การสนับสนุนบัตรสปอตไลต์ของนักเรียนใน Education Insights

Microsoft Teams Microsoft Teams for Education เพิ่มเติม...น้อยลง

บัตรสปอตไลต์ การสนับสนุนของนักเรียน ที่ใช้ AI ได้รับการออกแบบมาเพื่อช่วยนักการศึกษาสร้างความแตกต่างให้ความสนใจเพื่อสนับสนุนนักเรียนก่อนที่พวกเขาจะตกอยู่เบื้องหลัง การ์ดใบนี้ใช้แมชชีนเลิร์นนิ่งเพื่อตรวจสอบรูปแบบการมีส่วนร่วมทางดิจิทัลของชั้นเรียนรวมถึงนักเรียนแต่ละคนและแจ้งให้นักการศึกษาทราบเมื่อนักเรียนแสดงสัญญาณของการขจัดปัญหาก่อนใคร บัตรสปอตไลต์มีรายชื่อนักเรียนที่อาจต้องการการสนับสนุนจากนักการศึกษาในสัปดาห์ถัดไป พร้อมกับจุดพูดคุยที่เฉพาะเจาะจงตามการเปลี่ยนแปลงของกิจกรรมของนักเรียน การคาดการณ์จะจัดรูปแบบอย่างหมดจดและพึ่งพาสัญญาณการมีส่วนร่วมทางดิจิทัลที่มีอยู่ในEducation Insightsเท่านั้น ไม่มีการเก็บรวบรวมข้อมูลเพิ่มเติม

นักการศึกษาควรใช้บัตรสปอตไลต์อย่างไร

ในฐานะนักการศึกษา คุณจะทราบและเข้าใจนักเรียนของคุณได้ดีที่สุด สปอตไลต์นี้ถูกออกแบบมาเพื่อจุดประกายแสงในการเรียนรู้และการมีส่วนร่วมของนักเรียนเพื่อช่วยเหลือนักการศึกษาในการแบ่งแยกการสนับสนุนเพื่อส่งเสริมนักเรียนอย่างเท่าเทียมกัน

เครื่องมือนี้มีไว้เพื่อใช้ร่วมกับความสัมพันธ์ส่วนบุคคลและความเข้าใจเกี่ยวกับความสามารถและสถานการณ์ของนักเรียน สปอตไลต์ไม่ได้ประเมินนักเรียน แต่เปิดโอกาสให้นักการศึกษาสร้างความสัมพันธ์ที่มีอยู่และแยกความแตกต่างของการสนับสนุน

ตัวอย่างเช่น บัตรการสนับสนุนของนักเรียนอ่านว่า: นักเรียน 5 คนอาจต้องการการสนับสนุนเพิ่มเติมในสัปดาห์หน้า

สิ่งสำคัญ: นักเรียนบางคนที่ต้องการการสนับสนุนอาจแสดงให้เห็นถึงความต้องการของพวกเขาโดยไม่ได้ใช้งานอย่างต่อเนื่อง นักเรียนที่ไม่ได้ใช้งานอย่างต่อเนื่องจะไม่ได้รับการเน้นในบัตรการสนับสนุนของนักเรียน เนื่องจากไม่ได้ให้ข้อมูลกิจกรรมเพื่อตีความ โปรดใส่ใจอย่างใกล้ชิดกับบัตรสปอตไลต์กิจกรรมเพื่อระบุนักเรียนที่ไม่ได้ใช้งาน เนื่องจากเป็นตัวบ่งชี้อื่นที่นักเรียนต้องการการสนับสนุน

การค้นคว้าสําหรับบัตรการสนับสนุนของนักเรียน

วิจัย แหล่งที่มาที่อ้างถึง

ฉันทามติในชุมชนการวิจัยทางการสอนคือการลดลงของการมีส่วนร่วมเป็นตัวบ่งชี้ที่นักเรียนกําลังประสบกับความท้าทายและความเสี่ยงที่เพิ่มขึ้นในการเผชิญกับการตกอยู่เบื้องหลัง (Christenson, Reschly และ Wylie, 2012;) และข้อมูลการมีส่วนร่วมทางดิจิทัลของนักเรียนสามารถใช้เพื่อประเมินระดับการมีส่วนร่วมของพวกเขาและคาดการณ์ด้วยพฤติกรรมและความสําเร็จในอนาคตที่มีความแม่นยําสูง นอกจากนี้ ข้อมูลนี้สามารถใช้เพื่อระบุนักเรียนที่มีความเสี่ยงเนื่องจากมีความสัมพันธ์กับความสําเร็จทางวิชาการ (Asarta และ Schmidt, 2013; Baradwaj, Brijesh Kumar, and Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein และ Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu และ Johnson, 2005; Rafaeli และ Ravid, 1997; วังและนิวลิน 2002; คุณ 2016;)

