Scheinwerferkarten für Die Schülerunterstützung in Education Insights
Applies To
Microsoft Teams Microsoft Teams für EducationKI-basierte Scheinwerferkarten für die Unterstützung von Kursteilnehmern sollen Lehrkräften dabei helfen, die Aufmerksamkeit zu differenzieren, um Schüler zu unterstützen, bevor sie in Rückstand geraten. In diesem Karte wird ein maschinelles Lernen verwendet, um die digitalen Engagementmuster des Klassenzimmers sowie jedes einzelnen Schülers zu überwachen und Lehrkräfte zu benachrichtigen, wenn Schüler frühe Anzeichen einer Entengagement zeigen. Der Blickpunkt Karte bietet eine Liste von Schülern, die in der folgenden Woche möglicherweise Unterstützung von Lehrkräften benötigen, zusammen mit den spezifischen Gesprächspunkten, die auf der Änderung der Aktivität der Schüler basieren. Vorhersagen sind rein formativ und basieren nur auf digitalen Engagement-Signalen, die in Education Insights verfügbar sind, es werden keine zusätzlichen Daten gesammelt.
Wie sollten Lehrkräfte den Blickpunkt Karte nutzen?
Als Lehrkraft kennen und verstehen Sie Ihre Schüler am besten. Dieser Blickpunkt soll ein Licht auf das Lernen von Schülern und das Engagement richten, um Lehrkräften dabei zu helfen, unterstützungswürdige Unterstützung für ihre Schüler zu differenzieren.
Dieses Tool soll in Kombination mit persönlichen Beziehungen und dem Verständnis der Fähigkeiten und Umstände des Schülers verwendet werden. Spotlights bewerten die Schüler nicht, sondern bieten Lehrkräften die Möglichkeit, auf ihren bestehenden Beziehungen aufzubauen und die Unterstützung zu differenzieren.
Wichtig: Einige Schüler, die Unterstützung benötigen, demonstrieren möglicherweise ihre Notwendigkeit mit konsistenter Inaktivität. Kursteilnehmer, die konsistent inaktiv sind, werden im Karte nicht hervorgehoben, da sie keine Aktivitätsdaten zur Interpretation bereitgestellt haben. Bitte achten Sie genau auf den Aktivitäts-Blickpunkt Karte, um Schüler zu identifizieren, die inaktiv sind, da dies ein weiterer Indikator dafür ist, dass Die Schüler Unterstützung benötigen.
Recherche für die Karte
Der Konsens in der pädagogischen Forschungsgemeinschaft ist, dass der Rückgang des Engagements ein Indikator dafür ist, dass die Schüler Herausforderungen erleben und ein erhöhtes Risiko haben, ins Hintertreffen zu geraten (Christenson, Reschly und Wylie, 2012;), und dass die Digitalen Engagement-Daten der Schüler verwendet werden können, um ihr Engagement zu bewerten und zukünftige Verhaltensweisen und Erfolge mit hoher Genauigkeit vorherzusagen. Darüber hinaus können diese Daten verwendet werden, um "gefährdete" Studierende zu identifizieren, da sie in hohem Maße mit akademischen Leistungen korreliert sind (Asarta und Schmidt, 2013; Baradwaj, Brijesh Kumar und Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein und Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu und Johnson, 2005; Rafaeli und Ravid, 1997; Wang und Newlin, 2002; Sie, 2016;).
Untersuchungen zeigen auch, dass frühzeitige Interventionen dazu beiträgt, dieses Risiko zu mindern. Es gibt Hinweise darauf, dass ein hoher Prozentsatz der gefährdeten Schüler Schon lange vor dem tatsächlichen Schulabbruch Notsignale sendet (Neild, Balfanz und Herzog, 2007). Aus diesem Grund helfen Frühwarnsysteme Pädagogen zu verhindern, dass Schüler vom Weg zum Abschluss fallen, und interventionen und Unterstützung für Schüler, die sie am meisten benötigen (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Greifen Sie auf Muster von Online-Materialien in einem gemischten Kurs zu. Decision Sciences Journal innovative Bildung, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Mining von Bildungsdaten, um die Leistung der Schüler zu analysieren. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, August). Verwenden von Antwortzeiten zum Modellieren des Schüler-/Studenten-Disengagements. In Proceedings of the ITS2004 Workshop on Social and Emotional Intelligence in Learning Environments (Vol. 20, Nr. 2004, S. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, Juli). Akademische Analysen: Verwendung des CMS als Frühwarnsystem. In Der WebCT-Auswirkungskonferenz.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Hrsg.). (2012). Handbuch der Forschung zum Engagement von Studierenden. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Akademische Analysen: Die Verwendung von Managementinformation und -technologie in der Hochschulbildung (Vol. 8, Nr. 1, S. 1-12). Educause.
