Related topics
×

AI 型 學生支援 焦點卡片是專為協助授課者區分注意力以在學生落後之前予以支援所設計。 此卡片使用機器學習來監控教室的數位參與模式,以及每個學生的數位參與模式,並在學生顯示初次接觸時通知授課者。 焦點卡片提供下周可能需要授課者支援的學生清單,以及根據活動中學生變更的特定談話重點。 預測純粹是形式性的,只依賴教育版 Insights提供的數位參與訊號,不會收集其他資料。

授課者應該如何使用焦點卡片?

身為授課者,您最瞭解並瞭解您的學生。 此焦點旨在讓學生學習和參與更亮眼,以協助授課者區分支援,以明確地賦予學生權力。

此工具應與個人關係搭配使用,並瞭解學生的能力與情況。 焦點不會評估學生,而是提供授課者根據其現有關系建立並提供不同支援的機會。

範例學生支援卡片顯示:5 個學生下周可能需要更多支援。

重要: 部分需要支援的學生可能會以一致的閒置狀態來展示其需求。 學生支援卡片中不會醒目提示持續處於非使用中狀態的學生,因為他們未提供解譯的活動資料。 請密切注意 [活動] 焦點卡片,以識別非使用中的學生,因為這是學生需要支援的另一個指標。

學生支援卡片的研究

受課式研究社群的共識是,拒絕參與是學生正遭遇挑戰並面臨比 (Christenson、Reschly 和 Wylie 2012;) 之後的較高風險,而該學生的數位參與資料可用來評估其參與程度,並以高正確性預測未來的行為和成就。 此外,此資料可用來識別「有風險」的學生,因為它與 2013 (Asarta 和Scharta 的學術成就高度相關;Baradwaj、Brijesh Kumar 和 Saurabh Pal., 2012;于 2004 年 12 月 2 日;週二、2006;Goldstein 和 Katz,2005;金森,2005;框林ov et al., 2011;Morris et al., 2005;Qu 和金安,2005;拉維迪和拉維德,1997 年;王又和紐林,2002;您,2016;) 。

研究也顯示 早期介入有助於降低該風險。 在實際退出學校之前,高百分比的風險學生會傳送困擾訊號, (Neild、Balfanz 和 Herzog,2007) 。 因此,早期警告系統會協助授課者防止學生步入畢業典禮的進度,並且針對最需要他們的學生進行介入和支援, (Pinkus,2008) 。

Asarta, C. J., &哲哲, J. R. (2013) 。 混合課程中的線上資料存取模式。 決策創新教育領域日誌11 (1) ,107-123。

Baradwaj, B. K. & Pal, S. (2012) 。 挖掘教育資料以分析學生的表現。 arXiv preprint arXiv:1201.3417

Publisher, J. E. (2004 年 8 月) 日。 使用回應時間來示範學生散亂的模型。 在 適用于學習環境中社交和情緒智慧之 ITS2004 研討會的[程式 (Vol 中。 20,否。 2004, pp. 88-95) 。

于 2006 年 7 月) 日,于 2006 年 (日、芬蘭文、C.& Collins。 學術分析:使用 CMS 做為早期警告系統。 在 WebCT 影響會議中。

Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.) . (2012) 。 學生參與研究手冊。 Springer Science & Business Media。

Goldstein, P. J., & Katz, R. N. (2005) 。 學術分析:教育版中管理資訊與技術的用途 (Vol。 8, No. 1, pp. 1-12) 。 教育用。

金安生,G.M. (2005) 。 學生異化、學術成就和 WebCT 使用。 教育技術&日誌8 (2) ,179-189。

加密西諾夫,N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011) 。 線上學習環境中的專業性、參與性和效能。 電腦&教育版, 56 (1) ,243-252。

Morris, L. V.,Finegan, C., & Wu, S. S. (2005) 。 追蹤學生在線上課程中的行為、持續性及成就。 Internet and Higher Education8 (3) , 221-231.

