Картки прожекторів служби підтримки студентів у Insights для освіти
Картки в центрі уваги на основі підтримки студентів на основі ШІ призначені, щоб допомогти викладачам розрізняти увагу на підтримку студентів, перш ніж вони відстають. Ця картка використовує машинне навчання, щоб відстежувати цифрові моделі залучення класів, а також кожного окремого учня та сповіщати викладачів, коли учні виявляють ранні ознаки відключення. Картка в центрі уваги містить список учнів, яким може знадобитися підтримка викладачів на наступному тижні, а також конкретні розмови, засновані на зміні активності учнів. Прогнози мають суто форматний формат і залежать лише від цифрових сигналів залучення, доступних у Insights для освіти, додаткові дані не збираються.
Як викладачі повинні використовувати картку spotlight?
Як викладач, ви знаєте та краще розумітимете своїх учнів. Цей прожектор призначений для того, щоб світити світло на навчання учнів і залучення, щоб допомогти викладачам у диференціації підтримки, щоб дати можливість своїм студентам справедливо.
Цей інструмент призначено для використання в поєднанні з особистими стосунками та розумінням здібностей і обставин студента. У центрі уваги студенти не оцінюються, а надають викладачам можливість спиратися на наявні стосунки та диференціювати підтримку.
Увага!: Деякі студенти, яким потрібна підтримка, можуть продемонструвати свою потребу з послідовною бездіяльністю. Студенти, які постійно неактивні, не будуть виділені на картці підтримки учнів, оскільки вони не надали дані про дії для інтерпретації. Зверніть особливу увагу на картку в центрі уваги "Активність", щоб визначити неактивних учнів, оскільки це ще один індикатор того, що учням потрібна підтримка.
Довідкові матеріали для картки підтримки учнів
Консенсус у спільноті педагогічних досліджень полягає в тому, що зниження залученості є показником того, що студенти відчувають проблеми і стикаються з підвищеним ризиком відставання (Крістенсон, Reschly і Wylie, 2012;), і що цифрові дані про залучення студентів можуть бути використані для оцінки їх рівня взаємодії та прогнозування з високою точністю майбутньої поведінки та досягнень. Крім того, ці дані можуть використовуватися для виявлення студентів з групи ризику, оскільки вони високо співвідносяться з академічними досягненнями (Asarta і Шмідт, 2013; Барадвай, Брієш Кумар і Саурабх Пал., 2012; Бек, 2004; Кемпбелл та ін., 2006; Гольдштейн і Кац, 2005; Джонсон, 2005; Мічінов та ін., 2011; Морріс та ін., 2005; Кв і Джонсон, 2005; Рафаелі і Равід, 1997; Ван і Ньюлін, 2002; Ви, 2016;).
Дослідження також показують, що раннє втручання допомагає зменшити цей ризик. Є докази того, що високий відсоток студентів з групи ризику посилають сигнали лиха задовго до того, як вони фактично випадають зі школи (Neild, Balfanz і Herzog, 2007). З цієї причини системи раннього попередження допомагають викладачам запобігти падінню студентів з колії до випуску, а також цільовим втручанням і підтримкою для студентів, які їх найбільше потребують (Pinkus, 2008).
Asarta, C. J., & Шмідт, J. R. (2013). Отримуйте доступ до шаблонів онлайнових матеріалів у змішаному курсі. Журнал інноваційних наук про рішення, 11(1), 107-123.
Барадвей, Б. К., & Пал, С. (2012). Видобування освітніх даних для аналізу продуктивності учнів. ArXiv preprint arXiv:1201.3417.
Бек, Дж. (2004, серпень). Використання часу відгуку для моделювання відключення учнів. У провадженні семінару ITS2004 з соціального та емоційного інтелекту в навчальних середовищах (Vol. 20, No 2004, с. 88-95).
Кемпбелл, Дж.П., Фіннеган, С., & Коллінз, Б. (2006, липень). Академічна аналітика: використання CMS як системи раннього попередження. У Конференції з впливу webCT.
Крістенсон, С. Л., Перепланування, А. Л., & Уайлі, С. (Едс.). (2012). Довідник із досліджень щодо залучення учнів. Springer Science & Business Media.
Голдштейн, П. Дж., & Кац, Р. Н. (2005). Академічна аналітика: використання інформації та технологій управління у вищій освіті (Vol. 8, No1, пп. 1-12). Едукауза.
Джонсон, Г. М. (2005). Відчуження студентів, академічні досягнення та використання WebCT. Журнал освітніх технологій & Товариства, 8(2), 179-189.
Мічінов, Н., Брунот, С., Ле Болек, О., Юхель, Дж., & Делаваль, М. (2011). Зволікання, участь і продуктивність у середовищах онлайнового навчання. Комп'ютери & Education, 56(1), 243-252.
Морріс, Л. В., Фіннеган, С., & Ву, С. С. (2005). Відстеження поведінки учнів, наполегливості та досягнень в онлайн-курсах. Інтернет і вища освіта, 8(3), 221-231.
Нілд, Р. С., Балфанц, Р., & Герцог, Л. (2007). Система раннього попередження. Освітнє керівництво, 65(2), 28-33.
Pinkus, L. (2008). Використання даних раннього попередження для підвищення рівня випуску: закриття тріщин у системі освіти. Вашингтон, округ Колумбія: Альянс за відмінну освіту.