การวิจัยยังแสดงให้เห็นว่าการแทรกแซงในช่วงแรกๆ ช่วยลดความเสี่ยงดังกล่าว มีหลักฐานว่าเปอร์เซ็นต์สูงของนักเรียนที่มีความเสี่ยงส่งสัญญาณความทุกข์นานก่อนที่พวกเขาจะออกจากโรงเรียนจริง (Neild, Balfanz และ Herzog, 2007) ด้วยเหตุนี้ระบบเตือนล่วงหน้าจึงช่วยนักการศึกษาป้องกันไม่ให้นักเรียนตกเส้นทางสู่การสําเร็จการศึกษาและเพื่อกําหนดเป้าหมายการแทรกแซงและการสนับสนุนแก่นักเรียนที่ต้องการมากที่สุด (Pinkus, 2008)

Asarta, C. J., & Schmidt, J. R. (2013). เข้าถึงรูปแบบของวัสดุออนไลน์ในหลักสูตรผสม วารสารวิทยาศาสตร์การตัดสินใจด้านนวัตกรรมการศึกษา, 11(1), 107-123.

บาราวัช, B. K., & Pal, S. (2012) การขุดข้อมูลการศึกษาเพื่อวิเคราะห์ประสิทธิภาพของนักเรียน arXiv preprint arXiv:1201.3417

เบค เจ อี (2547, สิงหาคม) ใช้เวลาตอบกลับเพื่อจําลองการแยกตัวของนักเรียน ใน การดําเนินการของการประชุมเชิงปฏิบัติการของ ITS2004 เกี่ยวกับความฉลาดทางสังคมและอารมณ์ในสภาพแวดล้อมการเรียนรู้ (Vol. 20, No. 2004, pp. 88-95)

Campbell, J. P., Finnegan, C., & Collins, B. (2006,July) การวิเคราะห์ทางวิชาการ: การใช้ CMS เป็นระบบเตือนก่อนใคร ในการประชุมผลกระทบ WebCT

Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.) (2012). คู่มือการวิจัยเกี่ยวกับการมีส่วนร่วมของนักเรียน Springer Science & Business Media.

Goldstein, P. J., & Katz, R. N. (2005). การวิเคราะห์ทางวิชาการ: การใช้ข้อมูลและเทคโนโลยีการจัดการในอุดมศึกษา (เล่ม. 8, หมายเลข 1, pp. 1-12) เอ็ดยูแควส

จอห์นสัน จี เอ็ม (2005). ชื่อเสียงของนักเรียน, ความสําเร็จทางวิชาการ และการใช้ WebCT วารสารสมาคม&เทคโนโลยีการศึกษา, 8(2), 179-189.

Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011) การผัดวันการมีส่วนร่วมและประสิทธิภาพในสภาพแวดล้อมการเรียนรู้ออนไลน์ คอมพิวเตอร์ & Education, 56(1), 243-252

Morris, L. V., Finnegan, C., & Wu, S. S. (2005). การติดตามลักษณะการทํางาน การยืนยัน และความสําเร็จของนักเรียนในหลักสูตรออนไลน์ อินเทอร์เน็ตและการศึกษาระดับอุดมศึกษา, 8(3), 221-231

Neild, R. C., Balfanz, R., & Herzog, L. (2007) ระบบเตือนก่อนเวลา ผู้นําด้านการศึกษา, 65(2), 28-33.

Pinkus, L. (2008) การใช้ข้อมูลเตือนล่วงหน้าเพื่อปรับปรุงอัตราการสําเร็จการศึกษา: การปิดรอยร้าวในระบบการศึกษา วอชิงตัน, dc: พันธมิตรสําหรับการศึกษาที่ดีเยี่ยมของ

Qu, L., & Johnson, W. L. (2548, พ.ค.) การตรวจจับสถานะแรงจูงใจของผู้เรียนในสภาพแวดล้อมการเรียนรู้แบบโต้ตอบ ใน การดําเนินการประชุม 2005 เกี่ยวกับปัญญาประดิษฐ์ในการศึกษา: การสนับสนุนการเรียนรู้ผ่านเทคโนโลยีอัจฉริยะและสังคมแจ้ง (pp. 547-554)

Rafaeli, S., & Ravid, G. (1997) สภาพแวดล้อมการเรียนรู้แบบออนไลน์บนเว็บสําหรับหลักสูตรระบบข้อมูล: บันทึกการเข้าถึง ความเป็นเส้นตรง และประสิทธิภาพการทํางาน ใน Proc. Inf. Syst. Educ. Conf (โวล. 97, pp. 92-99)

