Spotlightkort för elever i Insights för Utbildning
AI-baserade studentstöds spotlightkort är utformade för att hjälpa lärare att skilja uppmärksamhet åt för att stödja elever innan de hamnar på efterkälken. Det här kortet använder maskininlärning för att övervaka klassrummets mönster för digitalt engagemang samt varje enskild elev och meddela lärare när elever visar tidiga tecken på tillbakadragande. Spotlightkortet innehåller en lista över elever som kan behöva lärarstöd under den kommande veckan, tillsammans med specifika stödpunkter baserat på elevernas ändrade aktivitet. Förutsägelser är rent formativa och förlitar sig endast på digitala engagemangssignaler som finns tillgängliga i Insights för Utbildning, inga ytterligare data samlas in.
Hur ska lärare använda spotlightkortet?
Som lärare känner du till och förstår eleverna bäst. Detta spotlight är utformat för att belysa elevernas lärande och engagemang för att hjälpa lärare att differentiera stöd för att stärka sina elever rättvist.
Verktyget är avsett att användas i kombination med personliga relationer och förståelse för elevens förmågor och omständigheter. Spotlights utvärderar inte elever, utan ger hellre möjlighet för lärare att bygga på sina befintliga relationer och skilja stöd åt.
Viktigt!: Vissa elever som behöver stöd kan visa sitt behov med konsekvent inaktivitet. Elever som är konsekvent inaktiva markeras inte på elevsupportkortet eftersom de inte har tillhandahållit aktivitetsdata att tolka. Var uppmärksam på spotlightkortet för aktivitet för att identifiera elever som är inaktiva, eftersom det är en annan indikator på att eleverna behöver stöd.
Referensinformation för elevsupportkortet
Konsensus i det pedagogiska forskarsamhället är att minskat engagemang är en indikator på att studenter upplever utmaningar och riskerar att hamna på efterkälken (Christenson, Reschly och Wylie, 2012;), och att elevernas data för digitalt engagemang kan användas för att bedöma deras engagemangsnivå och förutsäga med hög noggrannhet framtida beteenden och prestationer. Dessutom kan dessa data användas för att identifiera "i riskzonen" studenter, eftersom de är starkt korrelerade med akademiska prestationer (Asarta och Schmidt, 2013; Baradwaj, Brijesh Kumar och Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein och Katz, 2005; Johnson, 2005; Michinov m.fl., 2011; Morris m.fl., 2005; Qu och Johnson, 2005; Rafaeli och Ravid, 1997; Wang och Newlin, 2002; Du, 2016;).
Forskning visar också att tidiga insatser bidrar till att minska den risken. Det finns bevis för att en hög andel i riskzonen studenter skickar nödsignaler långt innan de faktiskt hoppar av skolan (Neild, Balfanz och Herzog, 2007). Av denna anledning hjälper system med tidig varning lärare att förhindra att studenter faller av banan till examen och att rikta in interventioner och stöd till studenter som behöver dem mest (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Få tillgång till mönster av onlinematerial i en blandad kurs. Decision Sciences Journal of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Bryta utbildningsdata för att analysera elevernas resultat. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, augusti). Använda svarstider för att modellera elevernas tillbakadragande. I förfarandet för ITS2004 Workshop om social och emotionell intelligens i inlärningsmiljöer (Vol. 20, nr 2004, s. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, Juli). Akademisk analys: Använda CMS som ett system för tidig varning. I WebCT impact conference.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Handbok för forskning om elevengagemang. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Akademisk analys: Användning av information och teknik inom högre utbildning (vol. 8, nr 1, s. 1-12). Educause.
Johnson, G. M. (2005). Student alienation, akademisk prestation och WebCT användning. Journal of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Förhalning, deltagande och prestanda i utbildningsmiljöer online. Datorer & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Spåra elevernas beteende, beständighet och prestation i onlinekurser. Internet och högre utbildning, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Cache, L. (2007). Ett system för tidig varning. Utbildningsledarskap, 65(2), 28-33.
Pinkus, L. (2008). Använda data med tidig varning för att förbättra examensfrekvensen: Stänga sprickor i utbildningssystemet. Washington DC: Allians för utmärkt utbildning.
Qu, L., & Johnson, W. L. (2005, maj). Upptäcka elevens motivationstillstånd i en interaktiv inlärningsmiljö. I Förhandlingarna om 2005 års konferens om artificiell intelligens inom utbildning: Stöd till lärande genom intelligent och socialt informerad teknik (s. 547-554).
Rafaeli, S., & Ravid, G. (1997). Webbaserad utbildningsmiljö online för en informationssystemkurs: Access-loggar, linjäritet och prestanda. I Proc. Inf. Syst. Educ. Conf (Vol. 97, s. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Prediktorer för web-student prestanda: Rollen av själveffekt och skäl för att ta en on-line klass. Datorer i mänskligt beteende, 18(2), 151-163.
