교육 Insights 학생 지원 스포트라이트 카드
AI 기반 학생 지원 스포트라이트 카드는 교육자가 뒤처지기 전에 학생들을 지원하기 위해 주의를 차별화할 수 있도록 설계되었습니다. 이 카드는 기계 학습을 사용하여 각 학생뿐만 아니라 교실의 디지털 참여 패턴을 모니터링하고 학생들이 조기에 해체 징후를 보일 때 교육자에게 알립니다. 스포트라이트 카드는 다음 주에 교육자 지원이 필요할 수 있는 학생 목록과 학생의 활동 변화에 따른 특정 대화 포인트를 제공합니다. 예측은 순전히 조형적이며 교육 Insights 사용할 수 있는 디지털 참여 신호에만 의존하며 추가 데이터는 수집되지 않습니다.
교육자는 스포트라이트 카드를 어떻게 사용해야 하나요?
교육자로서 여러분은 학생들을 가장 잘 알고 이해합니다. 이 스포트라이트는 학생들이 공평하게 힘을 실어줄 수 있도록 교육자를 차별화하는 데 도움을 줄 수 있도록 학생 학습 및 참여에 빛을 비추도록 설계되었습니다.
이 도구는 개인적인 관계와 학생의 능력과 상황에 대한 이해와 함께 사용됩니다. 스포트라이트는 학생을 평가하는 것이 아니라 교육자에게 기존 관계를 구축하고 지원을 차별화할 수 있는 기회를 제공합니다.
중요: 지원이 필요한 일부 학생들은 일관된 비활성으로 자신의 필요성을 입증할 수 있습니다. 일관되게 비활성 상태인 학생은 해석할 활동 데이터를 제공하지 않았기 때문에 학생 지원 카드에 강조 표시되지 않습니다. 비활성 학생을 식별하려면 활동 스포트라이트 카드에 주의하세요. 이는 학생이 지원이 필요하다는 또 다른 지표입니다.
학생 지원 카드에 대한 연구
교육학 연구 커뮤니티의 합의는 참여 감소가 학생들이 어려움을 겪고 있으며 뒤처질 위험이 증가하고 있음을 나타내는 지표이며(Christenson, Reschly 및 Wylie, 2012;), 학생의 디지털 참여 데이터를 사용하여 참여 수준을 평가하고 높은 정확도의 미래 행동 및 성과를 예측할 수 있다는 것입니다. 또한 이 데이터는 학업 성과와 상관 관계가 높기 때문에 "위험에 처한" 학생을 식별하는 데 사용할 수 있습니다(Asarta 및 Schmidt, 2013; 바라드와즈, 브리제쉬 쿠마르, 사우라브 팔, 2012; 벡, 2004; 캠벨 외, 2006; 골드스타인과 카츠, 2005년; 존슨, 2005; Michinov 외, 2011; 모리스 외, 2005; Qu와 Johnson, 2005; 라파엘리와 라비드, 1997년; 왕과 뉴린, 2002; 당신, 2016;).
연구는 또한 초기 내정간섭이 그 리스크를 완화하는 것을 돕는다는 것을 보여줍니다. 위험에 처한 학생의 높은 비율이 실제로 학교를 중퇴하기 훨씬 전에 조난 신호를 보낸다는 증거가 있습니다 (닐드, 발판츠, 헤르조그, 2007). 이러한 이유로 조기 경고 시스템은 교육자들이 학생들이 트랙에서 졸업까지 떨어지는 것을 방지하고 가장 필요한 학생(Pinkus, 2008)에 대한 개입과 지원을 목표로 삼을 수 있도록 돕고 있습니다.
아사르타, C. J., & 슈미트, J. R. (2013). 혼합 코스에서 온라인 재질의 액세스 패턴. 혁신적인 교육의 의사 결정 과학 저널, 11(1), 107-123.
바라드와즈, B. K., & Pal, S. (2012). 교육 데이터를 마이닝하여 학생의 성과를 분석합니다. arXiv preprint arXiv:1201.3417.
