Spotlightkaarten voor studentenondersteuning in Education Insights
Op AI gebaseerde spotlightkaarten voor studentenondersteuning zijn ontworpen om docenten te helpen onderscheid te maken tussen aandacht voor ondersteuning van leerlingen/studenten voordat ze achterop raken. Deze kaart maakt gebruik van machine learning om de digitale betrokkenheidspatronen van het klaslokaal en elke afzonderlijke leerling/student te bewaken en docenten op de hoogte te stellen wanneer leerlingen/studenten vroege tekenen van uitschakeling tonen. De spotlightkaart bevat een lijst met leerlingen/studenten die in de volgende week mogelijk ondersteuning van docenten nodig hebben, samen met de specifieke gesprekspunten op basis van de verandering in activiteit van de leerlingen/studenten. Voorspellingen zijn louter formatief en zijn alleen afhankelijk van digitale betrokkenheidssignalen die beschikbaar zijn in Education Insights, er worden geen aanvullende gegevens verzameld.
Hoe moeten docenten de spotlightkaart gebruiken?
Als docent kent en begrijpt u uw leerlingen/studenten het beste. Deze spotlight is ontworpen om een licht te werpen op het leren van studenten en betrokkenheid om docenten te helpen bij differentiërende ondersteuning om hun studenten op gelijke wijze te ondersteunen.
Dit hulpprogramma is bedoeld om te worden gebruikt in combinatie met persoonlijke relaties en inzicht in de mogelijkheden en omstandigheden van de student. Spotlights evalueren studenten niet, maar bieden docenten de mogelijkheid om voort te bouwen op hun bestaande relaties en onderscheid te maken tussen ondersteuning.
Belangrijk: Sommige leerlingen/studenten die ondersteuning nodig hebben, tonen mogelijk hun behoefte aan consistente inactiviteit. Leerlingen/studenten die consistent inactief zijn, worden niet gemarkeerd in de ondersteuningskaart voor leerlingen/studenten, omdat ze geen activiteitsgegevens hebben opgegeven om te interpreteren. Let goed op de activiteitsspotspotkaart om leerlingen/studenten te identificeren die inactief zijn, omdat dat een andere indicator is dat leerlingen/studenten ondersteuning nodig hebben.
Onderzoek voor de studentondersteuningskaart
De consensus in de pedagogische onderzoekscommunity is dat afname van betrokkenheid een indicator is dat studenten uitdagingen ervaren en een verhoogd risico lopen om achter te raken (Christenson, Reschly en Wylie, 2012;), en dat de digitale betrokkenheidsgegevens van studenten kunnen worden gebruikt om hun betrokkenheidsniveau te beoordelen en met hoge nauwkeurigheid toekomstig gedrag en prestaties te voorspellen. Daarnaast kunnen deze gegevens worden gebruikt om 'risicovolle' studenten te identificeren, omdat deze zeer gecorreleerd zijn aan academische prestaties (Asarta en Schmidt, 2013; Baradwaj, Brijesh Kumar en Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein en Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu and Johnson, 2005; Rafaeli en Ravid, 1997; Wang en Newlin, 2002; U, 2016;).
Onderzoek toont ook aan dat vroege interventie helpt dat risico te beperken. Er is bewijs dat een hoog percentage risicovolle studenten noodsignalen stuurt lang voordat ze daadwerkelijk stoppen met school (Neild, Balfanz en Herzog, 2007). Daarom helpen systemen met vroegtijdige waarschuwingen docenten om te voorkomen dat studenten van de baan vallen om te afstudeeren en om interventies en ondersteuning te richten op studenten die ze het meest nodig hebben (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Toegangspatronen van online materialen in een gemengde cursus. Decision Sciences Journal of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Het analyseren van educatieve gegevens om de prestaties van leerlingen/studenten te analyseren. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, augustus). Reactietijden gebruiken om studenten uit te schakelen. In Proceedings of the 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). Academische analyse: het CMS gebruiken als een vroegtijdig waarschuwingssysteem. In WebCT impact conference.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Handboek van onderzoek over studentenbetrokkenheid. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Academische analyse: Het gebruik van managementinformatie en technologie in het hoger onderwijs (Vol. 8, Nr. 1, pp. 1-12). Educause.
Johnson, G. M. (2005). Studenten-alienatie, academische prestaties en WebCT-gebruik. Journal of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Uitstel, deelname en prestaties in online leeromgevingen. Computers & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Het bijhouden van gedrag, persistentie en prestaties van leerlingen/studenten in onlinecursussen. Internet en hoger onderwijs, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Een systeem voor vroegtijdige waarschuwing. Educatief leiderschap, 65(2), 28-33.
Pinkus, L. (2008). Vroege waarschuwingsgegevens gebruiken om de afstudeercijfers te verbeteren: het dichten van scheuren in het onderwijssysteem. Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, mei). De motivatiestatussen van de cursief detecteren in een interactieve leeromgeving. In Proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and socially informed technology (pp. 547-554).
Rafaeli, S., & Ravid, G. (1997). Online, webgebaseerde leeromgeving voor een informatiesysteemcursus: Toegangslogboeken, lineariteit en prestaties. In Proc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Voorspellers van prestaties van webleerders: De rol van zelfeffectiviteit en redenen voor het nemen van een online les. Computers in menselijk gedrag, 18(2), 151-163.
Jij, J. W. (2016). Identificeren van significante indicatoren met BEHULP van LMS-gegevens om cursusprestaties in online leren te voorspellen. Internet en hoger onderwijs, 29, 23-30.