วัง A. Y., & Newlin, M. H. (2002). ตัวทํานายประสิทธิภาพการทํางานของนักเรียนทางเว็บ: บทบาทของประสิทธิภาพในตนเองและเหตุผลในการเรียนต่อสาย คอมพิวเตอร์ในพฤติกรรมมนุษย์18(2), 151-163

คุณ เจดับบว. (2016). การระบุตัวบ่งชี้ที่สําคัญโดยใช้ข้อมูล LMS เพื่อทํานายความสําเร็จของหลักสูตรในการเรียนรู้ออนไลน์ อินเทอร์เน็ตและการศึกษาระดับอุดมศึกษา, 29, 23-30

การคาดเดากิจกรรมที่นักเรียนปฏิเสธ

โมเดลแมชชีนเลิร์นนิ่งใช้รูปแบบกิจกรรมดิจิทัลของนักเรียนแต่ละคนในช่วงสามสัปดาห์ที่ผ่านมา และใช้ข้อมูลดังกล่าวเพื่อระบุนักเรียนที่ใช้งานในปัจจุบัน แต่ได้แสดงตัวบ่งชี้ล่วงหน้าว่าระดับการมีส่วนร่วมของพวกเขาอาจลดลงในสัปดาห์หน้า รูปแบบจะคํานึงถึงรูปแบบการเรียนรู้ที่เฉพาะเจาะจงของระบบนิเวศในห้องเรียนเช่นเดียวกับการบัญชีสําหรับช่องว่างในกิจกรรมในชั้นเรียนที่เป็นผลมาจากวันหยุดพักผ่อนและวันหยุด การคาดเดาการมีส่วนร่วมของนักเรียนเป็นรายบุคคลโดยมีความเข้าใจว่านักเรียนแต่ละคนอาจแสดงรูปแบบกิจกรรมที่แตกต่างกันและไม่มีพฤติกรรมเช่น "ปกติ" นักเรียนเหล่านี้สนับสนุนสปอตไลต์ไม่ประเมินนักเรียน แต่จะระบุรูปแบบกิจกรรมที่สําคัญพอที่จะระบุความต้องการที่อาจเกิดขึ้นสําหรับการสนับสนุนและส่งเสริมให้นักการศึกษาเข้ามาแทรกแซงก่อนใคร

สัญญาณกิจกรรมที่ใช้เป็นการป้อนข้อมูลสําหรับรุ่นประกอบด้วย:

รูปแบบการเข้าถึงไฟล์ SharePoint: เปิด ปรับเปลี่ยน ดาวน์โหลด อัปโหลด
รูปแบบการเข้าถึงงานที่มอบหมายและการส่ง: มอบหมาย เปิด ส่งงาน
การเข้าร่วมการแชทสําหรับชั้นเรียน: เยี่ยมชม โพสต์ ตอบกลับ ขยาย ตอบสนอง
การเข้าร่วมการประชุมสําหรับชั้นเรียน
การเข้าถึงหน้าสมุดบันทึกสําหรับชั้นเรียนของ OneNote: แก้ไข แสดงการใช้งาน โพสต์

ผังงานแสดงวิธีที่โมเดลแมชชีนเลิร์นนิ่งระบุนักเรียนที่มีความเสี่ยงที่จะลดการมีส่วนร่วม

สิ่งสำคัญ: โมเดลจะใช้กิจกรรมไม่ใช่ตัวเนื้อหาเอง ตัวอย่างเช่น จะไม่ใช้เนื้อหาจากข้อความแชท เนื้อหาของเอกสาร อารมณ์สะท้อน หรือสิ่งใดก็ตามที่สามารถใช้เพื่อระบุนักเรียนคนนั้น

ประเด็นการพูดคุย

โมเดลนี้ระบุได้ถึง 15% ของนักเรียนในชั้นเรียนที่แสดงให้เห็นเกี่ยวกับสัญญาณกิจกรรม จากนั้นจะเน้นตัวบ่งชี้ที่นักเรียนแต่ละคนแสดงในประเด็นการพูดคุย เมื่อคุณเลือกบัตรสปอตไลต์การสนับสนุนของนักเรียน นักเรียนที่แสดงตัวบ่งชี้การไม่มีส่วนร่วมก่อนใครจะแสดงควบคู่ไปกับจุดพูดคุยที่ออกแบบมาเพื่อช่วยให้คุณเริ่มต้นการสนทนาเกี่ยวกับความต้องการการสนับสนุนของนักเรียนคนนั้น