Johnson, G. M. (2005). Studentenverfremdung, akademische Leistungen und WebCT-Nutzung. Journal of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Prokrastination, Teilnahme und Leistung in Online-Lernumgebungen. Computer & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Nachverfolgen des Verhaltens, der Persistenz und der Leistung von Kursteilnehmern in Onlinekursen. Internet und Hochschulbildung, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Ein Frühwarnsystem. Pädagogische Führung, 65(2), 28-33.
Pinkus, L. (2008). Nutzung von Frühwarndaten zur Verbesserung der Abschlussquoten: Schließung der Risse im Bildungssystem. Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, Mai). Erkennen der Motivationszustände des Lernenden in einer interaktiven Lernumgebung. In Proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and social informed technology (S. 547-554).
Rafaeli, S., & Ravid, G. (1997). Online-, webbasierte Lernumgebung für einen Informationssystemkurs: Zugriff auf Protokolle, Linearität und Leistung. In Proc. Inf. Syst. Educ. Conf (Vol. 97, S. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Prädiktoren der Leistung von Webstudenten: Die Rolle der Selbstwirksamkeit und die Gründe für die Teilnahme an einem Onlinekurs. Computer im menschlichen Verhalten, 18(2), 151-163.
Sie, J. W. (2016). Identifizieren wichtiger Indikatoren mithilfe von LMS-Daten zur Vorhersage des Kurserfolgs beim Onlinelernen. Internet und Hochschulbildung, 29, 23-30.
Vorhersage des Rückgangs der Aktivität von Schülern und Studenten
Das Machine Learning-Modell verwendet die digitalen Aktivitätsmuster jedes einzelnen Schülers in den letzten drei Wochen und verwendet diese Daten, um Schüler zu identifizieren, die heute aktiv sind, aber frühe Anzeichen dafür gezeigt haben, dass ihr Engagementlevel in der kommenden Woche sinken kann. Das Modell berücksichtigt die spezifischen Lernmuster des Classroom-Ökosystems sowie die Berücksichtigung von Lücken in der Unterrichtsaktivität, die sich aus Urlauben und Feiertagen ergeben. Die Vorhersage des Engagements der Schüler ist individuell, mit dem Verständnis, dass verschiedene Schüler unterschiedliche Aktivitätsmuster aufweisen können und es kein "normales" Verhalten gibt. Diese Scheinwerfer für die Unterstützung von Schülern und Studenten bewerten nicht die Schüler, sondern identifizieren Aktivitätsmuster, die signifikant genug sind, um auf potenziellen Unterstützungsbedarf hinzuweisen und Lehrkräften die Möglichkeit zu geben, frühzeitig zu intervenieren.
Zu den Aktivitätssignalen, die als Eingabe für das Modell verwendet werden, gehören:
-
SharePoint-Dateizugriffsmuster: Öffnen, Ändern, Herunterladen, Hochladen
-
Zuweisungen und Übermittlungszugriffsmuster: Zuweisen, Öffnen, Turn-In
-
Teilnahme am Kurschat: Besuchen, Posten, Antworten, Erweitern, Reagieren
-
Teilnahme an Klassenbesprechungen
-
Zugriff auf Notizbuchseiten der OneNote-Klasse: Bearbeiten, Reflektieren der Nutzung, Posten
Wichtig: Das Modell verwendet Aktivität und nicht den Inhalt selbst. Beispielsweise werden KEINE Inhalte aus Chatnachrichten, Inhalten von Dokumenten, Emotionen reflektieren oder andere Inhalte verwendet, die verwendet werden könnten, um diesen Kursteilnehmer zu identifizieren.
