Sumário
×
Cartões de destaque de suporte do aluno Insights para Educação

Agora estamos visualizando um cartão de destaque de suporte do Student baseado em IA projetado para ajudar os educadores a diferenciarem a atenção para dar suporte aos alunos antes que eles se apanciem. Esse cartão usa um aprendizado de máquina para monitorar os padrões de envolvimento digital da sala de aula, bem como cada aluno individual e notificar os educadores quando os alunos mostrarem sinais iniciais de desapeamento. O cartão de destaque fornece uma lista de alunos que podem precisar de suporte para educadores na semana seguinte, juntamente com os pontos de discussão específicos com base na mudança de atividade dos alunos. As previsões são puramente formativas e dependem apenas de sinais de envolvimento digital disponíveis Insights para Educação, nenhum dado adicional é coletado.

Como os educadores devem usar o cartão de destaque?

Como educador, você conhece e entende melhor seus alunos. Esse destaque foi projetado para destacar o aprendizado e o envolvimento dos alunos para ajudar os educadores a diferenciarem o suporte para capacitar seus alunos de maneira equitata.

Essa ferramenta destina-se a ser usada em combinação com relações pessoais e compreensão das habilidades e circunstâncias do aluno. Os destaques não avaliam os alunos, mas fornecem oportunidades para que os educadores se baseiem em suas relações existentes e diferenciem o suporte.

exemplo de leituras de cartão de suporte do aluno: 5 alunos podem precisar de mais suporte na próxima semana.

Importante: Alguns alunos que precisam de suporte podem demonstrar sua necessidade com inatividade consistente. Os alunos que estão consistentemente inativos não serão destacados no cartão de suporte do aluno, pois não forneceram dados de atividade a serem interpretados. Preste muita atenção ao cartão de destaque atividade para identificar os alunos que estão inativos, pois esse é outro indicador de que os alunos precisam de suporte.

Pesquisar o cartão de suporte do aluno

O consenso na comunidade de pesquisa pedagógica é que o declínio no envolvimento é um indicador de que os alunos estão enfrentando desafios e enfrentam o risco de ficar para trás (Christenson, Reschly e Wylie, 2012;) e que os dados de participação digital dos alunos podem ser usados para avaliar seu nível de envolvimento e prever com alta precisão comportamentos e conquistas futuras. Além disso, esses dados podem ser usados para identificar alunos "em risco", pois estão altamente correlacionados com conquistas acadêmicas (Asarta e Schmidt, 2013; Baradwaj, Brijesh Kumar e Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein e Ltda, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu e Johnson, 2005; Rafaeli e Ravid, 1997; Wang e Newlin, 2002; Você, 2016;).

A pesquisa também mostra que a intervenção antecipada ajuda a atenuar esse risco. Há evidências de que um alto percentual de alunos em risco envia sinais de socorro muito antes de realmente sair da escola (Neild, Balfanz e Herzog, 2007). Por esse motivo, os sistemas de aviso antecipado estão ajudando os educadores a evitarem que os alunos caiam do caminho para a formatura e direcionem intervenções e apoio aos alunos que mais precisam delas (Pinkus, 2008).

Asarta, C. J., & Schmidt, J. R. (2013). Acessar padrões de materiais online em um curso combinado. Decision Sciences Journal of Innovative Education, 11(1), 107-123.

Baradwaj, B. K., & Pal, S. (2012). Mineração de dados educacionais para analisar o desempenho dos alunos. arXiv preprint arXiv:1201.3417.

Beck, J. E. (2004, agosto). Usando tempos de resposta para modelar a desatribuição do aluno. Em Andamento do Workshop ITS2004 sobre Inteligência Social e Emocional Learning Ambientes (Vol. 20, nº 2004, pp. 88-95).

Campbell, J. P., Finnegan, C., & Collins, B. (2006, julho). Análise acadêmica: usando o CMS como um sistema de aviso antecipado. Na conferência de impacto do WebCT.

Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Manual de pesquisa sobre o envolvimento dos alunos. Springer Science & Business Media.

Goldstein, P. J., &, R. N. (2005). Análise acadêmica: Os usos de informações de gerenciamento e tecnologia no ensino superior (Vol. 8, nº 1, pp. 1-12). Educause.

Johnson, G. M. (2005). Alienação de alunos, conquista acadêmica e uso de WebCT. Journal of Educational Technology & Society, 8(2), 179-189.

Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Procrastinação, participação e desempenho em ambientes de aprendizado online. Computadores & Education, 56(1), 243-252.

Morris, L.V., Finnegan, C., & Wu, S. S. (2005). Acompanhar o comportamento, a persistência e as conquistas dos alunos em cursos online. Internet e Ensino Superior, 8(3), 221-231.

Neild, R. C., Balfanz, R., & Herzog, L. (2007). Um sistema de aviso antecipado. Liderança educacional, 65(2), 28-33.

Pinkus, L. (2008). Usando dados de aviso antecipado para melhorar as taxas de graduação: fechamento de cracks no sistema educacional. Washington, DC: Aliança pela Excelente Educação.

Qu, L., & Johnson, W. L. (2005, maio). Detectar os estados motivacionais do aprendiz em um ambiente de aprendizado interativo. Em Andamento da conferência de 2005 sobre inteligência artificial na educação: Apoio à aprendizagem por meio de tecnologia inteligente e socialmente informada (pp. 547-554).

