Diákok által támogatott reflektorfénykártyák a Oktatási Insights
Applies To
Microsoft Teams Microsoft Teams oktatáshozAz AI-alapú diáktámogatási reflektorfénykártyákat úgy alakítottuk ki, hogy segítsenek az oktatóknak megkülönböztetni a figyelmet a diákok támogatásához, mielőtt lemaradnának. Ez a kártya egy gépi tanulással figyeli az osztályterem digitális előjegyzési mintáit, valamint az egyes tanulókat, és értesíti az oktatókat, ha a diákok korai leállás jeleit mutatják. A reflektorfény kártyán azoknak a diákoknak a listája látható, akiknek a következő héten esetleg oktatói támogatásra lehet szükségük, valamint azokat a konkrét témákat, amelyek a diákok tevékenységváltozásán alapulnak. Az előrejelzések csupán formatívak, és csak a Oktatási Insights elérhető digitális előjegyzési jelekre támaszkodnak, további adatok gyűjtése nem történik.
Hogyan használják az oktatók a reflektorfénykártyát?
Oktatóként ismeri és érti a legjobban a tanulókat. Ez a reflektorfény úgy lett kialakítva, hogy fény derüljön a diákok tanulására és elkötelezettségére, hogy segítse az oktatókat abban, hogy különbséget tegyenek a támogatásban, hogy a tanulókat egyenlően támogathassák.
Ez az eszköz a személyes kapcsolatokkal és a tanuló képességeinek és körülményeinek megértésével együtt használható. A reflektorfények nem értékelik a diákokat, hanem lehetőséget biztosítanak az oktatóknak arra, hogy meglévő kapcsolataikra építkezhessenek, és megkülönböztessék a támogatást.
Fontos: Előfordulhat, hogy egyes támogatásra szoruló diákok következetes inaktivitással bizonyítják az igényüket. A folyamatosan inaktív diákok nem lesznek kiemelve a diáktámogatási kártyán, mivel nem adtak meg értelmezendő tevékenységadatokat. Ügyeljen a Tevékenységfókusz kártyára az inaktív diákok azonosításához, mivel ez egy másik olyan jelzés, amely szerint a diákoknak támogatásra van szükségük.
Kutatás a diáktámogatási kártyához
A pedagógiai kutatóközösségben az a konszenzus, hogy a részvétel hanyatlása azt jelzi, hogy a diákok kihívásokat tapasztalnak, és nagyobb eséllyel néznek szembe a lemaradással (Christenson, Reschly és Wylie, 2012;), valamint hogy a diákok digitális előjegyzési adatai felhasználhatók a részvételi szintjük értékelésére, valamint a jövőbeli viselkedések és eredmények nagy pontosságú előrejelzésére. Ezen kívül ezek az adatok felhasználhatók a "veszélyeztetett" diákok azonosítására is, mivel szorosan összefüggenek a tudományos eredményekkel (Asarta és Schmidt, 2013; Baradwaj, Brijesh Kumar és Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein és Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu and Johnson, 2005; Rafaeli és Ravid, 1997; Wang és Newlin, 2002; Ön, 2016;).
A kutatások azt is mutatják, hogy a korai beavatkozás segít mérsékelni ezt a kockázatot. Bizonyíték van arra, hogy a veszélyeztetett diákok nagy hányada küld vészjelzéseket jóval azelőtt, hogy ténylegesen kiesnének az iskolából (Neild, Balfanz és Herzog, 2007). Ezért a korai figyelmeztető rendszerek segítenek az oktatóknak megakadályozni, hogy a diákok a diplomaosztóig leeshessenek a pályáról, és beavatkozásokat és támogatást célozzanak azoknak a diákoknak, akiknek a legnagyobb szükségük van rájuk (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Online anyagok hozzáférési mintái vegyes kurzusban. Decision Sciences Napló of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Oktatási adatok kibányászata a diákok teljesítményének elemzéséhez. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, augusztus). Válaszidők használata a diákok kivezetésének modellezéséhez. In Proceedings of the ITS2004 Workshop on Social and Emotional Intelligence in Learning Environments (Vol. 20, No. 2004, pp. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, július). Tudományos elemzések: A CMS használata korai figyelmeztető rendszerként. A WebCT hatáskonferenciáján.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Kézikönyv a diákok bevonásáról szóló kutatáshoz. Springer Science & üzleti média.
