学生支持聚焦卡片教育版 Insights
基于 AI 的学生支持 聚焦卡旨在帮助教师在学生落后之前区分对支持学生的关注。 此卡片使用机器学习来监视教室以及每个学生的数字参与模式，并在学生出现脱离接触的早期迹象时通知教师。 聚焦卡片提供下周可能需要教师支持的学生列表，以及基于学生活动变化的特定谈话要点。 预测纯粹是形成性的，仅依赖于教育版 Insights中提供的数字参与信号，不会收集其他数据。
教师应如何使用聚焦卡片？
作为教育家，你最了解和理解你的学生。 这个聚光灯旨在照亮学生的学习和参与，以帮助教育工作者区分支持，使他们的学生能够公平地获得支持。
此工具旨在与个人关系和学生的能力和环境的理解结合使用。 聚光灯不评估学生，而是为教育工作者提供机会，以建立他们现有的关系，并区分支持。
重要: 一些需要支持的学生可能正在以一致的非活动状态展示他们的需求。 在学生支持卡片中不会突出显示一贯处于非活动状态的学生，因为他们没有提供要解释的活动数据。 请密切关注活动聚焦卡，以识别处于非活动状态的学生，因为这是学生需要支持的另一个指标。
学生支持卡的研究
教育研究界的共识是，参与度下降表明，学生正经历挑战，面临落后于克里斯滕森、雷施利和威利（2012;) ） (的风险增加，学生的数字参与数据可用于评估他们的参与水平，并以高准确度预测未来的行为和成就。 此外，这些数据可用于识别“有风险”的学生，因为它与2013年阿萨尔塔和施密特 (学术成就高度相关;巴拉德瓦伊、布里耶什·库马尔和索拉布·帕尔，2012年;贝克，2004年;坎贝尔等人，2006年;戈德斯坦和卡茨，2005年;约翰逊，2005年;米奇诺夫等人，2011年;莫里斯等人，2005年;曲和约翰逊，2005年;拉法利和拉维德，1997年;王和纽林，2002年：你，2016;) 。
研究还表明， 早期干预有助于缓解这种风险。 有证据表明，在2007年) 尼尔德、巴尔凡兹和赫尔佐格 (，高比例的风险学生早在他们真正辍学之前就发出了求救信号。 因此，预警系统正在帮助教育工作者防止学生偏离毕业的轨道，并针对最需要他们的学生的干预和支持 (2008年平库斯，2008年) 。
阿萨尔塔，C.J.，&施密特，J.R. (2013) 。 混合课程中联机材料的访问模式。 创新教育决策科学杂志，11 (1) ，107-123。
巴拉德瓦伊， B. K.， & Pal， S. (2012) . 挖掘教育数据以分析学生的性能。 arXiv preprint arXiv：1201.3417.
贝克，J.E. (2004年8月) 日。 使用响应时间为学生脱离接触建模。 在 “ITS2004学习环境中的社会和情商研讨会 ”中， (Vol。 20， No. 2004， pp. 88-95) .
坎贝尔，J.P.，芬尼根，C.，&柯林斯，B. (2006年7月) 日。 学术分析：将 CMS 用作预警系统。 在 WebCT 影响会议中。
克里斯滕森，S.L.，雷施利，洛杉矶，&威利，C. (埃德斯.) 。 (2012) 。 学生参与研究手册。 Springer Science & Business Media。
戈尔德斯坦，P.J.，&卡茨，R.N. (2005) 。 学术分析：在高等教育中使用管理信息和技术 (卷。 8， 1 号， pp. 1- 12) 。 Educause。
约翰逊，G.M. (2005) 。 学生异化、学术成就和 WebCT 使用。 教育技术&学会杂志， 8 (2) ，179-189年。
米奇诺夫， N.， 布鲁诺特， S.， 勒博赫克， O.， 朱赫尔， J.， &德拉瓦尔， M. (2011) . 联机学习环境中的拖延、参与和性能。 计算机&教育， 56 (1) ，243-252。
莫里斯，L.V.，芬尼根，C.，&吴，S.S.。 (2005) 。 跟踪在线课程中的学生行为、持久性和成就。 互联网和高等教育， 8 (3) ，221-231。
尼尔德，R.C.，巴尔凡兹，R.，&赫尔佐格，L. (2007) 。 预警系统。 教育领导， 65 (2) ，28-33。
平库斯，L. (2008) 。 使用预警数据提高毕业率：关闭教育系统的裂缝。 华盛顿特区：优秀教育联盟。
曲，洛杉矶，&约翰逊，W.L. (2005年5月) 日。 在交互式学习环境中检测学习者的激励状态。 在2005年教育人工智能会议的议事录中：支持通过智能和社会知情的技术进行学习 (第547-554) 。
拉法利，S.，&拉维德，G. (1997) 。 信息系统课程的基于 Web 的联机学习环境：访问日志、线性和性能。 在 Proc. Inf. Syst. Educ. Conf 中 (卷。 97， pp. 92-99) .
