Карточки spotlight в службе поддержки учащихся в Insights для образования

Microsoft Teams Microsoft Teams для образования Еще...Меньше

Карточки с интересной поддержкой учащихся на основе искусственного интеллекта предназначены для того, чтобы помочь преподавателям различать внимание на поддержку учащихся, прежде чем они отстают. В этой карточке используется машинное обучение для отслеживания шаблонов цифрового взаимодействия в классе, а также для каждого отдельного учащегося и уведомления преподавателей, когда учащиеся показывают ранние признаки отключения. Карточка "В центре внимания" содержит список учащихся, которым может потребоваться поддержка преподавателей на следующей неделе, а также конкретные точки общения в зависимости от изменения активности учащихся. Прогнозы являются исключительно формативными и зависят только от сигналов цифрового взаимодействия, доступных в Insights для образования, дополнительные данные не собираются.

Как преподаватели должны использовать карточку "В центре внимания"?

Как преподаватель вы лучше всего знаете и понимаете своих учащихся. Это интересное призвано пролить свет на обучение и вовлеченность учащихся, чтобы помочь преподавателям в разностной поддержке, чтобы помочь своим учащимся по-разному.

Это средство предназначено для использования в сочетании с личными связями и пониманием возможностей и обстоятельств учащегося. Прожекторы не оценивают учащихся, а предоставляют преподавателям возможность использовать существующие связи и различать поддержку.

Примеры операций чтения карточки поддержки учащихся: 5 учащимся может потребоваться дополнительная поддержка на следующей неделе.

Важно: Некоторые учащиеся, которым нужна поддержка, могут демонстрировать свою необходимость в согласованной бездействии. Учащиеся, которые постоянно неактивны, не будут выделены в карточке поддержки учащихся, так как они не предоставили данные о действиях для интерпретации. Обратите особое внимание на карточку "В центре внимания к действию", чтобы определить неактивных учащихся, так как это еще один индикатор того, что учащимся нужна поддержка.

Справочные материалы по карточке поддержки учащихся

Исследования Источники, указанные

В сообществе pedliegical research есть единое мнение о том, что снижение вовлеченности — это индикатор того, что учащиеся сталкиваются с проблемами и сталкиваются с повышенным риском отстает от (Крайенson, Решли и Вили, 2012;), а данные цифрового взаимодействия учащихся можно использовать для оценки их уровня вовлеченности и прогнозирования с высокой точностью будущих поведений и достижениях. Кроме того, эти данные можно использовать для идентификации учащихся с угрозой, так как они сильно коррелируют с академическими достижениями (Asarta и Schmidt, 2013; Baradwaj, Brijesh Kumar, and Saurabh Pal., 2012; Вайт, 2004; Вайет и др., 2006; Goldstein and Katz, 2005; Будет, 2005; Michinov et al., 2011; Вайт и др., 2005; Qu and Qu, 2005; Вади и Куайд, 1997 г.; Wang и Newlin, 2002; Вы, 2016;).

Исследования также показывают, что раннее вмешательство помогает снизить этот риск. Существует свидетельство того, что высокий процент учащихся, которые находятся в состоянии риска, отправляют сигналы об угрозе long before they actually drop out of school (Код, Олфанц и Herzog, 2007). По этой причине системы ранних предупреждений помогают преподавателям предотвратить переход учащихся на выпускной, а также нацелить на мероприятия и поддержку учащихся, которым они больше всего нужны (Pinkus, 2008).

Asarta, C. J., & Schmidt, J. R. (2013). Доступ к шаблонам онлайн-материалов в смешанных курсах. Журнал принятия решений для инновационных образовательных учреждений, 11(1), 107-123.

Baradwaj, B. K., & Pal, S. (2012). Интеллектуальный анализ образовательных данных для анализа производительности учащихся. arXiv preprint arXiv:1201.3417.

Вайс, Й. Д. (2004 г., август). Использование времени отклика для отключения модели учащихся. В рамках семинара ITS2004 по социальному и социальному интеллекту в учебных средах (Vol. 20, No. 2004, pp. 88-95).

Й. П. (J. P.), Беньган (C.), &, B. (2006, июль). Academic analytics: использование CMS в качестве системы раннего предупреждения. На конференции влияния WebCT.

Крайенson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Справочник по исследованиям вовлеченности учащихся. Springer Science & Business Media.

Гольдстейн, П. Й., & Кац, R. Н. (2005). Academic analytics: Использование сведений об управлении и технологий в высшего образования (Vol. 8, No. 1, pp. 1-12). Educause.

Г. М. (2005). Обучение учащихся, академические достижения и использование WebCT. Journal of Educational Technology & Society, 8(2), 179-189.

Михинов, Н., Фровт, С., Ли Бохек, О., Juhel, J., & Delaval, M. (2011). Procrastination, participation, and performance in online learning environments. Компьютеры & образования, 56(1), 243–252.

Будет, Л. В., Хюнган, В., & Ву, С. С. (2005). Отслеживание поведения учащихся, сохраняемости и достижения в онлайн-курсах. Интернет и высшего образования, 8(3), 221–231.

Сема, Й. В., Олфанц, &, Х. (2007). Система раннего предупреждения. Руководство в сфере образования, 65(2), 28-33.