벡, 제이 E. (2004년, 8월). 응답 시간을 사용하여 학생 분리 모델링 학습 환경의 사회 및 정서적 지능에 대한 ITS2004 워크샵의 절차 (Vol. 20, No. 2004, pp. 88-95).
캠벨, J. P., 피네건, C., & 콜린스, B. (2006, 7월). 학술 분석: CMS를 조기 경고 시스템으로 사용합니다. WebCT 임팩트 컨퍼런스에서.
크리스텐슨, 에스 엘, 레슐리, 에이 엘, & 와일리, C. (에드스). (2012). 학생 참여에 대한 연구 핸드북입니다. Springer Science & Business Media.
골드스타인, P. J., & 카츠, R. N. (2005). 학술 분석: 고등 교육에서 관리 정보 및 기술의 사용 (Vol. 8, No. 1, pp. 1-12). 에두카우스.
존슨, G. M. (2005). 학생 소외, 학업 성취도 및 WebCT 사용. 교육 기술 & 협회의 저널, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). 온라인 학습 환경에서 미루기, 참여 및 성능. 컴퓨터 & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). 온라인 교육 과정에서 학생 행동, 지속성 및 성취도 추적 인터넷 및 고등 교육, 8(3), 221-231.
닐드, R. C., 발판츠, R., & 헤르조그, L. (2007). 조기 경고 시스템입니다. 교육 리더십, 65(2), 28-33.
핑커스, L. (2008). 조기 경고 데이터를 사용하여 졸업률 향상: 교육 시스템의 균열 닫기. 워싱턴 DC: 우수한 교육을 위한 얼라이언스.
Qu, L., & Johnson, W. L. (2005년 5월). 대화형 학습 환경에서 학습자의 동기 부여 상태를 검색합니다. 교육의 인공 지능에 대한 2005 회의의 절차에서 : 지능적이고 사회적으로 정보에 입각한 기술을 통해 학습 지원 (pp. 547-554).
라파엘리, 에스, & 래비드, G. (1997). 정보 시스템 과정에 대한 온라인 웹 기반 학습 환경: 로그, 선형성 및 성능에 액세스합니다. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).
왕, A. Y., & 뉴린, M. H. (2002). 웹-학생 성능 예측 요인: 자기 효능의 역할 및 온라인 클래스를 사용하는 이유입니다. 인간의 행동에 컴퓨터, 18(2), 151-163.
당신, J. W. (2016). LMS 데이터를 사용하여 온라인 학습에서 과정 성취도를 예측하는 중요한 지표 식별 인터넷 및 고등 교육, 29, 23-30.
학생 활동 감소 예측
기계 학습 모델은 지난 3주 동안 각 개별 학생의 디지털 활동 패턴을 사용하고 해당 데이터를 사용하여 현재 활성 상태이지만 다음 주에 참여 수준이 떨어질 수 있다는 초기 지표를 보여 준 학생을 식별합니다. 이 모델은 교실 에코시스템의 특정 학습 패턴을 고려하고 휴가 및 휴일로 인한 수업 활동의 차이를 고려합니다. 학생 참여 예측은 개별이며, 다른 학생이 다른 활동 패턴을 나타낼 수 있으며 "정상적인" 동작과 같은 것은 없다는 것을 이해합니다. 이러한 학생 지원 스포트라이트는 학생을 평가하지 않고 지원의 잠재적 필요성을 나타내고 교육자가 조기에 개입할 수 있도록 충분히 중요한 활동 패턴을 식별합니다.
모델에 대한 입력으로 사용되는 활동 신호는 다음과 같습니다.
-
SharePoint 파일 액세스 패턴: 열기, 수정, 다운로드, 업로드
-
할당 및 제출 액세스 패턴: 할당, 열기, 턴인
-
수업 채팅 참여: 방문, 게시, 회신, 확장, 반응
-
수업 모임 참가
-
OneNote 수업용 전자 필기장 페이지 액세스: 편집, 사용량 반영, 게시
중요: 모델은 콘텐츠 자체가 아닌 활동을 사용합니다. 예를 들어 채팅 메시지, 문서 콘텐츠, 감정 반영 또는 해당 학생을 식별하는 데 사용할 수 있는 모든 항목의 콘텐츠를 사용하지 않습니다.
