Cartões em destaque de suporte para estudantes Insights para Educação
Os cartões spotlight de suporte para estudantes baseados em AI foram concebidos para ajudar os educadores a diferenciar a atenção para dar apoio aos estudantes antes de se deixarem de recuar. Este cartão utiliza uma aprendizagem automática para monitorizar os padrões de envolvimento digital da sala de aula, bem como de cada estudante individual e notificar os educadores quando os estudantes mostrarem sinais iniciais de desagagulação. O cartão em destaque fornece uma lista de estudantes que podem precisar de suporte de educador na semana seguinte, juntamente com os pontos de conversação específicos com base na alteração da atividade dos estudantes. As previsões são puramente formativas e dependem apenas de sinais de interação digital disponíveis no Insights para Educação, não são recolhidos dados adicionais.
Como devem os educadores utilizar o cartão em destaque?
Como educador, conhece e compreende melhor os seus alunos. Este holofote foi concebido para brilhar na aprendizagem e envolvimento dos estudantes em ajudar os educadores a diferenciar o suporte de forma a capacitar os seus alunos de forma equitativa.
Esta ferramenta destina-se a ser utilizada em combinação com relações pessoais e no conhecimento das capacidades e circunstâncias do estudante. Os Spotlights não avaliam os estudantes, mas proporcionam oportunidades aos educadores para se basearem nas relações existentes e diferenciarem o suporte.
Importante: Alguns estudantes que precisam de suporte poderão estar a demonstrar as suas necessidade com uma inatividade consistente. Os estudantes que estiverem inativos de forma consistente não serão realçados no cartão de suporte do estudante, uma vez que não fornecem dados de atividade para interpretar. Preste atenção ao cartão de destaque Atividade para identificar estudantes inativos, uma vez que é outro indicador de que os estudantes precisam de suporte.
Pesquisar para o cartão de suporte do estudante
O consenso na comunidade de investigação pedagogical é que a recusa do envolvimento é um indicador de que os estudantes estão a ter dificuldades e correm o risco de se desfazerem (Emília, Reschly e Wylie, 2012;) e que os dados de interação digital dos estudantes podem ser utilizados para avaliar o nível de interação dos estudantes e para prever com maior precisão comportamentos e conquistas futuros. Além disso, estes dados podem ser utilizados para identificar estudantes em risco, uma vez que estão altamente correlacionados com conquistas académicas (Asarta e Schmidt, 2013; Baradwaj, Brijesh Kumar e Saurabh Pal., 2012; Beck, 2004; Indonésia et al., 2006; Goldstein e Katz, 2005; Boris, 2005; Michinov et al., 2011; Afonso et al., 2005; Qu e Boris, 2005; Rafaeli e Ravid, 1997; Wang e Newlin, 2002; Você, 2016;).
A pesquisa também mostra que a intervenção inicial ajuda a mitigar esse risco. Existem provas de que uma elevada percentagem de estudantes em risco enviam sinais de desgaste muito antes de saíram da escola (Ímã, Balfanz e Herzog, 2007). Por este motivo, os sistemas de aviso prévio ajudam os educadores a impedir que os estudantes se desempromactam para o fim de curso e para ajudarem os estudantes que mais precisam deles (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Aceda a padrões de materiais online num curso misturado. Diário de Ciências Decisão da Educação Inovadora, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Mining educational data to analyze students's performance. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, agosto). Utilizar os tempos de resposta modelo desagregue o estudante. Em Procedimentos do Workshop ITS2004 sobre Informações Sociais e Emocionais em Ambientes de Aprendizagem (Vol). 20; Não. 2004, pp. 88-95).
Jorge, J. P., Finnegan, C., &, B. (2006, Julho). Análise académica: utilizar o CMS como um sistema de aviso antecipado. Na conferência de impacto na WebCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Manual de investigação sobre o envolvimento dos estudantes. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Análise académica: As utilizações da informação e tecnologia de gestão no ensino superior (Vol. 8, Não. 1, pp. 1-12). Educause.
Boris, G. M. (2005). Demografia de estudantes, conquista académica e utilização da WebCT. Diário de Tecnologia Educacional &,8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Procrastination, participação e desempenho em ambientes de aprendizagem online. Computadores & Educação, 56(1), 243-252.
Filhermes, L. V., Finnegan, C., & Wu, S. S. (2005). Controlar o comportamento, persistência e conquistas dos estudantes 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). Utilizar dados de aviso prévio para melhorar as taxas de formatura: Fechar rachas no sistema de educação. Washington, DC: Alliance for Excellent Education.
Qu, L., & Bret, W. L. (2005, maio). Detetar os estados motivacionais do aluno num ambiente de aprendizagem interativo. Em Procedimentos da conferência de 2005 sobre inteligência artificial na educação: apoio à aprendizagem através de tecnologia inteligente e socialmente informada (pp. 547-554).
Rafaeli, S., & Ravid, G. (1997). Ambiente de aprendizagem online baseado na Web para um curso de sistemas de informação: registos, linearidade e desempenho do Access. Inc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Preditores de desempenho de estudantes na Web: a função da eficácia e dos motivos para ter aulas em linha. Computadores em comportamento humano: 18(2), 151-163.