คะแนนพูดคุยที่ คุณอาจเห็นในบัตรสปอตไลต์ การสนับสนุนนักเรียน มีดังนี้

มีส่วนร่วมในการอภิปรายทางดิจิทัลน้อยลง
ได้ริเริ่มการอภิปรายทางดิจิทัลน้อยลง
ตอบสนองต่อข้อความของ Teams น้อยลง
ได้เข้าร่วมในโอกาสการเรียนรู้แบบดิจิทัลน้อยลง
เข้าถึงเอกสารชั้นเรียนออนไลน์น้อยลง
เริ่มงานที่มอบหมายของ Teams ในภายหลัง
ทํางานน้อยลงในสมุดบันทึกสําหรับชั้นเรียนของ OneNote ของพวกเขา

ความเป็นส่วนตัวและความรับผิดชอบ AI

ที่ Microsoft เราใส่ใจในความเป็นส่วนตัวและการใช้ AI อย่างมีจริยธรรม ดังนั้นหลักการความเป็นส่วนตัวต่อไปนี้จะถูกฝังอยู่ในรูปแบบ:

โมเดลนี้ได้รับการฝึกฝนโดยใช้ ลักษณะสายตาซึ่งหมายความว่านักวิทยาศาสตร์ข้อมูลของเราไม่สามารถเข้าถึงดูข้อมูลชั้นเรียนได้
เราจะแชร์ข้อมูลเชิงลึกเกี่ยวกับนักเรียนกับ บุคคลที่มีสิทธิ์เข้าถึง ข้อมูลพื้นฐานและมีบุคลิกภาพที่คุ้นเคยกับนักเรียนแล้วเท่านั้น เช่น นักการศึกษาในชั้นเรียน
โมเดลจะไม่สร้างโปรไฟล์นักเรียนว่า 'ดี' หรือ 'ไม่ดี' เรามุ่งมั่นที่จะสนับสนุนนักการศึกษาในการตัดสินใจโดยใช้ข้อมูลเกี่ยวกับนักเรียนโดยการแบ่งปัน ข้อสังเกตวัตถุประสงค์ ของข้อมูลในลักษณะที่ไม่ใช่การตัดสิน
โมเดลนี้มีเจตนาที่จะหลีกเลี่ยงอคติและไม่ได้ใช้ข้อมูลที่ระบุตัวตนใดๆ (เช่น ชื่อ เพศ หรือการแข่งขัน) โมเดลจะใช้เฉพาะข้อมูลพฤติกรรมจากการโต้ตอบของนักเรียนใน Teams เท่านั้น
การคาดเดามีรูปแบบเฉพาะซึ่งหมายความว่ามันถูกออกแบบมาเพื่อแจ้งเตือนนักการศึกษาและสนับสนุนพวกเขาในการปรับเปลี่ยนแนวทางปฏิบัติของพวกเขาเพื่อให้ประโยชน์แก่นักเรียน แต่ ไม่ได้รับการบันทึก ไว้ในฐานข้อมูลข้อมูลเชิงลึกสําหรับการตรวจทานในอนาคต มันเป็นภาพสะท้อนของพฤติกรรมที่จุดที่เฉพาะเจาะจงในเวลาและไม่ควรใช้สําหรับการประเมินอย่างเป็นทางการของนักเรียนใด ๆ

ข้อจํากัดของรุ่น

โมเดลจะตรวจสอบครั้งละหนึ่งชั้นเรียน ถ้ารูปแบบกิจกรรมของนักเรียนปฏิเสธในชั้นเรียนหนึ่งและเอียงในอีกชั้นเรียนหนึ่ง นักการศึกษาอาจได้รับแจ้งถึงความจําเป็นในการสนับสนุนเฉพาะในชั้นเรียนที่มีกิจกรรมที่ถูกปฏิเสธเท่านั้น
โมเดลนี้ใช้การมีส่วนร่วมทางดิจิทัลผ่าน Teams เป็นมาตรการเท่านั้น การสื่อสารโดยตรงจากนักเรียนถึงนักการศึกษาระหว่างนักเรียนหรือนอก Teams จะไม่ได้รับการพิจารณา กิจกรรมดิจิทัลภายนอก Teams จะไม่แสดงในตัวแบบ
เพื่อให้การคํานวณโอกาสการเรียนรู้แตกต่างกันการคาดเดาจะทําสําหรับชั้นเรียนที่มีนักเรียนมากกว่า 5 คนเท่านั้นกิจกรรมดิจิทัลอย่างน้อย 4 สัปดาห์และการมีส่วนร่วมของนักเรียนอย่างน้อย 30% ในกิจกรรมดิจิทัลอย่างน้อยหนึ่งกิจกรรมที่ใช้โดยโมเดล