Kartice u žiži interesovanja za podršku studenata u Insights za obrazovanje
Kartice za podršku studentima zasnovane na veštijoj inovativnosti osmišljene su da pomognu predavacima da odagnaju pažnju na podršku studenata pre nego što zaostaje za njima. Ova kartica koristi mašinsko učenje za nadgledanje obrazaca digitalnog angažovanja u učionici, kao i svakog pojedinačnog studenta i obaveštavanje nastavnika kada učenici prikažu rane znakove ukidanja. Istaknuta kartica pruža listu studenata kojima je možda potrebna podrška za predavača u sledećoj sedmici, zajedno sa specifičnim tezama koje se zasnivaju na promenama studenata u aktivnosti. Predviđanja su čisto formatirana i oslanjaju se samo na signale digitalnog angažovanja dostupne u programu Insights za obrazovanje, nikakvi dodatni podaci se ne prikupljaju.
Kako bi predavači trebalo da koriste karticu u žiži interesovanja?
Kao predatelj, najbolje poznajete i razumete svoje studente. Ovaj žig je osmišljen tako da zasvetli učenjem i angažovanjem studenata kako bi pomogao nastavnicima u različitoj podršci da podstaknu svoje studente na jednak način.
Ova alatka treba da se koristi u kombinaciji sa ličnim odnosima i razumevanjem mogućnosti i okolnosti učenika. U žiži interesovanja ne procenjuju studente, već se radije pružaju mogućnosti za nastavnike da grade postojeće odnose i razlikuju podršku.
Važno: Neki studenti kojima je potrebna podrška možda prikazuju svoju potrebu za dosledno neaktivnošću. Studenti koji su dosledno neaktivni neće biti istaknuti na kartici podrške za studente jer nisu obezbedili podatke o aktivnostima za tumačenje. Obratite pažnju na karticu Aktivnost u žiži interesovanja da biste identifikovali studente koji su neaktivni, pošto je to još jedan pokazatelj da je studentima potrebna podrška.
Istraživanje za karticu podrške za studente
Konsenzus u zajednici pedagoškog istraživanja je da je odbijanje angažovanja pokazatelj da studenti imaju izazove i da se suočavaju sa povećanim rizikom zaostajanja (Kristofer, Rešli i Vili, 2012;) i da se podaci o digitalnom angažovanju studenata mogu koristiti za procenu njihovog nivoa angažovanja i predviđanje sa budućim ponašanjima i dostignućima visoke tačnosti. Pored toga, ti podaci mogu da se koriste za identifikovanje studenata "u riziku", pošto su veoma korelisani sa akademskim dostignućima (Asarta i Schmidt, 2013; Baradwaj, Brijesh Kumar, and Saurabh Pal., 2012; Bek, 2004; Campbell et al., 2006; Goldštajn i Kac, 2005. Džonson, 2005. godine; Michinov et al., 2011; Moris i al., 2005; Qu i Johnson, 2005; Rafaeli i Ravid, 1997; Wang i Newlin, 2002; Vi, 2016;).
Istraživanje pokazuje i da rana intervencija pomaže u umanjivanju tog rizika. Postoji dokaz da visoki procenat studenata u riziku šalje signale o problemu mnogo pre nego što stvarno odustanu od škole (Nild, Balfanz i Herzog, 2007). Iz ovog razloga sistemi ranih upozorenja pomažu predavače da spreče studente da zauze mesto na diplomi i da usmere intervencije i podršku studentima kojima su najpotrebuniji (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Pristupite obrascima materijala na mreži u kombinovanom kursu. Decision Sciences Journal of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Minimalno obrazovni podaci za analizu performansi studenata. arXiv preprint arXiv:1201.3417.
Bek, J. E. (2004, avgust). Korišćenje vremena odgovora za modelovanje ukidanja učenika. U nastavku TE2004 radionica o društvenim i emocionalnim inteligencijama u okruženju za učenje (Vol. 20, ne. 2004, pp. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, Jul). Akademska analitika: Korišćenje CMS-a kao sistema ranog upozorenja. Na konferenciji o uticaju na WebCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Prirucnik za istraživanje o angažovanju studenata. Springer Nauka & za poslovne medije.
Goldštajn, P. J., & Katz, R. N. (2005). Akademska analitika: Upotreba informacija o upravljanju i tehnologijama u višem obrazovanju (Vol. 8, Ne. 1, pp. 1-12). Edukause.
Džonson, G. M. (2005). Studentska vanzemaljac, akademska dostignuća i webCT upotreba. Dnevnik za obrazovne tehnologije & Društvo, 8(2), 179-189.
Mičinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Povećavanje, učešće i performanse u okruženjima za učenje na mreži. Računari & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Praćenje ponašanja, upornosti i dostignuća studenata na kursevima na mreži. Internet i više obrazovanje, 8(3), 221-231.
Nild, R. C., Balfanz, R., & Herzog, L. (2007). Sistem ranog upozorenja. Obrazovno rukovodstvo, 65(2), 28-33.
Pinkus, L. (2008). Korišćenje podataka sa ranim upozorenjem za poboljšanje stope diplomiranja: Zatvaranje pukotina u sistemu obrazovanja. Washington, DC: Alliance for Excellent Education.
K, L., & Dћonson, W. L. (2005. maj). Otkrivanje motivacionih stanja učenja u interaktivnom okruženju za učenje. U nastavku konferencije 2005 . o veštačkoj inteligenciji u obrazovanju: Podrška učenju putem inteligentne i društveno informativne tehnologije (pp. 547-554).
