Topik terkait
×
Masuk dengan Microsoft
Masuk atau buat akun.
Halo,
Pilih akun lain.
Anda memiliki beberapa akun
Pilih akun yang ingin Anda gunakan untuk masuk.

Kartu sorotan dukungan Siswa berbasis AI dirancang untuk membantu pendidik membedakan perhatian untuk mendukung siswa sebelum mereka tertinggal. Kartu ini menggunakan pembelajaran mesin untuk memantau pola keterlibatan digital ruang kelas serta setiap siswa individu dan memberi tahu pendidik ketika siswa menunjukkan tanda-tanda awal pemberontakan. Kartu sorotan menyediakan daftar siswa yang mungkin membutuhkan dukungan pendidik pada minggu berikutnya, bersama dengan poin pembicaraan tertentu berdasarkan perubahan aktivitas siswa. Prediksi murni formatif dan hanya mengandalkan sinyal keterlibatan digital yang tersedia dalam Insights Pendidikan, tidak ada data tambahan yang dikumpulkan.

Bagaimana cara pendidik menggunakan kartu sorotan?

Sebagai pendidik, Anda tahu dan memahami siswa Anda dengan baik. Sorotan ini dirancang untuk menyoroti pembelajaran dan keterlibatan siswa untuk membantu pendidik dalam membedakan dukungan untuk memberdayakan siswa mereka secara menyeluruh.

Alat ini dimaksudkan untuk digunakan dalam kombinasi dengan hubungan pribadi dan pemahaman tentang kemampuan dan keadaan siswa. Sorotan tidak mengevaluasi siswa, tetapi lebih memberikan kesempatan bagi pendidik untuk membangun hubungan mereka yang sudah ada dan membedakan dukungan.

contoh kartu dukungan siswa berbunyi: 5 siswa mungkin memerlukan lebih banyak dukungan minggu depan.

Penting: Beberapa siswa yang membutuhkan dukungan mungkin menunjukkan kebutuhan mereka dengan ketidakaktifan yang konsisten. Siswa yang tidak aktif secara konsisten tidak akan disorot dalam kartu dukungan siswa, karena mereka belum memberikan data aktivitas untuk diinterpretasikan. Harap perhatikan kartu sorotan Aktivitas untuk mengidentifikasi siswa yang tidak aktif, karena itu adalah indikator lain yang memerlukan dukungan siswa.

Riset untuk kartu dukungan siswa

Konsekuensi dalam komunitas penelitian pedagogik adalah bahwa penurunan keterlibatan adalah indikator bahwa siswa mengalami tantangan dan menghadapi peningkatan risiko jatuh ke belakang (Christenson, Reschly dan Wylie, 2012;), dan bahwa data keterlibatan digital siswa dapat digunakan untuk menilai tingkat keterlibatan mereka dan untuk memprediksi dengan akurasi tinggi perilaku masa depan dan prestasi. Selain itu, data ini dapat digunakan untuk mengidentifikasi siswa "berisiko", karena sangat berkorelasi dengan prestasi akademik (Asarta dan Schmidt, 2013; Baradwaj, Brijesh Kumar, dan Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein dan Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu dan Johnson, 2005; Rafaeli dan Ravid, 1997; Wang dan Newlin, 2002; Anda, 2016;).

Penelitian juga menunjukkan bahwa intervensi dini membantu mengurangi risiko tersebut. Ada bukti bahwa persentase tinggi siswa berisiko mengirim sinyal bahaya jauh sebelum mereka benar-benar putus sekolah (Neild, Balfanz, dan Herzog, 2007). Untuk alasan ini, sistem peringatan dini membantu pendidik mencegah siswa terjatuh dari jalur ke kelulusan dan untuk menargetkan intervensi dan dukungan kepada siswa yang paling membutuhkannya (Pinkus, 2008).

Asarta, C. J., & Schmidt, J. R. (2013). Akses pola materi online dalam kursus berpadu. Jurnal Ilmu Keputusan Pendidikan Inovatif, 11(1), 107-123.

Baradwaj, B. K., & Pal, S. (2012). Data pendidikan pertambangan untuk menganalisis kinerja siswa. arXiv preprint arXiv:1201.3417.