You, J. W. (2016). Identificar indicadores significativos utilizando dados LMS para prever a realização do curso na aprendizagem online. Internet e Ensino Superior, 29, 23-30.
Previsão do recusa de estudantes em atividade
O sistema de aprendizagem automática modelo utiliza os padrões de atividade digital de cada estudante individual nas últimas três semanas e utiliza estes dados para identificar estudantes que estão ativos atualmente, mas que mostraram indicadores iniciais de que o respetivo nível de compromisso poderá descer na próxima semana. A modelo tem em consideração os padrões de aprendizagem específicos do ecossistema da sala de aula, bem como contabilizando as lacunas na atividade da aula resultantes de férias e feriados. A previsão do envolvimento dos estudantes é individual, com a compreensão de que diferentes estudantes podem apresentar diferentes padrões de atividade e não existe comportamento "normal". Estes holofotes de suporte para estudantes não avaliam os estudantes, mas identificam padrões de atividade que são significativos o suficiente para indicar a possível necessidade de suporte e capacitar os educadores a interveniem antecipadamente.
Os sinais de atividade utilizados como entrada para o modelo incluem:
-
Padrões de acesso a ficheiros do SharePoint: Abrir, Modificar, Transferir, Carregar
-
Padrões de acesso de Atribuição e Submissão: atribuir, abrir, entregar
-
Participação do chat da turma: visite, publice, responda, expanda, reaja
-
Participação em reuniões de turma
-
Acesso às páginas do blocos de notas escolares do OneNote: editar, Refletir utilização, publicar
Importante: a modelo utiliza atividade e não o conteúdo propriamente dito. Por exemplo, NÃO utiliza conteúdos de mensagens de chat, conteúdo de documentos, Refletir emoções ou qualquer coisa que possa ser utilizada para identificar esse estudante.
Pontos de conversação
A modelo identifica até 15% dos estudantes da turma que demonstraram relativamente a sinais de atividade e, em seguida, realça os indicadores que cada estudante exibiu em Pontos de conversação. Quando seleciona o cartão de destaque do suporte do estudante, os estudantes que mostraram indicadores iniciais de desagngência serão listados juntamente com os Pontos de interesse concebidos para o ajudar a iniciar uma conversação sobre as necessidades de suporte do estudante.
Os pontos de conversa que poderá ver nos cartões de destaque do suporte para estudantes incluem:
-
tem participado menos em debates digitais
-
tem iniciado menos debates digitais
-
reagiu a menos mensagens do Teams
-
participou em menos oportunidades de aprendizagem digital
-
acedeu a menos materiais de aula online
-
tem iniciado tarefas do Teams mais tarde do que o habitual
-
tem funcionado menos nos blocos de notas escolares do OneNote
IU responsável e privacidade
Na Microsoft, estamos preocupados com a privacidade e a utilização ética da AI. Por conseguinte, os seguintes princípios de privacidade são incorporados nos modelo:
-
A modelo é treinada com uma forma de desligar os olhos, o que significa que os nossos dados não têm acesso para ver os dados da turma.
-
Só partilhamos Informações sobre estudantes com indivíduos que já têm acesso aos dados subdados e que têm familiaridade pessoal com o estudante. Ou seja, o educador da turma.
-
A modelo nunca perfilará um estudante como "bom" ou "mau". Pretendemos ajudar o educador a tomar decisões informadas sobre os seus estudantes ao partilhar observações objetivas de dados de uma forma não senso.
-
A modelo é intencional em evitar a previância e não utiliza quaisquer informações de identificação (como o nome, sexo ou corrida). A modelo utiliza apenas informações comportamentais das interações dos estudantes no Teams.
-
A previsão é puramente formativa, o que significa que foi concebida para alertar os educadores e suporta-os na modificação das práticas em benefício dos estudantes, mas não é guardada na base de dados do Insights para revisão futura. É um reflexo do comportamento num momento específico e não deve ser utilizado para avaliação oficial de qualquer estudante.
Limitações do modelo
-
A modelo examina uma turma de cada vez. Se o padrão de atividade de um estudante tiver recusado numa turma e se tiver recusado noutra, os educadores poderão ser notificados sobre a necessidade de suporte apenas na turma com atividade recusada.
-
A modelo utiliza apenas a participação digital através do Teams como medida. A comunicação direta de estudante para educador, entre estudantes ou fora do Teams não é considerada. A atividade digital fora do Teams não será representada na modelo.
-
Para permitir um cálculo nuance das oportunidades de aprendizagem, a previsão só será efetuada em turmas com mais de 5 estudantes, pelo menos 4 semanas de atividade digital e, pelo menos, 30% de participação de estudantes numa ou mais das atividades digitais utilizadas pelo modelo.
Precisa de mais ajuda?
Quer mais opções?
Explore os benefícios da subscrição, navegue em cursos de formação, saiba como proteger o seu dispositivo e muito mais.
As comunidades ajudam-no a colocar e a responder perguntas, a dar feedback e a ouvir especialistas com conhecimentos abrangentes.