Пинкус, Л. (2008). Использование данных с ранними предупреждениями для повышения частоты выпусков: закрытие отказов в системе образования. Вашингтон, округ Колумбия: "Alliance for Excellent Education".

Qu, L., &, W. L. (2005, май). Обнаружение мотивационных состояний обучающегося в интерактивной среде обучения. В статье Proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and socially informed technology (pp. 547-554).

Санти, С., &, Г. (1997). Интернет-среда обучения для курса по информационным системам: доступ к журналам, линейность и производительность. В proc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).

Ванг (Wang), А. Y., & Newlin, M. H. (2002). Прогнозы производительности веб-учащихся: роль самообслуживания и причины для создания класса в режиме "в сети". Компьютеры в поведении человека, 18(2), 151–163.

Вы, Й. В. (2016). Определение значимых индикаторов с помощью данных LMS для прогнозирования достижения курса в онлайн-обучении. Интернет и образование, 29, 23–30.

Прогнозирование снижения активности учащихся

Модель машинного обучения принимает шаблоны цифровых действий каждого отдельного учащегося за последние три недели и использует эти данные для идентификации активных учащихся, которые сегодня активны, но показали ранние показатели того, что их уровень вовлеченности может оказаться ниже на следующей неделе. Модель учитывает конкретные шаблоны обучения экосистемы аудитории, а также учитывает пробелы в активности класса, связанные с отпусками и праздниками. Прогнозирование вовлеченности учащихся является индивидуальным с пониманием того, что у разных учащихся могут быть разные шаблоны действий и нет такого поведения, как "нормальное". Эти прожекторы поддержки учащихся не оценивают учащихся, а определяют шаблоны действий, которые достаточно важны, чтобы указать потенциальную необходимость в поддержке и дать преподавателям возможность влиять на ранние этапы.

Сигналы действий, используемые в качестве входных данных для модели, включают:

Шаблоны доступа к файлам SharePoint: открытие, изменение, скачивание, отправка
Назначения и шаблоны доступа к отправке: назначение, открытие, с пошаговая отработка
Участие в чате класса: посетите, опубликуйте, ответ, разверните, отреагируете
Участие в собраниях классов
Доступ к страницам записной книжки oneNote для занятий: редактирование, отражение использования, публикация

Блок-схема, показывающая, как модель машинного обучения определяет учащихся, которые находятся под угрозой снижения их вовлеченности

Важно: Модель использует действие, а не само содержимое. Например, он НЕ использует содержимое из сообщений чата, содержимое документов, отражение эмоций или что-либо, что может использоваться для идентификации этого учащегося.

Точки общения

Модель определяет до 15 % учащихся в классе, которые продемонстрировать сигналы активности, а затем выделяет индикаторы, отображаемые каждым учащимся в точках общения. При выборе карточки "В центре внимания" в службе поддержки учащихся учащиеся, которые показали ранние индикаторы размыкания, будут перечислены вместе с пунктами "Беседы", которые помогут вам начать беседу о потребностях этого учащегося в поддержке.

Беседы, которые могут отображаться на карточках "В центре внимания" в службе поддержки учащихся:

участвует в цифровых обсуждениях меньше
инициировал меньше цифровых обсуждений.
реагирует на меньшее количество сообщений Teams
участвует в возможностях цифрового обучения меньше
имеет доступ к меньшему хранилищу материалов онлайн-класса
начал назначения Teams позже, чем обычно
работает меньше в записной книжке OneNote для занятий;

Конфиденциальность и ответственный ИИ

Корпорация Майкрософт глубоко важна конфиденциальность и этичное использование ИИ. Поэтому в модель внедряются следующие принципы конфиденциальности:

Модель обучается с помощью отвода глаз, то есть наши специалисты по обработке и анализу данных не имеют доступа для просмотра данных класса.
Мы делим аналитические сведения о учащихся только с людьми, которые уже имеют доступ к базовым данным и имеют личное знакомство с учащимся. То есть преподаватель класса.
Модель никогда не будет профилирования учащегося как "хороший" или "плохой". Мы стремимся поддерживать преподавателя в принятии обоснованных решений об учащихся путем предоставления общего доступа к целевым наблюдениям за данными неосмотрительно.
Модель предназначена для предотвращения смещения и не использует какие-либо идентифицируемые сведения (например, имя, пол или гонку). Модель использует только информацию о поведении из взаимодействий учащихся в Teams.
Прогноз является исключительно формативным, то есть он предназначен для оповещения преподавателей и поддержки их в изменении их методики в пользу учащихся, но не сохраняется в базе данных Insights для дальнейшей проверки. Это отражение поведения в определенный момент времени и не должно использоваться для официальной оценки любого учащегося.

Ограничения модели

Модель проверяет по одному классу за раз. Если шаблон активности учащегося отклонен в одном классе, а в другом — в другом, преподаватели могут получать уведомления о необходимости поддержки только в классе с отклоненным действием.
Модель использует в качестве меры только цифровое взаимодействие через Teams. Прямое взаимодействие между учащимися и преподавателями, между учащимися или за пределами Teams не рассматривается. Цифровая активность за пределами Teams не будет представлена в модели.
Чтобы обеспечить сложные вычисления возможностей обучения, прогнозирование будет выполняться только для классов с более чем 5 учащимися, по крайней мере 4 недели цифровой активности и участия по крайней мере 30 % учащихся в одной или нескольких цифровых действиях, используемых моделью.