Beck, J. E. (2004, Agustus). Menggunakan waktu respons untuk memodelkan pelengkapan siswa. Dalam Proses 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, Juli). Analitik akademik: Menggunakan CMS sebagai sistem peringatan dini. Dalam konferensi dampak WebCT.

Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Buku pegangan penelitian tentang keterlibatan siswa. Springer Science & Business Media.

Goldstein, P. J., & Katz, R. N. (2005). Analitik akademik: Penggunaan informasi manajemen dan teknologi dalam pendidikan tinggi (Vol. 8, No. 1, pp. 1-12). Educause.

Johnson, G. M. (2005). Alienasi siswa, prestasi akademik, dan penggunaan WebCT. Journal of Educational Technology & Society, 8(2), 179-189.

Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Penundaan, partisipasi, dan kinerja dalam lingkungan pembelajaran online. Komputer & Pendidikan, 56(1), 243-252.

Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Melacak perilaku, kegigihan, dan prestasi siswa dalam kursus online. Internet dan Pendidikan Tinggi, 8(3), 221-231.

Neild, R. C., Balfanz, R., & Herzog, L. (2007). Sistem peringatan dini. Kepemimpinan pendidikan, 65(2), 28-33.

Pinkus, L. (2008). Menggunakan data peringatan dini untuk meningkatkan tingkat kelulusan: Penutupan retakan dalam sistem pendidikan. Washington, DC: Aliansi untuk Pendidikan Yang Sangat Baik.

Qu, L., & Johnson, W. L. (2005, Mei). Mendeteksi status motivasi pelajar dalam lingkungan pembelajaran interaktif. Dalam Proses konferensi 2005 tentang kecerdasan buatan dalam pendidikan: Mendukung pembelajaran melalui teknologi cerdas dan berinformasi sosial (hlm. 547-554).

Rafaeli, S., & Ravid, G. (1997). Lingkungan pembelajaran online berbasis web untuk kursus sistem informasi: Log akses, linearitas, dan kinerja. Di Proc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).

Wang, A. Y., & Newlin, M. H. (2002). Prediktor kinerja web-siswa: Peran kemandirian dan alasan untuk mengambil kelas on-line. Komputer dalam perilaku manusia, 18(2), 151-163.

Anda, J. W. (2016). Mengidentifikasi indikator signifikan menggunakan data LMS untuk memprediksi prestasi kursus dalam pembelajaran online. Internet dan Pendidikan Tinggi, 29, 23-30.

Prediksi penurunan aktivitas siswa

Model pembelajaran mesin mengambil pola aktivitas digital setiap siswa individu selama tiga minggu terakhir dan menggunakan data tersebut untuk mengidentifikasi siswa yang aktif saat ini tetapi telah menunjukkan indikator awal bahwa tingkat keterlibatan mereka mungkin turun dalam minggu mendatang. Model ini mempertimbangkan pola pembelajaran khusus ekosistem kelas, serta akuntansi kesenjangan dalam aktivitas kelas yang dihasilkan dari liburan dan hari libur. Prediksi keterlibatan siswa bersifat individu, dengan pemahaman bahwa siswa yang berbeda dapat menunjukkan pola aktivitas yang berbeda dan tidak ada yang namanya perilaku "normal". Sorotan dukungan siswa ini tidak mengevaluasi siswa, tetapi lebih mengidentifikasi pola aktivitas yang cukup signifikan untuk menunjukkan potensi kebutuhan akan dukungan dan memberdayakan pendidik untuk campur tangan lebih awal.

Sinyal aktivitas yang digunakan sebagai input untuk model meliputi:

  • Pola akses file SharePoint: Buka, Modifikasi, Unduh, Unggah

  • Pola akses Tugas dan Pengiriman: menetapkan, membuka, menyerahkan

  • Partisipasi obrolan kelas: kunjungi, posting, balas, perluas, bereaksi

  • Partisipasi rapat kelas

  • Akses halaman buku catatan kelas OneNote: mengedit, Mencerminkan penggunaan, memposting

bagan alur memperlihatkan bagaimana model pembelajaran mesin mengidentifikasi siswa yang berisiko mengurangi keterlibatan mereka

Penting: model menggunakan aktivitas dan bukan konten itu sendiri. Misalnya, TIDAK menggunakan konten dari pesan obrolan, konten dokumen, Mencerminkan emosi, atau apa pun yang dapat digunakan untuk mengidentifikasi siswa tersebut.  

