Innholdsfortegnelse
×
Spotlight-kort for elevstøtte i Insights for utdanning

Ai-baserte Spotlight-kort for elevstøtte er utformet for å hjelpe lærere med å skille oppmerksomheten mot elever før de faller bak. Dette kortet bruker en maskinlæring til å overvåke klasserommets digitale engasjementsmønstre samt hver enkelt elev og varsle lærere når elevene viser tidlige tegn på frakobling. Spotlight-kortet gir en liste over elever som kanskje trenger lærerstøtte den påfølgende uken, sammen med de spesifikke samtalepunktene basert på elevenes endring i aktiviteten. Prognoser er rent formative og er bare avhengige av digitale forhandlingssignaler som er tilgjengelige i Insights for utdanning, ingen tilleggsdata samles inn.

Hvordan skal lærere bruke spotlight-kortet?

Som lærer kjenner og forstår du elevene dine best. Dette søkelyset er utformet for å skinne et lys over elevlæring og engasjement for å hjelpe lærere med å skille støtte for å styrke elevene likeverdig.

Dette verktøyet er ment å brukes i kombinasjon med personlige relasjoner og forståelse av elevens evner og omstendigheter. Spotlights evaluerer ikke elever, men gir heller lærere mulighet til å bygge videre på eksisterende relasjoner og skille støtte.

eksempel på elevstøttekort leser: Fem elever trenger kanskje mer støtte neste uke.

Viktig!: Noen elever som trenger støtte, viser kanskje sitt behov med konsekvent inaktivitet. Elever som er konsekvent inaktive, vil ikke bli uthevet i elevstøttekortet, da de ikke har gitt aktivitetsdata som skal tolkes. Vær oppmerksom på aktivitetslyskortet nøye for å identifisere elever som er inaktive, da det er en annen indikator på at elevene trenger støtte.

Forskning på elevstøttekortet

Enigheten i det pedagogiske forskningsmiljøet er at nedgang i engasjement er en indikator på at studentene opplever utfordringer og står overfor økt risiko for å falle bak (Christenson, Reschly og Wylie, 2012;), og at studentenes digitale engasjementsdata kan brukes til å vurdere deres engasjementsnivå og til å forutsi med høy nøyaktighet fremtidig atferd og prestasjoner. I tillegg kan disse dataene brukes til å identifisere "utsatte" studenter, da de er svært korrelert med akademiske prestasjoner (Asarta og Schmidt, 2013; Baradwaj, Brijesh Kumar og Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein og Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu og Johnson, 2005; Rafaeli og Ravid, 1997; Wang og Newlin, 2002; Du, 2016;).

Forskning viser også at tidlig intervensjon bidrar til å redusere denne risikoen. Det er bevis for at en høy andel utsatte elever sender nødsignaler lenge før de faktisk dropper ut av skolen (Neild, Balfanz og Herzog, 2007). Av denne grunn hjelper systemer med tidlig varsling lærere å hindre at elever faller av banen til eksamen og målrette intervensjoner og støtte til studenter som trenger dem mest (Pinkus, 2008).

Asarta, C. J., & Schmidt, J. R. (2013). Få tilgang til mønstre for nettmaterialer i et blandet kurs. Decision Sciences Journal of Innovative Education, 11(1), 107-123.

Baradwaj, B. K., & Pal, S. (2012). Utvinn utdanningsdata for å analysere elevenes prestasjoner. arXiv preprint arXiv:1201.3417.

Beck, J. E. (2004, august). Bruke responstid til å modellere studentavkobling. I proceedings av ITS2004 Workshop on Social and Emotional Intelligence in Learning Environments (Vol. 20, Nr. 2004, pp. 88-95).

Campbell, J. P., Finnegan, C., & Collins, B. (2006, juli). Akademisk analyse: Bruke CMS som et system for tidlig varsling. I WebCT impact conference.

Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Håndbok for forskning på studentengasjement. Springer Science & Business Media.

Goldstein, P. J., & Katz, R. N. (2005). Akademisk analyse: Bruk av administrasjonsinformasjon og teknologi i høyere utdanning (Vol. 8, Nr. 1, pp. 1-12). Educause.

Johnson, G. M. (2005). Student fremmedgjøring, akademiske prestasjoner og WebCT-bruk. Journal of Educational Technology & Society, 8(2), 179-189.

Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Utsettelse, deltakelse og ytelse i nettbaserte læringsmiljøer. Datamaskiner & Education, 56(1), 243-252.

Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Spore elevatferd, utholdenhet og prestasjoner i nettbaserte kurs. Internett og høyere utdanning, 8(3), 221-231.

Neild, R. C., Balfanz, R., & Herzog, L. (2007). Et tidlig varslingssystem. Utdanningsledelse, 65(2), 28-33.

Pinkus, L. (2008). Bruk av tidlig varslingsdata for å forbedre fullføringsgraden: Lukking av sprekker i utdanningssystemet. Washington, DC: Allianse for utmerket utdanning.

Qu, L., & Johnson, W. L. (2005, mai). Oppdage elevens motiverende tilstander i et interaktivt læringsmiljø. I proceedings av 2005 konferansen om kunstig intelligens i utdanning: Støtte læring gjennom intelligent og sosialt informert teknologi (pp. 547-554).

Rafaeli, S., & Ravid, G. (1997). Nettbasert læringsmiljø for et informasjonssystemkurs: Tilgangslogger, linearitet og ytelse. In Proc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).