Qu, L., & Johnson, W. L. (2005, травень). Виявлення мотиваційних станів учня в інтерактивному середовищі навчання. У proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and socially informed technology (pp. 547-554).
Рафаелі, С., & Равід, Г. (1997). Онлайнове веб-навчальне середовище для курсу інформаційних систем: журнали Access, лінійність і продуктивність. Inc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).
Ван, А. Й., & Ньюлін, М. Х. (2002). Предиктори продуктивності веб-студента: роль самоефективності та причини для прийняття класу в мережі. Комп'ютери в поведінці людини, 18(2), 151-163.
Ти, Дж. (2016). Визначення значних показників за допомогою даних системи LMS для прогнозування досягнень курсу в онлайн-навчанні. Інтернет і вища освіта, 29, 23-30.
Прогнозування зниження активності учнів
Модель машинного навчання використовує цифрові моделі дій кожного окремого учня протягом останніх трьох тижнів і використовує ці дані для визначення студентів, які є активними сьогодні, але показали ранні показники того, що рівень їх залучення може знизитися в найближчий тиждень. Модель враховує конкретні моделі навчання екосистеми класу, а також обліку прогалин у діяльності класу в результаті відпусток і свят. Прогнозування залучення студентів індивідуальне, з розумінням того, що різні студенти можуть виявляти різні моделі дій і немає такого поняття, як "нормальна" поведінка. Ці прожектори підтримки студентів не оцінюють студентів, а визначають шаблони дій, які є достатньо значними, щоб свідчити про потенційну потребу в підтримці та надати викладачам можливість втрутитися рано.
Сигнали дій, які використовуються як вхідні дані для моделі, включають:
-
Шаблони доступу до файлів SharePoint: "Відкрити", "Змінити", "Завантажити", "Передати"
-
Шаблони доступу до призначень і надсилання: призначення, відкриття, здати
-
Участь у чаті класу: відвідування, публікація, відповідь, розширення, реагування
-
Участь у нарадах класу
-
Доступ до сторінок блокнота OneNote для класу: редагування, відображення відомостей про використання, публікація
Увага!: модель використовує дії, а не сам вміст. Наприклад, у ньому не використовується вміст із повідомлень чату, вмісту документів, відображення емоцій або будь-яких інших даних, які можна використовувати для визначення учня.
Бали
Модель визначає до 15% учнів класу, які продемонстрували сигнали про активність, а потім виділяє індикатори, які кожен учень показав у розмовних точках. Коли ви виберете картку прожектора служби підтримки учнів, учні, які показали ранні показники відключення, будуть перелічені разом із балами Talking, призначеними для початку розмови про потреби цього учня в підтримці.
Те, що ви можете побачити на точкових картках служби підтримки студентів , включають:
-
бере участь у цифрових обговореннях менше
-
ініціює менше цифрових обговорень
-
реагує на меншу кількість повідомлень Teams
-
взяв участь у цифрових навчальних можливостях менше
-
отримав доступ до меншої кількості матеріалів онлайн-класу
-
завдання Teams розпочиналося пізніше, ніж зазвичай
-
менше працює в блокноті OneNote для класу
Конфіденційність і відповідальний ШІ
Корпорація Майкрософт глибоко піклується про конфіденційність і етичне використання ШІ. Таким чином, у модель вбудовано такі принципи конфіденційності:
-
Модель навчена за допомогою очима, тобто наші вчені даних не мають доступу до перегляду даних класу.
-
Ми надаємо інформацію про учнів лише тим особам, які вже мають доступ до базових даних і мають особисте знайомство зі студентом. (наприклад, викладач класу).
-
Модель ніколи не профілює студента як "хороший" або "поганий". Ми прагнемо підтримати викладача у прийнятті обґрунтованих рішень про своїх учнів, ділячись об'єктивними спостереженнями за даними не осудним способом.
-
Модель навмисне ставиться до уникнення упередженості та не використовує жодну ідентифікаційну інформацію (наприклад, ім'я, стать або расу). У моделі використовуються лише відомості про поведінку, отримані від взаємодії учнів у Teams.
-
Прогноз має суто форматний формат, тобто він призначений для оповіщення викладачів і підтримує їх у зміні їхньої практики на користь своїх учнів, але не зберігається в базі даних Insights для майбутнього розгляду. Вона є відображенням поведінки в певний момент часу і не повинна використовуватися для офіційної оцінки жодного студента.
Обмеження моделі
-
Модель розглядає один клас за раз. Якщо шаблон діяльності студента знизився в одному класі і схилився до іншого, викладачі можуть бути повідомлені про необхідність підтримки лише в класі з відхиленою діяльністю.
-
Модель використовує лише цифрове залучення через Teams як міру. Пряма комунікація від учня до викладача, між учнями або за межами Teams не розглядається. Цифрові дії за межами Teams не буде представлено в моделі.
-
Щоб дозволити нюансоване обчислення можливостей навчання, передбачення буде виконуватися тільки для класів з більш ніж 5 учнями, принаймні 4 тижні цифрової діяльності і принаймні 30% участі студентів в одній або кількох цифрових заходах, що використовуються моделлю.
Потрібна додаткова довідка?
Потрібні додаткові параметри?
Ознайомтеся з перевагами передплати, перегляньте навчальні курси, дізнайтесь, як захистити свій пристрій тощо.
Спільноти допомагають ставити запитання й відповідати на них, надавати відгуки та дізнаватися думки висококваліфікованих експертів.