Poin pembicaraan

Model mengidentifikasi hingga 15% siswa di kelas yang telah menunjukkan mengenai sinyal aktivitas, lalu menyoroti indikator yang ditampilkan setiap siswa dalam poin Pembicaraan. Ketika Anda memilih kartu sorotan dukungan siswa, siswa yang telah menunjukkan indikator awal pelengkapan akan dicantumkan bersama poin Pembicaraan yang dirancang untuk membantu Anda memulai percakapan tentang kebutuhan dukungan siswa tersebut.

Poin pembicaraan yang mungkin Anda lihat di Kartu sorotan dukungan Siswa meliputi:

  • telah berpartisipasi dalam diskusi digital lebih sedikit

  • telah memulai lebih sedikit diskusi digital

  • telah bereaksi terhadap lebih sedikit pesan Teams

  • telah berpartisipasi dalam peluang pembelajaran digital lebih sedikit

  • telah mengakses lebih sedikit materi kelas online

  • telah memulai tugas Teams lebih dari biasanya

  • telah bekerja lebih sedikit di buku catatan kelas OneNote mereka

Privasi dan AI yang bertanggung jawab

Di Microsoft, kami sangat peduli dengan privasi dan penggunaan AI secara etis. Oleh karena itu, prinsip privasi berikut ini disematkan dalam model:

  • Model ini dilatih menggunakan tatapan mata, yang berarti ilmuwan data kami tidak memiliki akses untuk melihat data kelas.

  • Kami hanya berbagi Wawasan tentang siswa dengan individu yang sudah memiliki akses ke data yang mendasar dan memiliki keakraban pribadi dengan siswa. yaitu pendidik kelas.

  • Model tidak akan pernah membuat profil siswa sebagai 'baik' atau 'buruk'. Kami bertujuan untuk mendukung pendidik dalam membuat keputusan yang tepat tentang siswa mereka dengan berbagi pengamatan objektif terhadap data secara non-penilaian.

  • Model ini disengaja untuk menghindari bias dan tidak menggunakan informasi identifikasi apa pun (seperti nama, jenis kelamin, atau ras). Model hanya menggunakan informasi perilaku dari interaksi siswa di Teams.

  • Prediksi ini murni formatif, yang berarti dirancang untuk memberi tahu pendidik dan mendukung mereka dalam memodifikasi praktik mereka untuk menguntungkan siswa mereka, tetapi tidak disimpan dalam database Insights untuk tinjauan mendatang. Ini adalah cerminan perilaku pada titik waktu tertentu dan tidak boleh digunakan untuk penilaian resmi siswa mana pun.

Batasan model

  • Model memeriksa satu kelas dalam satu waktu. Jika pola aktivitas siswa telah menurun dalam satu kelas dan cenderung di kelas lain, pendidik mungkin diberi tahu tentang perlunya dukungan hanya di kelas dengan aktivitas yang ditolak.

  • Model hanya menggunakan keterlibatan digital melalui Teams sebagai ukuran. Komunikasi langsung dari siswa ke pendidik, antara siswa, atau di luar Teams tidak dipertimbangkan. Aktivitas digital di luar Teams tidak akan diwakili dalam model.

  • Untuk memungkinkan perhitungan bernuansa peluang pembelajaran prediksi hanya akan dilakukan untuk kelas dengan lebih dari 5 siswa, setidaknya 4 minggu aktivitas digital dan setidaknya 30% partisipasi siswa dalam satu atau lebih aktivitas digital yang digunakan oleh model.

Perlu bantuan lainnya?

Kembangkan keterampilan Anda

JELAJAHI PELATIHAN >

Dapatkan fitur baru terlebih dahulu

GABUNG MICROSOFT INSIDER >

Apakah informasi ini bermanfaat?

Seberapa puaskah Anda dengan kualitas bahasanya?
Apa yang memengaruhi pengalaman Anda?

Terima kasih atas umpan balik Anda!

×