Education Insightsの学生サポート スポットライト カード
AI ベースの 学生サポート スポットライト カードは、教師が遅れる前に学生をサポートする注意を区別できるように設計されています。 このカードは機械学習を使用して、教室のデジタルエンゲージメント パターンと個々の学生を監視し、学生が離職の早期兆候を示したときに教育者に通知します。 スポットライト カードには、次の週に教育者のサポートが必要になる可能性がある学生の一覧と、学生のアクティビティの変化に基づく具体的な話し合いのポイントが表示されます。 予測は純粋に形式的であり、Education Insightsで利用可能なデジタル エンゲージメントシグナルにのみ依存します。追加のデータは収集されません。
教育者はスポットライト カードをどのように使用する必要がありますか?
教育者は、学生を最もよく知り、理解しています。 このスポットライトは、学生の学習と関与に光を当て、学生が公平に力を与えるサポートを区別できるように教育者を支援するように設計されています。
このツールは、個人的な関係と学生の能力と状況の理解と組み合わせて使用することを目的としています。 スポットライトは学生を評価するのではなく、教育者が既存の関係を築き、サポートを区別する機会を提供します。
重要: サポートが必要な学生の中には、一貫性のないニーズを示している場合があります。 一貫して非アクティブな学生は、解釈するアクティビティ データを提供していないため、学生サポート カードでは強調表示されません。 アクティビティ スポットライト カードに注意を払って、非アクティブな学生を特定してください。これは、学生がサポートを必要とするもう 1 つのインジケーターです。
学生サポート カードの調査
教育学研究コミュニティのコンセンサスは、エンゲージメントの低下は、学生が課題を経験し、(Christenson、Reschly、Wylie、2012;)、学生のデジタルエンゲージメント データを使用してエンゲージメントのレベルを評価し、将来の高い行動と実績を予測できることを示す指標です。 さらに、このデータは、学業成績 (Asarta と Schmidt、 2013;Baradwaj、Brijesh Kumar、Saurabh Pal.、2012;Beck、2004;Campbell et al., 2006;Goldstein と Katz、2005;2005 年、2011 年、2005 年、Qu と Johnson、2005;ラフェティとラビッド、1997;ワンとニューリン、2002;You, 2016;).
また、調査では 、早期介入がそのリスクを軽減するのに役立つことも示されています。 危険にさらされている学生の割合が高い場合、学校を退学するずっと前 (Neild、Balfanz、Herzog、2007) の間に、ストレス信号が送信されるという証拠があります。 このため、早期警告システムは、教育者が学生が卒業までの軌道から落ちないようにし、それらを最も必要とする学生 (Pinkus、2008) への介入とサポートをターゲットにするのに役立ちます。
Asarta、C. J.、& Schmidt、J. R. (2013). ブレンドされたコースでオンライン マテリアルのパターンにアクセスします。 革新的教育のデシジョン サイエンス ジャーナル, 11(1), 107-123.
Baradwaj、B. K.、& Pal、S. (2012)。 学生のパフォーマンスを分析するための教育データのマイニング。 arXiv preprint arXiv:1201.3417。
Beck、J. E. (2004 年 8 月)。 応答時間を使用して学生の離脱をモデル化する。 ITS2004 学習環境におけるソーシャルインテリジェンスとエモーショナル インテリジェンスに関するワークショップの講演 (Vol. 20, No. 2004, pp. 88-95)。
Campbell、J. P.、Finnegan、C.、& Collins、B. (2006 年 7 月)。 学術分析: CMS を早期警告システムとして使用する。 WebCT 影響会議で。
Christenson、S. L.、Reschly、A. L.、& Wylie、C. (Eds.)。 (2012). 学生の関与に関する研究の手引き。 Springer Science & Business Media。
Gold&、P. J.、R. N. (2005). 学術分析: 教育機関における管理情報とテクノロジの使用 (Vol. 8、No. 1、pp. 1-12)。 Educause。
Johnson,G. M. (2005). 学生の疎外、学歴、WebCT の使用。 教育技術&の研究,8(2), 179-189.
ミチノーフ、N.、Brunot、S.、Le Bohec、O.、Juhel、J.、& Delaval、M. (2011)。 オンラインラーニング環境での先延ばし、参加、パフォーマンス。 コンピューター & Education, 56(1), 243-252.
モーリス、L. V.、Finnegan、C.、& Wu、S. S. (2005). オンライン コースでの学生の行動、永続性、実績を追跡する。 インターネットと高等教育, 8(3), 221-231.