대화 포인트
이 모델은 활동 신호와 관련하여 시연한 수업의 학생 중 최대 15%를 식별한 다음, 각 학생이 말하는 지점에 표시한 지표를 강조 표시합니다. 학생 지원 스포트라이트 카드를 선택하면 초기 해체 지표를 보여 준 학생이 해당 학생의 지원 요구 사항에 대한 대화를 시작하는 데 도움이 되도록 설계된 대화 포인트와 함께 나열됩니다.
학생 지원 스포트라이트 카드에서 볼 수 있는 대화 포인트는 다음과 같습니다.
-
은 디지털 토론에 덜 참여하고있다
-
은 디지털 토론을 더 적게 시작했습니다.
-
는 적은 수의 Teams 메시지에 반응했습니다.
-
디지털 학습 기회에 덜 참여했습니다.
-
는 더 적은 수의 온라인 수업 자료에 액세스하고 있습니다.
-
은 평소보다 늦게 Teams 할당을 시작했습니다.
-
OneNote 수업용 전자 필기장에서 덜 작동했습니다.
개인 정보 보호 및 책임 있는 AI
Microsoft는 AI의 개인 정보 보호 및 윤리적 사용에 대해 매우 중요합니다. 따라서 다음 개인 정보 보호 원칙이 모델에 포함됩니다.
-
모델은 눈을 떼지 않는 방식으로 학습됩니다. 즉, 데이터 과학자는 클래스 데이터를 볼 수 있는 액세스 권한이 없습니다.
-
우리는 이미 기본 데이터에 액세스 할 수 있고 학생에 대한 개인적인 친숙함이 있는 개인 과 학생에 대한 인사이트만 공유합니다. 즉, 수업 교육자입니다.
-
모델은 학생을 '좋은' 또는 '나쁜'으로 프로파일하지 않습니다. 우리는 비 판단 방식으로 데이터의 객관적인 관찰 을 공유하여 학생에 대한 정보에 입각한 결정을 내릴 수 있도록 교육자를 지원하는 것을 목표로합니다.
-
모델은 편견을 피하기 위한 의도적인 것이며 식별 정보(예: 이름, 성별 또는 인종)를 사용하지 않습니다. 이 모델은 Teams에서 학생들의 상호 작용에 대한 동작 정보만 사용합니다.
-
예측은 순전히 조형적입니다. 즉, 교육자를 경고하고 학생에게 이익을 주기 위해 사례를 수정할 수 있도록 설계되었지만 향후 검토를 위해 Insights 데이터베이스 내에 저장되지 않습니다 . 특정 시점의 행동을 반영하며 학생의 공식 평가에 사용해서는 안됩니다.
모델 제한 사항
-
모델은 한 번에 하나의 클래스를 검사합니다. 한 수업에서 학생의 활동 패턴이 감소하고 다른 수업에서 기울어진 경우 교육자는 활동이 거부된 수업에서만 지원해야 한다는 알림을 받을 수 있습니다.
-
이 모델은 Teams를 통한 디지털 참여만 측정값으로 사용합니다. 학생에서 강사로, 학생 간 또는 Teams 외부에서 직접 통신하는 것은 고려되지 않습니다. Teams 외부의 디지털 활동은 모델에 표시되지 않습니다.
-
학습 기회의 미묘한 계산을 허용하기 위해 예측은 5명 이상의 학생, 최소 4주 이상의 디지털 활동 및 모델에서 사용하는 하나 이상의 디지털 활동에 30% 이상의 학생 참여가 있는 수업에 대해서만 수행됩니다.
도움이 더 필요하세요?
더 많은 옵션을 원하세요?
구독 혜택을 살펴보고, 교육 과정을 찾아보고, 디바이스를 보호하는 방법 등을 알아봅니다.
커뮤니티를 통해 질문하고 답변하고, 피드백을 제공하고, 풍부한 지식을 갖춘 전문가의 의견을 들을 수 있습니다.