Rafaeli, S., & Ravid, G. (1997). Ambiente de aprendizado online baseado na Web para um curso de sistemas de informações: logs de acesso, linearidade e desempenho. In Proc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).

Wang, A.Y., & Newlin, M. H. (2002). Previsões de desempenho do aluno da Web: a função de autoeficácia e os motivos para fazer uma aula on-line. Computadores em comportamento humano, 18(2), 151-163.

Você, J. W. (2016). Identificar indicadores significativos usando dados lms para prever a realização do curso no aprendizado online. A Internet e o Ensino Superior, 29, 23-30.

Previsão do declínio do aluno na atividade

O modelo de machine learning usa os padrões de atividade digital de cada aluno individual nas últimas três semanas e usa esses dados para identificar os alunos que estão ativos hoje, mas mostraram indicadores iniciais de que seu nível de envolvimento pode cair na próxima semana. O modelo leva em consideração os padrões de aprendizado específicos do ecossistema de sala de aula, bem como a contabilização de lacunas na atividade de classe resultantes de férias e feriados. A previsão do envolvimento do aluno é individual, com a compreensão de que diferentes alunos podem exibir padrões de atividade diferentes e não há tal coisa como comportamento "normal". Esses destaques de suporte aos alunos não avaliam os alunos, mas identificam padrões de atividade que são significativos o suficiente para indicar a necessidade potencial de suporte e capacitar os educadores a intervirem cedo.

Os sinais de atividade usados como entrada para o modelo incluem:

  • SharePoint de acesso a arquivos: Abrir, Modificar, Baixar e Upload

  • Padrões de acesso de atribuições e envio: atribuir, abrir, entregar

  • Participação no chat de classe: visite, poste, responda, expanda, reaja

  • Participação em reuniões de classe

  • OneNote acesso a páginas do bloco de anotações de classe: editar, Refletir uso, postar

fluxograma mostrando como o modelo de machine learning identifica os alunos que estão em risco de diminuir o envolvimento

Importante: o modelo usa a atividade e não o próprio conteúdo. Por exemplo, ELE NÃO usa conteúdo de mensagens de chat, conteúdo de documentos, Refletir emoções ou qualquer coisa que possa ser usada para identificar esse aluno.  

Pontos de discussão

O modelo identifica até 15% dos alunos na classe que demonstraram respeito a sinais de atividade e, em seguida, destaca os indicadores que cada aluno exibiu em Pontos de Discussão. Quando você seleciona o cartão de destaque de suporte do aluno, os alunos que mostraram indicadores iniciais de desatenbilidade serão listados junto com pontos de discussão projetados para ajudá-lo a iniciar uma conversa sobre as necessidades de suporte desse aluno.

Os pontos de discussão que você pode ver nos cartões de destaque de suporte do Aluno incluem:

  • tem participado de discussões digitais menos

  • tem iniciado menos discussões digitais

  • reaja a menos mensagens Teams mensagens

  • participou menos de oportunidades de aprendizado digital

  • tem acessado menos materiais de classe online

  • tem sido iniciando Teams atribuições mais tarde do que o normal

  • tem trabalhado menos em seu bloco de anotações OneNote classe

Privacidade e IA responsável

Na Microsoft, nos preocupamos profundamente com a privacidade e o uso ético da IA. Portanto, os seguintes princípios de privacidade são inseridos no modelo:

  • O modelo é treinado usando uma maneira de visão, o que significa que nossos cientistas de dados não têm acesso para exibir os dados de classe.

  • Nós só compartilham Insights sobre alunos com indivíduos que já têm acesso aos dados subjacentes e têm familiaridade pessoal com o aluno. ou seja, o educador de classe.

  • O modelo nunca criará o perfil de um aluno como "bom" ou "ruim". Nosso objetivo é apoiar o educador na tomada de decisões informadas sobre seus alunos, compartilhando observações objetivas dos dados de maneira não crítica.

  • O modelo é intencional para evitar preconceitos e não usa nenhuma informação de identificação (como nome, gênero ou raça). O modelo usa apenas informações comportamentais das interações dos alunos Teams.

  • A previsão é puramente formativa, o que significa que ela foi projetada para alertar os educadores e dar suporte a eles na modificação de sua prática para beneficiar seus alunos, mas não é salva no banco de dados Insights para revisão futura. É um reflexo do comportamento em um ponto específico no tempo e não deve ser usado para avaliação oficial de nenhum aluno.

Limitações do modelo

  • O modelo examina uma classe por vez. Se o padrão de atividade de um aluno tiver recusado em uma classe e inclinado em outra, os educadores poderão ser notificados sobre a necessidade de suporte apenas na classe com atividade recusada.

  • O modelo usa apenas o envolvimento digital por meio Teams como medida. A comunicação direta entre alunos e educadores, entre alunos ou fora Teams não é considerada. A atividade digital fora Teams não será representada no modelo.

  • Para permitir um cálculo nuances das oportunidades de aprendizagem, a previsão só será realizada para aulas com mais de 5 alunos, pelo menos 4 semanas de atividade digital e pelo menos 30% de participação dos alunos em uma ou mais das atividades digitais usadas pelo modelo.

Precisa de mais ajuda?

Expanda suas habilidades
Explore o treinamento
Obtenha novos recursos primeiro
Ingressar no Microsoft Insider

Essas informações foram úteis?

Qual é o seu grau de satisfação com a qualidade do idioma?
O que afetou sua experiência?

Obrigado pelos seus comentários!

×