Neild、R. C.、Balfanz、R.、& Herzog、L. (2007)。 早期警告システム。 教育のリーダーシップ、 65(2)、28-33。
Pinkus、L. (2008)。 早期警告データを使用して卒業率を向上させる:教育システムの終わりの割れ。 ワシントン DC: 優れた教育のための提携。
Qu、L.、& Johnson、W. L. (2005 年 5 月)。 対話型学習環境で学習者の動機付け状態を検出する。 教育における人工知能に関する 2005 年の会議の議事録: インテリジェントで社会的に情報に基づくテクノロジを通じた学習のサポート (pp. 547-554)。
ラビティ、S.、& Ravid、G. (1997)。 情報システム コース用のオンラインの Web ベースの学習環境:アクセス ログ、線形性、パフォーマンス。 Proc. Inf. Syst. Educ. Conf (Vol. 97、pp. 92-99)。
ワン、A. Y.、& Newlin、M. H. (2002). Web-student のパフォーマンスの予測器: 自己効力の役割と、オンライン クラスを受け取る理由。 人間の行動におけるコンピューター、 18(2)、151-163。
You, J. W. (2016). LMS データを使用してオンラインラーニングのコース実績を予測する重要な指標を特定する。 インターネットと高等教育、 29、23-30。
学生のアクティビティの減少の予測
機械学習モデルは、過去 3 週間の個々の学生のデジタル アクティビティ パターンを受け取り、そのデータを使用して、現在アクティブだが、今後 1 週間でエンゲージメント レベルが低下する可能性があることを示している学生を識別します。 このモデルでは、教室エコシステムの特定の学習パターンと、休暇と休日に起因するクラス アクティビティのギャップを考慮に入れます。 学生の関与の予測は個々のものであり、異なる学生が異なるアクティビティ パターンを示す可能性があり、"通常の" 動作などがないことを理解しています。 これらの学生サポート スポットライトは、学生を評価するのではなく、サポートの潜在的な必要性を示し、教育者が早期に介入できるようにするのに十分に重要なアクティビティ パターンを特定します。
モデルの入力として使用されるアクティビティシグナルは次のとおりです。
-
SharePoint ファイル アクセス パターン: 開く、変更する、ダウンロードする、アップロードする
-
割り当てと申請のアクセス パターン: 割り当て、開く、ターンイン
-
クラス チャットへの参加: アクセス、投稿、返信、展開、対応
-
クラス会議の参加
-
OneNote クラス ノートブック ページへのアクセス: 編集、使用状況の反映、投稿
重要: モデルでは、コンテンツ自体ではなくアクティビティが使用されます。 たとえば、チャット メッセージのコンテンツ、ドキュメントのコンテンツ、感情の反映、その学生の識別に使用できるコンテンツは使用しません。
話すポイント
このモデルは、アクティビティシグナルに関するデモンストレーションを行ったクラスの学生の最大 15% を識別し、各学生が Talking ポイントに表示したインジケーターを強調表示します。 学生サポート スポットライト カードを選択すると、離脱の早期インジケーターを示した学生が、その学生のサポート ニーズに関する会話を開始できるように設計された Talking ポイントと共に一覧表示されます。
学生サポート スポットライト カードに表示される可能性のある話し合いのポイントは次のとおりです。
-
デジタルディスカッションへの参加が少なくなっています。
-
デジタルディスカッションの開始数が少な
-
Teams メッセージの数が少ない
-
デジタルラーニングの機会への参加が少ない
-
オンライン クラスの教材にアクセスする回数が少な
-
Teams の割り当てが通常より遅く開始されている
-
OneNote クラス ノートブックでは動作が少なくなりました
プライバシーと責任ある AI
Microsoft では、AI のプライバシーと倫理的な使用について深く関心を持っています。 そのため、次のプライバシー原則がモデルに埋め込まれています。
-
モデルは 目を離してトレーニングされます。つまり、データ サイエンティストはクラス データを表示するアクセス権がありません。
-
学生に関する Insights は、基になるデータ に既にアクセスし 、学生に対する個人的な知識を持っている個人とのみ共有します。 つまり、クラスの教育者です。
-
このモデルでは、学生を "良い" または "悪い" とプロファイリングすることはありません。 私たちは、非判断的な方法でデータの 客観的な観察 を共有することで、学生に関する情報に基づいた意思決定を行う教育者をサポートすることを目的とします。
-
このモデルはバイアスの回避を意図的に行っており、識別情報 (名前、性別、レースなど) は使用しません。 このモデルでは、Teams での学生の操作からの行動情報のみが使用されます。
-
この予測は純粋に形式的であるため、教育者にアラートを送信し、学生の利益を得るために練習の変更をサポートするように設計されていますが、将来のレビューのために Insights データベースに 保存されません 。 これは特定の時点での行動の反映であり、学生の公式な評価には使用しないでください。
モデルの制限事項
-
モデルは一度に 1 つのクラスを調べます。 学生のアクティビティ パターンが 1 つのクラスで減少し、別のクラスで傾いている場合、教師は、アクティビティが拒否されたクラスでのみサポートの必要性を通知される場合があります。
-
このモデルでは、Teams を通じたデジタルエンゲージメントのみがメジャーとして使用されます。 学生から教育者、学生間、または Teams の外部への直接の通信は考慮されません。 Teams の外部でのデジタル アクティビティは、モデルでは表されません。
-
学習機会の微妙な計算を可能にするために、予測は、5 人以上の学生、少なくとも 4 週間のデジタルアクティビティ、およびモデルで使用される 1 つ以上のデジタル アクティビティへの少なくとも 30% の学生参加があるクラスでのみ実行されます。