Tarjetas destacadas de soporte técnico para estudiantes en Insights para Educación
Applies To
Microsoft Teams Microsoft Teams para EducaciónLas tarjetas destacadas de soporte técnico para estudiantes basadas en IA están diseñadas para ayudar a los formadores a diferenciar la atención para ayudar a los alumnos antes de que se atrasen. Esta tarjeta usa un aprendizaje automático para supervisar los patrones de participación digital del aula, así como cada alumno individual y notificar a los formadores cuando los alumnos muestren los primeros signos de separación. La tarjeta spotlight proporciona una lista de los alumnos que pueden necesitar apoyo del formador en la semana siguiente, junto con los puntos de conversación específicos en función de los cambios de los alumnos en la actividad. Las predicciones son puramente formativas y dependen solo de las señales de participación digital disponibles en Insights para Educación, no se recopilan datos adicionales.
¿Cómo deben usar los formadores la tarjeta de destacados?
Como formador, sabrá y comprenderá mejor a sus alumnos. Este foco está diseñado para dar luz sobre el aprendizaje y el compromiso de los estudiantes para ayudar a los educadores a diferenciar el apoyo para empoderar a sus alumnos de manera equitativa.
Esta herramienta está diseñada para usarse en combinación con las relaciones personales y la comprensión de las capacidades y circunstancias del estudiante. Los destacados no evalúan a los alumnos, sino que proporcionan oportunidades para que los formadores se desarrollen a la altura de sus relaciones existentes y den un soporte diferenciado.
Importante: Algunos estudiantes que necesitan apoyo pueden estar demostrando su necesidad con inactividad constante. Los alumnos que estén constantemente inactivos no se resaltarán en la tarjeta de soporte técnico de los alumnos, ya que no han proporcionado datos de actividad para interpretarlos. Preste especial atención a la tarjeta De destacado de actividad para identificar a los alumnos que están inactivos, ya que es otro indicador de que los alumnos necesitan apoyo.
Referencia para la tarjeta de soporte técnico de estudiantes
El consenso en la comunidad de investigación pedagógica es que la disminución en la participación es un indicador de que los estudiantes están experimentando desafíos y enfrentan un mayor riesgo de quedarse atrasados (Christenson, Reschly y Wylie, 2012;), y que los datos de participación digital de los estudiantes se pueden utilizar para evaluar su nivel de participación y predecir con alta precisión los comportamientos y logros futuros. Además, estos datos se pueden utilizar para identificar a los estudiantes "en riesgo", ya que están altamente correlacionados con logros académicos (Asarta y Schmidt, 2013; Baradwaj, Brijesh Kumar, y Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein y Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu y Johnson, 2005; Rafaeli y Ravid, 1997; Wang y Newlin, 2002; Usted, 2016;).
La investigación también muestra que la intervención temprana ayuda a mitigar ese riesgo. Hay evidencia de que un alto porcentaje de estudiantes en riesgo envían señales de socorro mucho antes de que realmente abandonen la escuela (Neild, Balfanz y Herzog, 2007). Por este motivo, los sistemas de alerta temprana ayudan a los formadores a evitar que los alumnos se caigan de la pista hasta la graduación y a dirigir intervenciones y apoyo a los alumnos que más los necesitan (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Acceda a patrones de materiales en línea en un curso combinado. Ciencias de la Decisión Journal de Educación Innovadora, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Minería de datos educativos para analizar el rendimiento de los estudiantes. arXiv preimprima arXiv:1201.3417.
Beck, J. E. (2004, agosto). Usar tiempos de respuesta para modelar la separación de alumnos. In Proceedings of the ITS2004 Workshop on Social and Emotional Intelligence in Learning Environments (Vol. 20, Nº 2004, págs. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, julio). Análisis académico: Uso del CMS como sistema de alerta temprana. En conferencia de impacto webCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Manual de investigación sobre la participación de los estudiantes. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Análisis académico: Los usos de la información y tecnología de gestión en la educación superior (Vol. 8, Nº 1, pp. 1-12). Educause.
Johnson, G. M. (2005). Alienación estudiantil, logros académicos y uso webCT. Journal de tecnología educativa & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Procrastinación, participación y rendimiento en entornos de aprendizaje en línea. Computadoras & Educación, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Realizar un seguimiento del comportamiento, la persistencia y los logros de los alumnos en los cursos en línea. Internet y educación superior, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Un sistema de alerta temprana. Liderazgo educativo, 65(2), 28-33.
Pinkus, L. (2008). Uso de datos de alerta temprana para mejorar las tasas de graduación: Cierre de grietas en el sistema educativo. Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, mayo). Detectar los estados motivacionales del estudiante en un entorno de aprendizaje interactivo. En los trabajos de la conferencia de 2005 sobre inteligencia artificial en la educación: Apoyar el aprendizaje a través de tecnología inteligente y socialmente informada (pp. 547-554).
Rafaeli, S., & Ravid, G. (1997). Entorno de aprendizaje en línea basado en web para un curso de sistemas de información: registros de Access, linealidad y rendimiento. In Proc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Predictores del rendimiento web-estudiante: El papel de la autoeficacia y las razones para tomar una clase en línea. Computadoras en comportamiento humano, 18(2), 151-163.
