egy tanuló tevékenységmintája az egyik osztályban csökkent, és egy másikban hajlik, az oktatók értesítést kaphatnak arról, hogy csak az elutasított tevékenységgel rendelkező osztályban van szükség támogatásra.
-
A modell csak a Teamsen keresztüli digitális előjegyzést használja mértékként. A diákok és az oktatók közötti, illetve a Teamsen kívüli közvetlen kommunikáció nem számít. A Modellben nem jelennek meg a Teamsen kívüli digitális tevékenységek.
-
A tanulási lehetőségek árnyalt kiszámításának lehetővé tétele érdekében az előrejelzést csak 5-nél több tanulóval rendelkező osztályokra, legalább 4 hetes digitális tevékenységre és a modell által használt digitális tevékenységek legalább 30%-ában való részvételre hajtják végre.
További segítségre van szüksége?
További lehetőségeket szeretne?
Fedezze fel az előfizetés előnyeit, böngésszen az oktatóanyagok között, ismerje meg, hogyan teheti biztonságossá eszközét, és így tovább.
A közösségek segítségével kérdéseket tehet fel és válaszolhat meg, visszajelzést adhat, és részletes ismeretekkel rendelkező szakértőktől hallhat.