王，A.Y.，&纽林，M.H. (2002) 。 Web-student 性能的预测因素：自我效能的作用和参加在线课程的原因。 计算机在人类行为， 18 (2) ， 151-163.
你，J.W. (2016) 。 使用 LMS 数据识别重要指标，以预测在线学习中的课程成就。 互联网和高等教育， 29，23-30。
预测学生活动下降
机器学习模型采用过去三周内每个学生的数字活动模式，并使用这些数据来识别目前处于活动状态但已显示早期指标的学生，表明他们的参与水平可能在未来一周内下降。 该模型考虑了课堂生态系统的具体学习模式，并考虑到假期和假期导致的课堂活动差距。 学生参与的预测是个人的，了解不同的学生可能会表现出不同的活动模式，没有“正常”行为。 这些学生支持焦点不评估学生，而是确定活动模式，这些模式非常重要，足以表明可能需要支持，并使教育者能够尽早进行干预。
用作模型输入的活动信号包括：
-
SharePoint 文件访问模式：打开、修改、下载、上传
-
分配和提交访问模式：分配、打开、启用
-
课堂聊天参与：访问、发布、答复、展开、响应
-
课堂会议参与
-
OneNote 类笔记本页面访问：编辑、反映使用情况、发布
重要: 模型使用活动，而不是内容本身。 例如，它不使用聊天消息、文档内容、反映情绪或可用于标识该学生的任何内容。
谈话要点
该模型标识了班级中最多 15% 的已演示活动信号的学生，然后突出显示每个学生在 “谈话要点”中显示的指示器。 选择学生支持聚焦卡时，显示脱离接触早期指标的学生将与旨在帮助你启动有关该学生支持需求的对话的“谈话点”一起列出。
你可能在学生支持聚焦卡上看到的谈话要点包括：
-
参与数字讨论较少
-
发起的数字讨论已减少
-
对更少的 Teams 消息做出反应
-
参与数字学习的机会较少
-
访问较少的联机类材料
-
比平时更晚开始 Teams 分配
-
在 OneNote 课堂笔记本中工作较少
隐私和负责任的 AI
在 Microsoft，我们非常关心 AI 的隐私和道德使用。 因此，模型中嵌入了以下隐私原则：
-
该模型是使用 注视方式训练的，这意味着数据科学家无法查看类数据。
-
我们仅与 已有权访问 基础数据并熟悉学生的个人共享有关学生的见解。 即课堂教育家。
-
模型永远不会将学生描述为“好”或“坏”。 我们的目标是通过以非判断性的方式分享对数据的 客观观察 ，支持教育者对其学生做出明智的决策。
-
该模型有意避免偏见，不使用任何标识信息 (，如姓名、性别或种族) 。 该模型仅使用来自 Teams 中学生交互的行为信息。
-
该预测纯粹是形成性的，这意味着它旨在提醒教育工作者，并支持他们修改其实践以造福于学生，但 不会保存 在 Insights 数据库中供将来审阅。 它反映了特定时间点的行为，不应用于对任何学生进行官方评估。
模型限制
-
模型一次检查一个类。 如果学生的活动模式在一个班级中有所下降，并且倾向于另一个班级，则教师可能会收到通知，仅在活动减少的班级中需要支持。
-
该模型仅通过 Teams 使用数字参与作为度量值。 不考虑从学生到教师、学生之间或 Teams 外部的直接通信。 模型中不会表示 Teams 外部的数字活动。
-
为了允许对学习机会进行细微计算，预测将仅针对 5 个以上的学生、至少 4 周的数字活动和至少 30% 的学生参与模型使用的一个或多个数字活动执行。
需要更多帮助?
需要更多选项?
了解订阅权益、浏览培训课程、了解如何保护设备等。
社区可帮助你提出和回答问题、提供反馈，并听取经验丰富专家的意见。
