Schede in evidenza per il supporto degli studenti in Insights per l'istruzione
Le schede in evidenza basate sull'intelligenza artificiale per gli studenti sono progettate per aiutare i docenti a differenziare l'attenzione per supportare gli studenti prima di rientrare. Questa scheda usa un apprendimento automatico per monitorare i modelli di coinvolgimento digitale della classe, nonché ogni singolo studente e avvisare i docenti quando gli studenti mostrano i primi segni di disimpegno. La scheda in evidenza fornisce un elenco degli studenti che potrebbero aver bisogno del supporto dei docenti nella settimana successiva, insieme ai punti di discussione specifici in base ai cambiamenti dell'attività da parte degli studenti. Le previsioni sono puramente formative e si basano solo sui segnali di coinvolgimento digitale disponibili in Insights per l'istruzione, non vengono raccolti dati aggiuntivi.
In che modo i docenti devono usare la scheda In evidenza?
I docenti conoscono e comprendono al meglio gli studenti. Questo spotlight è stato progettato per mettere in luce l'apprendimento e l'impegno degli studenti per aiutare gli educatori a differenziare il supporto per mettere gli studenti in condizione di essere equi.
Questo strumento è pensato per essere usato in combinazione con le relazioni personali e la comprensione delle abilità e delle circostanze dello studente. I spotlight non valutano gli studenti, ma offrono ai docenti l'opportunità di costruire sulle relazioni esistenti e differenziare il supporto.
Importante: Alcuni studenti che hanno bisogno di supporto potrebbero dimostrare il loro bisogno di inattività coerente. Gli studenti che sono costantemente inattivi non verranno evidenziati nella scheda di supporto degli studenti, in quanto non hanno fornito dati sulle attività da interpretare. Prestare particolare attenzione alla scheda Attività in evidenza per identificare gli studenti inattivi, poiché si tratta di un altro indicatore che indica che gli studenti hanno bisogno di supporto.
Ricerca per la scheda del supporto studente
Il consenso nella comunità di ricerca pedagogica è che il declino dell'impegno è un indicatore che gli studenti stanno affrontando sfide e devono affrontare un maggiore rischio di rimanere indietro (Christenson, Reschly e Wylie, 2012;) e che i dati sul coinvolgimento digitale degli studenti possono essere usati per valutare il loro livello di coinvolgimento e prevedere con alta precisione comportamenti e risultati futuri. Inoltre, questi dati possono essere utilizzati per identificare gli studenti "a rischio", poiché sono altamente correlati ai risultati accademici (Asarta e Schmidt, 2013; Baradwaj, Brijesh Kumar e Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein e Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu and Johnson, 2005; Rafaeli e Ravid, 1997; Wang and Newlin, 2002; Tu, 2016;).
La ricerca mostra anche che l'intervento precoce aiuta a mitigare tale rischio. C'è una prova che un'alta percentuale di studenti a rischio invia segnali di disagio molto prima di abbandonare effettivamente la scuola (Neild, Balfanz, e Emoji, 2007). Per questo motivo, i sistemi di pre-allarme aiutano i docenti a evitare che gli studenti cadano in pista per la laurea e di indirizzare gli interventi e il supporto agli studenti che ne hanno più bisogno (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Accedere ai modelli di materiali online in un corso combinato. Decision Sciences Journal of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Eseguire il mining dei dati didattici per analizzare le prestazioni degli studenti. arXiv prestampa arXiv:1201.3417.
Beck, J. E. (2004, agosto). Uso dei tempi di risposta per modellare il disimpegno degli studenti. In 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, luglio). Analisi accademica: utilizzo del CMS come sistema di allarme precoce. In conferenza di impatto WebCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Manuale di ricerca sul coinvolgimento degli studenti. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Analisi accademica: uso dell'informazione e della tecnologia di gestione nell'istruzione superiore (Vol. 8, n. 1, pp. 1-12). Educausa.
Johnson, G. M. (2005). Alienazione degli studenti, risultati accademici e uso di WebCT. Journal of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Procrastinazione, partecipazione e prestazioni in ambienti di apprendimento online. Computer & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Tenere traccia del comportamento degli studenti, della persistenza e dei risultati nei corsi online. Internet e istruzione superiore, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Studios, L. (2007). Un sistema di allarme precoce. Leadership educativa, 65(2), 28-33.
Pinkus, L. (2008). Uso dei dati di early warning per migliorare i tassi di laurea: chiusura delle crepe nel sistema scolastico. Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, maggio). Rilevare gli stati motivazionali dello learner in un ambiente di apprendimento interattivo. In Procedure della conferenza 2005 sull'intelligenza artificiale nell'istruzione: sostenere l'apprendimento attraverso tecnologie intelligenti e socialmente informate (pp. 547-554).
Rafaeli, S., & Ravid, G. (1997). Ambiente di apprendimento online basato sul Web per un corso sui sistemi informativi: log di Access, linearità e prestazioni. In Inf. Proc. Syst. Educ. Conf (Vol. 97, pp. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Preditori di performance web-student: Il ruolo di auto-efficacia e motivi per prendere una classe on-line. Computer nel comportamento umano, 18(2), 151-163.