Gesprächspunkte
Das Modell identifiziert bis zu 15 % der Kursteilnehmer, die in Bezug auf Aktivitätssignale gezeigt haben, und hebt dann die Indikatoren hervor, die jeder Kursteilnehmer in Den Gesprächspunkten angezeigt hat. Wenn Sie das Spotlight für die Unterstützung von Kursteilnehmern Karte auswählen, werden die Schüler, die frühe Anzeichen für die Abschaltung gezeigt haben, neben Gesprächspunkten aufgeführt, die Ihnen helfen sollen, eine Unterhaltung über die Unterstützungsbedürfnisse dieses Kursteilnehmers zu initiieren.
Zu den Gesprächspunkten , die auf den Spotlight-Karten für die Unterstützung von Schülern angezeigt werden, gehören:
-
hat sich weniger an digitalen Diskussionen beteiligt
-
hat weniger digitale Diskussionen angestoßen
-
hat auf weniger Teams-Nachrichten reagiert
-
hat an digitalen Lernmöglichkeiten weniger teilgenommen
-
hat auf weniger Online-Kursmaterialien zugegriffen
-
Teams-Zuweisungen wurden später als üblich gestartet.
-
hat in ihrem OneNote-Kursnotizbuch weniger gearbeitet
Datenschutz und verantwortungsvolle KI
Bei Microsoft ist uns der Datenschutz und die ethische Nutzung von KI sehr wichtig. Daher sind die folgenden Datenschutzprinzipien in das Modell eingebettet:
-
Das Modell wird auf eine Augen-off-Weise trainiert, was bedeutet, dass unsere Data Scientists keinen Zugriff haben, um die Klassendaten anzuzeigen.
-
Erkenntnisse zu Kursteilnehmern geben wir nur an Personen weiter, die bereits Zugriff auf die zugrunde liegenden Daten haben und mit dem Kursteilnehmer persönlich vertraut sind. d.h. die Klassenlehrerin.
-
Das Modell wird einen Kursteilnehmer niemals als "gut" oder "schlecht" profilieren. Wir möchten die Lehrkraft dabei unterstützen, fundierte Entscheidungen über ihre Schüler zu treffen, indem wir objektive Beobachtungen von Daten auf unurteilsfreie Weise teilen.
-
Das Modell ist beabsichtigt, Verzerrungen zu vermeiden und verwendet keine identifizierenden Informationen (z. B. Name, Geschlecht oder Rasse). Das Modell verwendet nur Verhaltensinformationen aus den Interaktionen von Kursteilnehmern in Teams.
-
Die Vorhersage ist rein formativ, d. h. sie ist darauf ausgelegt, Lehrkräfte zu warnen und sie bei der Änderung ihrer Praxis zum Nutzen ihrer Schüler zu unterstützen, wird aber nicht in der Insights-Datenbank zur zukünftigen Überprüfung gespeichert . Es ist eine Spiegelung des Verhaltens zu einem bestimmten Zeitpunkt und sollte nicht für die offizielle Bewertung eines Schülers verwendet werden.
Modellbeschränkungen
-
Das Modell untersucht jeweils eine Klasse. Wenn das Aktivitätsmuster eines Schülers in einer Klasse abgenommen und in einer anderen klasse geneigt ist, werden Pädagogen möglicherweise nur in der Klasse mit abgelehnter Aktivität über den Bedarf an Unterstützung informiert.
-
Das Modell verwendet nur digitales Engagement über Teams als Maß. Die direkte Kommunikation zwischen Kursteilnehmern und Lehrkräften, zwischen Kursteilnehmern oder außerhalb von Teams wird nicht berücksichtigt. Digitale Aktivitäten außerhalb von Teams werden im Modell nicht dargestellt.
-
Um eine differenzierte Berechnung der Lernmöglichkeiten zu ermöglichen, wird die Vorhersage nur für Kurse mit mehr als 5 Kursteilnehmern, mindestens 4 Wochen digitaler Aktivität und mindestens 30 % Der Teilnahme der Schüler an einer oder mehreren der vom Modell verwendeten digitalen Aktivitäten durchgeführt.
Benötigen Sie weitere Hilfe?
Möchten Sie weitere Optionen?
Erkunden Sie die Abonnementvorteile, durchsuchen Sie Trainingskurse, erfahren Sie, wie Sie Ihr Gerät schützen und vieles mehr.
In den Communities können Sie Fragen stellen und beantworten, Feedback geben und von Experten mit umfassendem Wissen hören.