Du, J. W. (2016). Identifiera betydande indikatorer med hjälp av LMS-data för att förutsäga kursprestationer i onlineinlärning. Internet och högre utbildning, 29, 23-30.
Förutsägelse av elevnedgång i aktivitet
Maskininlärningsmodellen tar de digitala aktivitetsmönstren för varje enskild elev under de senaste tre veckorna och använder dessa data för att identifiera elever som är aktiva idag men har visat tidiga indikatorer på att deras engagemangsnivå kan sjunka under den kommande veckan. Modellen tar hänsyn till de specifika inlärningsmönstren i klassrummets ekosystem, samt tar hänsyn till luckor i klassaktivitet till följd av semestrar och helgdagar. Förutsägelsen av elevernas engagemang är individuell, med förståelsen att olika elever kan uppvisa olika aktivitetsmönster och det finns inget sådant som "normalt" beteende. Dessa elevstöds spotlights utvärderar inte eleverna, utan identifierar snarare aktivitetsmönster som är tillräckligt betydande för att indikera potentiellt behov av stöd och ge lärare möjlighet att ingripa tidigt.
Aktivitetssignalerna som används som indata för modellen omfattar:
-
SharePoint-filåtkomstmönster: Öppna, Ändra, Ladda ned, Ladda upp
-
Åtkomstmönster för uppgifter och insändning: tilldela, öppna, lämna in
-
Deltagande i klasschatt: besök, publicera, svara, utöka, reagera
-
Deltagande i klassmöten
-
Åtkomst till sidor i OneNote-anteckningsbok för klassen: redigera, Reflektera användning, publicera
Viktigt!: modellen använder aktivitet och inte själva innehållet. Den använder till exempel INTE innehåll från chattmeddelanden, innehåll i dokument, Reflektera känslor eller något som kan användas för att identifiera eleven.
Stödpunkter
Modellen identifierar upp till 15 % av eleverna i klassen som har visat om aktivitetssignaler och belyser sedan indikatorerna som varje elev visade i Samtalspunkter. När du väljer spotlightkortet för elevstöd visas de elever som har visat tidiga indikatorer på tillbakadragande tillsammans med stödpunkter som är utformade för att hjälpa dig att inleda en konversation om den elevens supportbehov.
Stödpunkter som du kan se på elevsupport spotlightkort inkluderar:
-
har deltagit i digitala diskussioner i mindre
-
har inlett färre digitala diskussioner
-
har reagerat på färre Teams-meddelanden
-
har deltagit i digitala utbildningsmöjligheter mindre
-
har använt färre material i onlineklass
-
har startat Teams-uppgifter senare än vanligt
-
har arbetat mindre i sin OneNote-anteckningsbok för klassen
Sekretess och ansvarsfull AI
På Microsoft är vi mycket måna om sekretess och etisk användning av AI. Därför är följande sekretessprinciper inbäddade i modellen:
-
Modellen är utbildad med hjälp av ett ögon-off sätt, vilket innebär att våra dataforskare inte har tillgång till att se klassdata.
-
Vi delar bara Insikter om elever med personer som redan har tillgång till underliggande data och har personlig kännedom om eleven. d.v.s. klassläraren.
-
Modellen kommer aldrig att profilera en elev som "bra" eller "dålig". Vi strävar efter att stödja läraren i att fatta välgrundade beslut om sina elever genom att dela objektiva observationer av data på ett icke-dömande sätt.
-
Modellen är avsiktlig med att undvika partiskhet och använder inte någon identifierande information (såsom namn, kön eller ras). Modellen använder endast beteendeinformation från elevernas interaktioner i Teams.
-
Förutsägelsen är rent formativ, vilket innebär att den är utformad för att varna lärare och stödja dem i att ändra sin praxis för att gynna sina elever, men sparas inte i Insights-databasen för framtida granskning. Det är en återspegling av beteende vid en viss tidpunkt och bör inte användas för officiell bedömning av någon elev.
Modellbegränsningar
-
Modellen undersöker en klass i taget. Om en elevs aktivitetsmönster har minskat i en klass och är benägen i en annan, kan lärare meddelas om behovet av stöd endast i klassen med avböjd aktivitet.
-
Modellen använder bara digitalt engagemang via Teams som ett mått. Direkt kommunikation från elev till lärare, mellan elever eller utanför Teams beaktas inte. Digital aktivitet utanför Teams representeras inte i modellen.
-
För att möjliggöra nyanserad beräkning av inlärningsmöjligheter utförs förutsägelsen endast för klasser med mer än 5 elever, minst 4 veckors digital aktivitet och minst 30% student deltagande i en eller flera av de digitala aktiviteter som används av modellen.
Behöver du mer hjälp?
Vill du ha fler alternativ?
Utforska prenumerationsförmåner, bläddra bland utbildningskurser, lär dig hur du skyddar din enhet med mera.
Communities hjälper dig att ställa och svara på frågor, ge feedback och få råd från experter med rika kunskaper.