Goldstein, P. J., & Katz, R. N. (2005). Tudományos analitika: A vezetői információk és a technológia alkalmazása a felsőoktatásban (v. évf. 8, No. 1, pp. 1-12). Educause.
Johnson, G. M. (2005). A diákok elidegenedése, a tudományos eredmények és a WebCT használata. Napló oktatási technológiai & Társadalom, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Halasztás, részvétel és teljesítmény online tanulási környezetekben. Számítógépek & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). A diákok viselkedésének, megőrzésének és eredményeinek nyomon követése online kurzusokon. Az internet és a felsőoktatás, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Egy korai figyelmeztető rendszer. Oktatási vezetés, 65(2), 28-33.
Pinkus, L. (2008). Korai figyelmeztetési adatok használata a diplomaosztók arányának javításához: A repedések lezárása az oktatási rendszerben. Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, május). A tanuló motivációs állapotainak észlelése interaktív tanulási környezetben. In Proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and socially informed technology (A tanulás támogatása intelligens és társadalmilag tájékozott technológiával) című 2005 . évi konferencia (547–554. o.).
Rafaeli, S., & Ravid, G. (1997). Online, webalapú tanulási környezet információs rendszerekhez: Hozzáférési naplók, linearitás és teljesítmény. In Proc. Inf. Syst. Educ. Conf (V. évf. 97, pp. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). A webtanulók teljesítményének prediktorai: Az önhatás szerepe és az on-line osztály felvételének okai. Számítógépek emberi viselkedésben, 18(2), 151-163.
Te, J. W. (2016). Jelentős mutatók azonosítása LMS-adatokkal az online tanulás során elért kurzusok eredményeinek előrejelzéséhez. Az internet és a felsőoktatás, 29, 23-30.
A diákok tevékenységbeli hanyatlásának előrejelzése
A gépi tanulási modell az egyes tanulók digitális tevékenységmintáit veszi alapul az elmúlt három hétben, és az adatok alapján azonosítja azokat a diákokat, akik jelenleg aktívak, de korai mutatókat mutattak arra vonatkozóan, hogy a részvételi szintjük a következő héten csökkenhet. A modell figyelembe veszi az osztályterem ökoszisztémájának sajátos tanulási mintáit, valamint figyelembe veszi a szabadságokból és szabadságokból eredő osztálytevékenység hiányosságait. A tanulók bevonásának előrejelzése egyéni, azzal a megértéssel, hogy a különböző tanulók különböző tevékenységmintákat mutathatnak, és nincs olyan, hogy "normális" viselkedés. Ezek a diáktámogatási reflektorfények nem értékelik a tanulókat, hanem olyan tevékenységmintákat azonosítanak, amelyek elég jelentősek ahhoz, hogy jelezzék a lehetséges támogatásra való igényt, és lehetővé teszik az oktatóknak, hogy korán beavatkozzanak.
A modell bemeneteként használt tevékenységjelek a következők:
-
SharePoint-fájlelérési minták: Megnyitás, Módosítás, Letöltés, Feltöltés
-
Hozzárendelések és beküldési hozzáférési minták: hozzárendelés, megnyitás, beadás
-
Csoportos csevegésben való részvétel: látogatás, közzététel, válasz, kibontás, reagálás
-
Osztályértekezletek részvétele
-
OneNote-osztályjegyzetfüzet-lapok elérése: szerkesztés, használat tükrözése, közzététel
Fontos: A modell nem magát a tartalmat, hanem a tevékenységet használja. Például NEM használ csevegőüzenetekből, dokumentumok tartalmából, érzelmek tükrözéséből vagy bármiből származó tartalmat, amely az adott tanuló azonosítására használható.