Wang, A. Y., & Newlin, M. H. (2002). Prediktorer for nettstudentytelse: Rollen som selveffekt og grunner til å ta en online klasse. Datamaskiner i menneskelig atferd, 18(2), 151-163.

Du, J. W. (2016). Identifisering av betydelige indikatorer ved hjelp av LMS-data for å forutsi kursprestasjoner i nettbasert læring. Internett og høyere utdanning, 29, 23-30.

Prognose om elevnedgang i aktivitet

Maskinlæringsmodellen tar de digitale aktivitetsmønstrene til hver enkelt elev i løpet av de siste tre ukene og bruker disse dataene til å identifisere elever som er aktive i dag, men har vist tidlige indikatorer på at engasjementsnivået kan falle i den kommende uken. Modellen tar hensyn til de spesifikke læringsmønstrene i klasseromsøkosystemet, samt regnskapshull i klasseaktivitet som følge av ferier og helligdager. Prognosen for elevengasjement er individuell, med forståelsen av at ulike elever kan vise ulike aktivitetsmønstre, og det finnes ikke noe slikt som "normal" oppførsel. Disse elevstøttelysene evaluerer ikke elever, men identifiserer heller aktivitetsmønstre som er betydelige nok til å indikere potensielt behov for støtte og gi lærere mulighet til å gripe inn tidlig.

Aktivitetssignalene som brukes som inndata for modellen inkluderer:

  • Tilgangsmønstre for SharePoint-filer: Åpne, Endre, Last ned, Last opp

  • Oppgaver og tilgangsmønstre for innsending: tilordne, åpne, levere

  • Deltakelse i klassechat: besøk, legg inn, svar, utvid, reager

  • Deltakelse i klassemøter

  • Tilgang til OneNote-klassenotatblokksider: redigere, gjenspeile bruk, innlegg

flytskjema som viser hvordan maskinlæringsmodellen identifiserer elever som står i fare for å redusere engasjementet

Viktig!: modellen bruker aktivitet og ikke selve innholdet. Den bruker for eksempel IKKE innhold fra chattemeldinger, innhold i dokumenter, gjenspeiler følelser eller noe som kan brukes til å identifisere den eleven.  

Diskusjonspunkter

Modellen identifiserer opptil 15 % av elevene i klassen som har vist om aktivitetssignaler, og deretter fremhever indikatorene som hver elev viste i Talking-punkter. Når du velger elevstøtte-spotlight-kortet, vil elevene som har vist tidlige indikatorer for frakobling, bli oppført sammen med Talking-punkter som er utformet for å hjelpe deg med å starte en samtale om elevens støttebehov.

Diskusjonspunkter du kan se på spotlight-kort for elevstøtte inkluderer:

  • har deltatt i digitale diskusjoner mindre

  • har startet færre digitale diskusjoner

  • har reagert på færre Teams-meldinger

  • har deltatt i digitale læringsmuligheter mindre

  • har fått tilgang til færre nettbaserte klassematerialer

  • har startet Teams-oppgaver senere enn vanlig

  • har arbeidet mindre i OneNote-klassenotatblokken

Personvern og ansvarlig kunstig intelligens

Hos Microsoft bryr vi oss dypt om personvern og etisk bruk av kunstig intelligens. Derfor er følgende personvernprinsipper innebygd i modellen:

  • Modellen er opplært ved hjelp av en øye-off måte, noe som betyr at våre dataforskere ikke har tilgang til å se klassedataene.

  • Vi deler bare innsikt om elever med personer som allerede har tilgang til de underliggende dataene, og som har personlig kjennskap til eleven. dvs. klasselæreren.

  • Modellen vil aldri profilere en student som "god" eller "dårlig". Vi tar sikte på å støtte læreren i å ta informerte beslutninger om elevene sine ved å dele objektive observasjoner av data på en ikke-dømmende måte.

  • Modellen er bevisst om å unngå skjevheter og bruker ingen identifiserende informasjon (for eksempel navn, kjønn eller rase). Modellen bruker bare atferdsinformasjon fra elevenes samhandlinger i Teams.

  • Prognosen er rent informativ, noe som betyr at den er utformet for å varsle lærere og støtte dem i å endre sin praksis til fordel for elevene, men lagres ikke i Insights-databasen for fremtidig gjennomgang. Det er en refleksjon av atferd på et bestemt tidspunkt og bør ikke brukes til offisiell vurdering av noen student.

Modellbegrensninger

  • Modellen undersøker én klasse om gangen. Hvis en elevs aktivitetsmønster har gått ned i én klasse og tilbøyelig i en annen, kan lærere bli varslet om behovet for støtte i bare klassen med avslått aktivitet.

  • Modellen bruker bare digital engasjement gjennom Teams som et mål. Direkte kommunikasjon fra elev til lærer, mellom elever eller utenfor Teams vurderes ikke. Digital aktivitet utenfor Teams representeres ikke i modellen.

  • Hvis du vil tillate nyansert beregning av læringsmuligheter, utføres prognosen bare for klasser med mer enn fem elever, minst 4 uker digital aktivitet og minst 30 % elevdeltakelse i én eller flere av de digitale aktivitetene som brukes av modellen.

Trenger du mer hjelp?

Utvid ferdighetene dine
Utforsk opplæring
Vær først ute med de nye funksjonene
Bli med i Microsoft Insiders

Var denne informasjonen nyttig?

Hvor fornøyd er du med språkkvaliteten?
Hva påvirket opplevelsen din?

Takk for tilbakemeldingen!

×