Voorspelling van de afname van studenten in activiteit
Het machine learning-model neemt de digitale activiteitspatronen van elke afzonderlijke student in de afgelopen drie weken en gebruikt die gegevens om studenten te identificeren die vandaag actief zijn, maar die vroege indicatoren hebben laten zien dat hun betrokkenheidsniveau in de komende week kan dalen. Het model houdt rekening met de specifieke leerpatronen van het ecosysteem van de klas, en houdt rekening met hiaten in de klasactiviteit als gevolg van vakanties en vakanties. De voorspelling van de betrokkenheid van studenten is individueel, met het inzicht dat verschillende studenten verschillende activiteitspatronen kunnen vertonen en dat er niet zoiets als 'normaal' gedrag bestaat. Deze ondersteuningsspots voor studenten evalueren studenten niet, maar identificeren eerder activiteitspatronen die significant genoeg zijn om aan te geven dat er mogelijk ondersteuning nodig is en bieden docenten de mogelijkheid om vroeg in te grijpen.
De activiteitssignalen die als invoer voor het model worden gebruikt, zijn onder andere:
-
SharePoint-bestandstoegangspatronen: Openen, Wijzigen, Downloaden, Uploaden
-
Toegangspatronen voor toewijzingen en verzending: toewijzen, openen, inleveren
-
Deelname aan klaschat: bezoeken, posten, beantwoorden, uitbreiden, reageren
-
Deelname aan klasvergaderingen
-
Toegang tot OneNote-klasnotitieblokpagina's: bewerken, Gebruik weergeven, posten
Belangrijk: het model maakt gebruik van activiteit en niet van de inhoud zelf. Er wordt bijvoorbeeld GEEN gebruikgemaakt van inhoud uit chatberichten, inhoud van documenten, emoties weergeven of iets dat kan worden gebruikt om die leerling/student te identificeren.
Gesprekspunten
Het model identificeert maximaal 15% van de studenten in de klas die hebben gedemonstreerd over activiteitssignalen en markeert vervolgens de indicatoren die elke student in gesprekspunten heeft weergegeven. Wanneer u de spotlightkaart voor studentenondersteuning selecteert, worden de leerlingen/studenten die vroege indicatoren van ontkoppeling hebben getoond, vermeld naast gesprekspunten die zijn ontworpen om u te helpen een gesprek te starten over de ondersteuningsbehoeften van die leerling/student.
Gesprekspunten die u kunt zien op spotlightkaarten voor studentenondersteuning zijn onder andere:
-
heeft minder deelgenomen aan digitale discussies
-
heeft minder digitale discussies in gang gezet
-
heeft gereageerd op minder Teams-berichten
-
heeft minder deelgenomen aan digitale leermogelijkheden
-
heeft minder online klasmateriaal gebruikt
-
heeft Teams-opdrachten later gestart dan normaal
-
werkt minder in hun OneNote-klasnotitieblok
Privacy en verantwoordelijke AI
Bij Microsoft hechten we veel aandacht aan privacy en ethisch gebruik van AI. Daarom worden de volgende privacyprincipes in het model ingesloten:
-
Het model wordt getraind met behulp van een oplettende manier, wat betekent dat onze gegevenswetenschappers geen toegang hebben om de klassegegevens te bekijken.
-
We delen inzichten over leerlingen/studenten alleen met personen die al toegang hebben tot de onderliggende gegevens en die persoonlijk bekend zijn met de student. d.w.w. de klasopvoeder.
-
Het model profileer een student nooit als 'goed' of 'slecht'. We willen de docent ondersteunen bij het nemen van weloverwogen beslissingen over hun studenten door objectieve waarnemingen van gegevens op een niet-beoordelingsgerichte manier te delen.
-
Het model is opzettelijk bedoeld om vooroordelen te voorkomen en gebruikt geen identificerende informatie (zoals naam, geslacht of ras). Het model gebruikt alleen gedragsinformatie uit de interacties van leerlingen/studenten in Teams.
-
De voorspelling is puur formatief, wat betekent dat het is ontworpen om docenten te waarschuwen en hen te ondersteunen bij het wijzigen van hun praktijk om hun studenten ten goede te komen, maar wordt niet opgeslagen in de Insights-database voor toekomstige beoordeling. Het is een weerspiegeling van het gedrag op een bepaald tijdstip en mag niet worden gebruikt voor officiële beoordeling van een student.
Modelbeperkingen
-
Het model onderzoekt één klasse tegelijk. Als het activiteitspatroon van een leerling/student in de ene klas is afgenomen en in een andere klas is geneigd, kunnen docenten worden geïnformeerd over de behoefte aan ondersteuning in alleen de klas met geweigerde activiteit.
-
Het model maakt alleen gebruik van digitale betrokkenheid via Teams als maateenheid. Directe communicatie van leerling/student naar docent, tussen leerlingen/studenten of buiten Teams wordt niet overwogen. Digitale activiteiten buiten Teams worden niet weergegeven in het model.
-
Om genuanceerde berekening van leermogelijkheden mogelijk te maken, wordt de voorspelling alleen uitgevoerd voor klassen met meer dan 5 studenten, ten minste 4 weken digitale activiteit en ten minste 30% deelname van studenten aan een of meer van de digitale activiteiten die door het model worden gebruikt.
Meer hulp nodig?
Meer opties?
Verken abonnementsvoordelen, blader door trainingscursussen, leer hoe u uw apparaat kunt beveiligen en meer.
Community's helpen u vragen te stellen en te beantwoorden, feedback te geven en te leren van experts met uitgebreide kennis.