Rafaeli, S., & Ravid, G. (1997). Okruženje učenja zasnovano na vebu za kurs informacionih sistema: Access evidencije, linearnost i performanse. In Proc. Inf. Syst. Educ. Conf Za vola. 97, pp. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Predlozi performansi veb-studenta: uloga samoefikasnosti i razlozi za uzimanje časova na internetu. Kompjuteri u ljudskom ponašanju, 18(2), 151-163.
Ti, J. W. (2016). Identifikovanje značajnih indikatora koji koriste LMS podatke za predviđanje dostignuća kursa u učenju na mreži. Internet i više obrazovanje, 29, 23-30.
Predviđanje opadanja studenata u aktivnosti
Model mašinskog učenja uzima obrasce digitalne aktivnosti svakog pojedinačnog studenta u protekle tri nedelje i koristi te podatke za identifikovanje studenata koji su danas aktivni, ali su ranije pokazili da nivo angažovanja može da se spusti u sledećoj sedmici. Model uzima u obzir specifične obrasce učenja ekosistem u učionici, kao i na osnovu razmaka u aktivnostima predavanja koje proističu sa odmora i praznika. Predviđanje angažovanja studenata je individualno, sa razumevanjem da različiti studenti mogu izlagati različite obrasce aktivnosti i ne postoji takva stvar kao što je "normalno" ponašanje. Ovi žigovi podrške studenata ne procenjuju studente, već identifikuju obrasce aktivnosti koji su dovoljno značajni da ukažu na potencijalnu potrebu podrške i podstiče nastavnike da intervenišu ranije.
Signali aktivnosti koji se koriste kao unos za model uključuju:
-
Šare pristupa SharePoint datotekama: Otvaranje, izmena, preuzimanje, otpremanje
-
Obrasci pristupa zadacima i prosleđivanju: dodeljivanje, otvaranje, prijavljivanje
-
Učešće u ćaskanju na predavanju: posetite, objavite, odgovorite, razvijte, reagovajte
-
Učešće na sastancima razreda
-
Pristup stranicama OneNote beležnice za razred: uređivanje, Odražavanje upotrebe, objavljivanje
Važno: model koristi aktivnost, a ne sam sadržaj. Na primer, on ne koristi sadržaj iz poruka ćaskanja, sadržaja dokumenata, Odražava emocije ili bilo šta što može da se koristi za identifikaciju tog studenta.
Tesne tačke
Model identifikuje do 15% studenata u razredu koji su pokazali zabrinjavajući signali aktivnosti, a zatim ističe indikatore koje je svaki student prikazao u temama razgovora. Kada izaberete istaknutu karticu podrške za studente, na listi će biti navedeni i rani indikatori o odsutajuća pozivanja, kao i teme dizajnirane da vam pomognu da započnete razgovor o potrebama podrške tog studenta.
U temama koje ćete možda videti na istaknutim karticama podrške za studente spadaju:
-
učestvuje u digitalnim diskusijama manje
-
je pokrenuo manje digitalnih diskusija
-
je reagovao na manje Poruka u usluzi Teams
-
učestvuje u mogućnostima za digitalno učenje manje
-
pristupa manjem broju materijala za razred na mreži
-
je započinjao Teams zadatke kasnije nego obično
-
manje radi u OneNote beležnici za razred
Privatnost i odgovorna venecija
U korporaciji Microsoft nam je duboko stalo do privatnosti i etičke upotrebe veša. Stoga su sledeći principi privatnosti ugrađeni u model:
-
Model je obučen na način koji se ne osvrće, što znači da naši naučnici za podatke ne mogu da pregledaju podatke iz razreda.
-
Delimo samo uvide o studentima sa pojedincima koji već imaju pristup osnovnim podacima i imaju ličnu bliskost sa studentom. tj. edukator razreda.
-
Model nikada neće okačiti studenta kao "dobar" ili "loš". Cilj nam je da podržimo nastavnika u donošenja informisanih odluka o svojim učenicima deljenjem objektivnih posmatranja podataka na neosuđujuće načine.
-
Model namerno izbegava predrasude i ne koristi nikakve identifikacione informacije (kao što su ime, pol ili rasa). Model koristi samo informacije o ponašanju iz interakcija studenata u usluzi Teams.
-
Predviđanje je čisto oblikovano, što znači da je dizajnirano da upozori nastavnike i podrži ih u izmeni njihove prakse kako bi koristile svoje studente, ali se ne čuva u bazi podataka uvida za buduću redigovanje. To je odraz ponašanja u određenom trenutku i ne bi ga trebalo koristiti za zvaničnu procenu bilo kog studenta.
Ograničenja modela
-
Model ispituje jedan po jedan čas. Ako je obrazac aktivnosti studenta opao za jedan čas i učio na drugi, predavači mogu biti obaveštenje o poteškoću za podrškom samo u razredu sa odbijenom aktivnošcom.
-
Model koristi digitalno angažovanje samo putem usluge Teams kao meru. Direktna komunikacija od studenta do nastavnika, između studenata ili izvan usluge Teams ne smatra se. Digitalne aktivnosti izvan usluge Teams neće biti predstavljene u modelu.
-
Da bi se omogućilo poboljšano izračunavanje mogućnosti za učenje, predviđanje će se izvršiti samo za razrede sa više od 5 studenata, najmanje 4 sedmice digitalne aktivnosti i učešće najmanje 30% studenata u jednoj ili više digitalnih aktivnosti koje koristi model.
Da li vam je potrebna dodatna pomoć?
Želite još opcija?
Istražite pogodnosti pretplate, pregledajte kurseve za obuku, saznajte kako da obezbedite uređaj i još mnogo toga.
Zajednice vam pomažu da postavljate pitanja i odgovarate na pitanja, dajete povratne informacije i čujete mišljenje od stručnjaka sa bogatim znanjem.