Tu, J. W. (2016). Identificare indicatori significativi usando i dati LMS per prevedere i risultati del corso nell'apprendimento online. Internet e istruzione superiore, 29, 23-30.
Previsione del declino dell'attività da parte degli studenti
Il modello di apprendimento automatico prende i modelli di attività digitali di ogni singolo studente nelle ultime tre settimane e usa tali dati per identificare gli studenti che sono attivi oggi, ma hanno mostrato indicatori preliminari che il loro livello di coinvolgimento potrebbe scendere nella prossima settimana. Il modello prende in considerazione i modelli di apprendimento specifici dell'ecosistema scolastico, oltre a tenere conto delle lacune nell'attività di classe derivanti da vacanze e vacanze. La previsione del coinvolgimento degli studenti è individuale, con la comprensione che diversi studenti possono presentare diversi modelli di attività e non esiste una cosa come il comportamento "normale". Questi corsi di supporto per gli studenti non valutano gli studenti, ma identificano piuttosto i modelli di attività abbastanza significativi da indicare la potenziale necessità di supporto e consentire ai docenti di intervenire tempestivamente.
I segnali di attività utilizzati come input per il modello includono:
-
Modelli di accesso ai file di SharePoint: Apri, Modifica, Scarica, Carica
-
Modelli di accesso ad attività e invio: assegnare, aprire, consegnare
-
Partecipazione alla chat di classe: visita, pubblica, rispondi, espandi, reagisci
-
Partecipazione alle riunioni di classe
-
Accesso alle pagine del blocco appunti di OneNote per la classe: modifica, utilizzo Reflect, post
Importante: il modello utilizza l'attività e non il contenuto stesso. Ad esempio, NON usa il contenuto dei messaggi di chat, il contenuto dei documenti, le emozioni Reflect o qualsiasi altro contenuto che possa essere usato per identificare lo studente.
Punti di discussione
Il modello identifica fino al 15% degli studenti della classe che hanno dimostrato segnali di attività, quindi evidenzia gli indicatori visualizzati da ogni studente nei punti di discussione. Quando si seleziona la scheda in evidenza del supporto per gli studenti, gli studenti che hanno mostrato i primi indicatori di disimpegno verranno elencati insieme ai punti di discussione progettati per aiutare l'utente ad avviare una conversazione sulle esigenze di supporto di tale studente.
I punti di discussione che possono essere visualizzati nelle schede in evidenza del supporto per gli studenti includono:
-
ha partecipato a discussioni digitali meno
-
ha avviato meno discussioni digitali
-
ha reagito a meno messaggi di Teams
-
ha partecipato a opportunità di apprendimento digitale meno
-
è stato l'accesso a meno materiale di classe online
-
ha iniziato le attività di Teams più tardi del solito
-
ha lavorato meno nel blocco appunti di OneNote per la classe
Privacy e intelligenza artificiale responsabile
Microsoft si occupa approfonditamente della privacy e dell'uso etico dell'intelligenza artificiale. Di conseguenza, nel modello sono incorporati i seguenti principi di privacy:
-
Il modello viene addestrato in modo sguardissimo, il che significa che i nostri data scientist non hanno accesso per visualizzare i dati della classe.
-
Microsoft condivide dati analitici sugli studenti solo con persone che hanno già accesso ai dati sottostanti e hanno familiarità personale con lo studente. ad esempio il docente della classe.
-
Il modello non profila mai uno studente come "buono" o "cattivo". L'obiettivo è supportare il docente nel prendere decisioni informate sui propri studenti condividendo osservazioni oggettive dei dati in modo non giudicante.
-
Il modello è intenzionale per evitare deviazioni e non utilizza informazioni di identificazione (ad esempio nome, sesso o razza). Il modello usa solo le informazioni comportamentali dalle interazioni degli studenti in Teams.
-
La previsione è puramente formativa, il che significa che è progettata per avvisare i docenti e supportarli nella modifica della loro pratica a vantaggio degli studenti, ma non viene salvata nel database Insights per una revisione futura. È un riflesso del comportamento in un momento specifico e non deve essere utilizzato per la valutazione ufficiale di qualsiasi studente.
Limitazioni del modello
-
Il modello esamina una classe alla volta. Se il modello di attività di uno studente è diminuito in una classe e inclinato in un'altra, i docenti possono essere informati della necessità di supporto solo per il corso con attività rifiutata.
-
Il modello utilizza solo il coinvolgimento digitale tramite Teams come misura. Non viene presa in considerazione la comunicazione diretta da uno studente a un docente, tra gli studenti o all'esterno di Teams. Le attività digitali all'esterno di Teams non saranno rappresentate nel modello.
-
Per consentire un calcolo sfumato delle opportunità di apprendimento, la previsione verrà eseguita solo per le classi con più di 5 studenti, almeno 4 settimane di attività digitale e almeno il 30% di partecipazione degli studenti a una o più attività digitali utilizzate dal modello.
Serve aiuto?
Vuoi altre opzioni?
Esplorare i vantaggi dell'abbonamento e i corsi di formazione, scoprire come proteggere il dispositivo e molto altro ancora.
Le community aiutano a porre e a rispondere alle domande, a fornire feedback e ad ascoltare gli esperti con approfondite conoscenze.