Tú, J. W. (2016). Identificar indicadores significativos con datos de LMS para predecir los logros del curso en el aprendizaje en línea. Internet y educación superior, 29, 23-30.
Predicción del descenso de alumnos en la actividad
El modelo de aprendizaje automático toma los patrones de actividad digital de cada estudiante en las últimas tres semanas y usa esos datos para identificar a los alumnos que están activos actualmente, pero ha mostrado indicadores iniciales de que su nivel de participación puede caer en la próxima semana. El modelo tiene en cuenta los patrones de aprendizaje específicos del ecosistema del aula, así como el cálculo de las carencias en la actividad de clase resultante de vacaciones y días festivos. La predicción de la participación de los alumnos es individual, con la comprensión de que los diferentes alumnos pueden mostrar diferentes patrones de actividad y no existe tal cosa como el comportamiento "normal". Estos destacados de soporte técnico de alumnos no evalúan a los alumnos, sino que identifican patrones de actividad que son lo suficientemente significativos como para indicar la posible necesidad de apoyo y permitir que los educadores intervengan temprano.
Las señales de actividad usadas como entrada para el modelo incluyen:
-
Patrones de acceso a archivos de SharePoint: Abrir, Modificar, Descargar, Cargar
-
Patrones de acceso a tareas y envíos: asignar, abrir y entregar
-
Participación en el chat de clase: visita, publica, responde, expande, reacciona
-
Participación en reuniones de clase
-
Acceso a las páginas del bloc de notas de clase de OneNote: editar, reflejar el uso, publicar
Importante: el modelo usa la actividad y no el contenido en sí. Por ejemplo, NO usa contenido de mensajes de chat, contenido de documentos, emociones de Reflexiones ni nada que se pueda usar para identificar a ese alumno.
Puntos de conversación
El modelo identifica hasta un 15% de los alumnos de la clase que han demostrado señales de actividad y, a continuación, resalta los indicadores que cada estudiante mostró en Puntos de conversación. Al seleccionar la tarjeta destacado de soporte técnico de los alumnos, los alumnos que han mostrado indicadores iniciales de separación se mostrarán junto a los puntos de conversación diseñados para ayudarle a iniciar una conversación sobre las necesidades de soporte técnico de ese alumno.
Entre los puntos de conversación que puede ver en las tarjetas destacadas de soporte técnico para estudiantes se encuentran los siguientes:
-
ha estado participando en discusiones digitales menos
-
ha iniciado menos discusiones digitales
-
ha reaccionado a menos mensajes de Teams
-
ha participado en menos oportunidades de aprendizaje digital
-
ha accedido a menos materiales de clase en línea
-
ha estado iniciando tareas de Teams más tarde de lo habitual
-
ha estado trabajando menos en su bloc de notas de clase de OneNote
IA responsable y privacidad
En Microsoft nos preocupamos profundamente por la privacidad y el uso ético de la IA. Por lo tanto, los siguientes principios de privacidad están incrustados en el modelo:
-
El modelo está entrenado de una manera llamativa, lo que significa que nuestros científicos de datos no tienen acceso para ver los datos de la clase.
-
Solo compartimos Conclusiones sobre los alumnos con personas que ya tienen acceso a los datos subyacentes y están familiarizados con el alumno. es decir, el formador de clase.
-
El modelo nunca perfilará a un alumno como "bueno" o "malo". Nuestro objetivo es apoyar al educador en la toma de decisiones informadas sobre sus alumnos compartiendo observaciones objetivas de datos de manera no crítica.
-
El modelo es intencionado para evitar sesgos y no usa ninguna información identificativa (como el nombre, el sexo o la raza). El modelo usa solo información conductual de las interacciones de los alumnos en Teams.
-
La predicción es puramente formativa, lo que significa que está diseñada para alertar a los profesores y apoyarlos en la modificación de su práctica para beneficiar a sus alumnos, pero no se guarda en la base de datos de Insights para su futura revisión. Es un reflejo del comportamiento en un momento específico en el tiempo y no se debe usar para la evaluación oficial de ningún estudiante.
Limitaciones de modelo
-
El modelo examina una clase a la vez. Si el patrón de actividad de un alumno ha disminuido en una clase y se inclina en otra, es posible que se notifique a los profesores la necesidad de soporte técnico solo en la clase con actividad rechazada.
-
El modelo solo usa la participación digital a través de Teams como medida. No se tiene en cuenta la comunicación directa entre alumnos y formadores, entre alumnos o fuera de Teams. La actividad digital fuera de Teams no se representará en el modelo.
-
Para permitir un cálculo sutil de las oportunidades de aprendizaje, la predicción solo se realizará para las clases con más de 5 estudiantes, al menos 4 semanas de actividad digital y al menos el 30% de participación de los alumnos en una o más de las actividades digitales utilizadas por el modelo.
¿Necesita más ayuda?
¿Quiere más opciones?
Explore las ventajas de las suscripciones, examine los cursos de aprendizaje, aprenda a proteger su dispositivo y mucho más.
Las comunidades le ayudan a formular y responder preguntas, enviar comentarios y leer a expertos con conocimientos extensos.