Beszédpontok
A modell azonosítja az osztály azon tanulóinak akár 15%-át, akik a tevékenységjelekkel kapcsolatban bizonyítottak, majd kiemeli azokat a mutatókat, amelyeket az egyes tanulók a Beszélgetési pontokon jelenítenek meg. Ha kiválasztja a tanulói támogatási reflektorfénykártyát, a leállás korai mutatóit mutató diákok a beszélgetési pontok mellett jelennek meg, amelyek segítenek az adott diák támogatási szükségleteivel kapcsolatos beszélgetés kezdeményezésében.
A diáktámogatási reflektorfénykártyákon látható beszélgetési pontok a következők:
-
kevesebb digitális vitafórumban vett részt
-
kevesebb digitális vita kezdeményezését kezdeményezte
-
kevesebb Teams-üzenetre reagált
-
kevesebb digitális tanulási lehetőségben vett részt
-
kevesebb online tananyaghoz fért hozzá
-
a szokásosnál később kezdte el a Teams-feladatokat
-
kevesebbet dolgozott a OneNote-osztályjegyzetfüzetében
Adatvédelem és felelős AI
A Microsoftnál mélyen törődünk a mesterséges intelligencia adatvédelemmel és etikus használatával. Ezért a következő adatvédelmi alapelvek vannak beágyazva a modellbe:
-
A modell betanítása kitekintő módon történik, ami azt jelenti, hogy az adatelemzőknek nincs hozzáférésük az osztályadatok megtekintéséhez.
-
Csak olyan személyekkel osztjuk meg a tanulókkal kapcsolatos megállapításokat, akik már hozzáférnek az alapul szolgáló adatokhoz, és ismerik a diák személyes ismereteit. azaz az osztálypedagógus.
-
A modell soha nem fogja "jóként" vagy "rosszként" ábrázolni a diákokat. Célunk, hogy támogassuk az oktatót abban, hogy megalapozott döntéseket hozzon a diákjaival kapcsolatban azáltal, hogy objektív megfigyeléseket oszt meg az adatokról, nem ítélkező módon.
-
A modell szándékos a torzítás elkerülése érdekében, és nem használ azonosító adatokat (például nevet, nemet vagy fajt). A modell csak a Diákok interakcióiból származó viselkedési információkat használja a Teamsben.
-
Az előrejelzés csupán formatív, vagyis arra szolgál, hogy riasztást küldjön az oktatóknak, és támogassa őket a gyakorlatuk módosításában a diákok javára, de a későbbi felülvizsgálat céljából nem kerül mentésre az Insights-adatbázisba. Ez a viselkedés tükrözése egy adott időpontban, és nem használható a diákok hivatalos értékelésére.
Modellkorlátozások
-
A modell egyszerre egy osztályt vizsgál meg. Ha egy tanuló tevékenységmintája az egyik osztályban csökkent, és egy másikba hajlott, az oktatók értesítést kaphatnak arról, hogy csak az elutasított tevékenységgel rendelkező osztályban van szükség támogatásra.
-
A modell csak a Teamsen keresztüli digitális előjegyzést használja mértékként. A diákok és az oktatók közötti, a diákok közötti vagy a Teamsen kívüli közvetlen kommunikáció nem számít. A Teamsen kívüli digitális tevékenységek nem jelennek meg a modellben.
-
A tanulási lehetőségek árnyalt kiszámításának lehetővé tétele érdekében az előrejelzés csak az 5-nél több diákot, legalább 4 hetes digitális tevékenységet és legalább 30%-os részvételt a modell által használt digitális tevékenységekben.
További segítségre van szüksége?
További lehetőségeket szeretne?
Fedezze fel az előfizetés előnyeit, böngésszen az oktatóanyagok között, ismerje meg, hogyan teheti biztonságossá eszközét, és így tovább.
A közösségek segítségével kérdéseket tehet fel és válaszolhat meg, visszajelzést adhat, és részletes ismeretekkel rendelkező szakértőktől hallhat.