林德,R. C., Balfanz, R., & Herzog, L. (2007) 。 早期警告系統。 教育領導者65 (2) ,28-33。

Pinkus, L. (2008) 。 使用警告早期資料來改善畢業率:關閉會在教育系統中破裂。 華盛頓州:Alliance for Excellent Education

Qu, L., &並排, W. L. (2005 年 5 月) 日。 在互動式學習環境中偵測學習者的動力狀態。 在 2005 年教育用人工智慧會議的[程式] 中:透過智慧型與社交資訊技術 (pp 支援學習 。547-554) 。

加力、S、& Ravid、G. (1997) 。 資訊系統課程的線上 Web 學習環境:存取記錄、線性與效能。 在 Proc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99) 。

王, A. Y., & Newlin, M. H. (2002) 。 網路學生表現的預測因素:自我管理的角色,以及上線課程的理由。 人類行為的電腦18 (2) ,151-163。

您,J.W. (2016) 。 使用 LMS 資料來預測線上學習課程成就的重要指標。 網際網路和教育版29、23-30。

預測學生活動會拒絕

機器學習模型採用過去三周每個個別學生的數位活動模式,並使用該資料來識別現今使用中的學生,但已顯示早期指標,表示其參與程度可能會在未來一周降低。 此模型會考慮課堂生態系統的特定學習模式,並會計入假期和假日導致班級活動中的差距。 學生參與度的預測是個別的,因為您瞭解不同的學生可能會顯示不同的活動模式,而且沒有「正常」行為。 這些學生支援焦點不會評估學生,而是識別活動模式,其意義足以指出可能的支援需求,並讓教育人員提早獲得支援。

用來做為模型輸入的活動訊號包括:

  • SharePoint 檔案存取模式:開啟、修改、下載、上傳

  • 作業和提交存取模式:指派、開啟、繳交

  • 課程聊天參與:流覽、張貼、回復、展開、回應

  • 課程會議參與

  • OneNote 課程筆記本頁面存取權:編輯、反映使用量、張貼

顯示機器學習模型如何識別有降低參與度風險的學生流程圖

重要: 模型使用活動,而非內容本身。 例如,它不會使用來自聊天訊息、檔內容、反映情緒的內容,或任何可能用來識別該學生的內容。  

談話重點

模型可識別班級中最多 15% 的學生已示範有關活動訊號,然後醒目提示每個學生在 「談話」點中顯示的標記。 當您選取學生支援焦點卡片時,已顯示未參與早期指標的學生會列在 [交談點] 旁邊,專門協助您針對該學生的支援需求展開交談。

您可能會在[學生支援] 焦點卡片上看到交談重點,包括:

  • 參與數位討論較少

  • 開始較少的數位討論

  • 已回應較少的 Teams 訊息

  • 參與的數位學習機會較少

  • 已存取較少的線上課程資料

  • 比平常更晚開始 Teams 作業

  • 在他們的 OneNote 課程筆記本中減少工作量

隱私權與負責的 AI

在 Microsoft,我們非常關心 AI 的隱私權與合乎道德的使用。 因此,下列隱私權原則是內嵌在模型中:

  • 模型是以 眼外的方式訓練,這表示我們的資料傳輸無法檢視班級資料。

  • 我們只會與 已有權存取 基礎資料且熟悉學生的個人共用學生的深入解析。 也即班級授課者。

  • 此模型永遠不會將學生配置為「良好」或「壞」。 我們的目標是透過以非判斷的方式分享資料的 明確觀察 ,以支援授課者針對學生做出明智的決策。

  • 此模型旨在避免偏見,並不會使用任何識別資訊 (,例如姓名、性別或種族) 。 模型只會使用學生在 Teams 中的互動行為資訊。

  • 預測純粹是形成性的,也就是說,這項預測旨在提醒授課者並支援他們修改練習以使學生受惠,但 不會儲存 在 Insights 資料庫以供日後檢閱。 這是特定時間點的行為反映,不應用於任何學生的正式評量。

模型限制

  • 模型會一次檢查一個班級。 如果某個班級的學生活動模式在某個班級中已拒絕且偏好另一個班級,則授課者可能會收到通知,表示僅在活動遭到拒絕的班級中需要支援。

  • 模型只會透過 Teams 使用數位參與做為衡量標準。 不考慮學生與授課者、學生之間或 Teams 外部之間的直接溝通。 Teams 以外的數位活動將不會顯示在模型中。

  • 若要允許學習機會的細微計算,預測只會針對超過 5 個學生、至少 4 周的數位活動,以及至少 30% 的學生參與模型所使用之一或多個數位活動的班級執行。

Need more help?

Expand your skills
Explore Training
Get new features first
Join Microsoft Insiders

Was this information helpful?

How satisfied are you with the translation quality?
What affected your experience?

Thank you for your feedback!

×