Spotlightkaarten voor studentenondersteuning in Education Insights
Applies To
Microsoft Teams Microsoft Teams for EducationOp AI gebaseerde spotlightkaarten voor studentenondersteuning zijn ontworpen om docenten te helpen de aandacht te onderscheiden om leerlingen/studenten te ondersteunen voordat ze achterop raken. Deze kaart maakt gebruik van machine learning om de digitale betrokkenheidspatronen van het klaslokaal en elke afzonderlijke leerling te bewaken en docenten op de hoogte te stellen wanneer leerlingen/studenten vroege tekenen van ontkoppeling vertonen. De spotlightkaart bevat een lijst met studenten die mogelijk ondersteuning van docenten nodig hebben in de volgende week, samen met de specifieke gesprekspunten op basis van de veranderende activiteit van leerlingen/studenten. Voorspellingen zijn puur formatterend en zijn alleen afhankelijk van digitale betrokkenheidssignalen die beschikbaar zijn in Education Insights er geen aanvullende gegevens worden verzameld.
Hoe moeten docenten de spotlightkaart gebruiken?
Als docent ken en begrijp je je leerlingen het beste. Deze spotlight is ontworpen om een licht te stralen op het leren van studenten en betrokkenheid om docenten te helpen bij het differentiëren van ondersteuning om hun studenten rechtvaardig te maken.
Deze tool is bedoeld om te worden gebruikt in combinatie met persoonlijke relaties en begrip van de mogelijkheden en omstandigheden van de student. Spotlights evalueren studenten niet, maar bieden eerder mogelijkheden voor docenten om voort te bouwen op hun bestaande relaties en ondersteuning te onderscheiden.
Belangrijk: Sommige studenten die ondersteuning nodig hebben, kunnen hun behoeften aantonen met consistente inactiviteit. Studenten die consistent inactief zijn, worden niet gemarkeerd op de ondersteuningskaart voor studenten, omdat ze geen activiteitsgegevens hebben opgegeven om te interpreteren. Let goed op de spotlightkaart Activiteit om leerlingen/studenten te identificeren die inactief zijn, omdat dat een andere indicator is die leerlingen/studenten nodig hebben.
Onderzoek naar de studentenondersteuningskaart
De consensus in de pedagogische onderzoekscommunity is dat afname van betrokkenheid een indicator is dat studenten uitdagingen ondervinden en een verhoogd risico lopen om achter te raken (Christenson, Reschly en Wylie, 2012);), en dat de gegevens van de digitale betrokkenheid van studenten kunnen worden gebruikt om hun betrokkenheidsniveau te beoordelen en toekomstige gedragingen en prestaties met hoge nauwkeurigheid te voorspellen. Bovendien kunnen deze gegevens worden gebruikt om risicovolle studenten te identificeren, omdat ze sterk gecorreleerd zijn met academische prestaties (Asarta en Schmidt, 2013; Baradwaj, Brijesh Kumar en Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein en Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu en Johnson, 2005; Rafaeli en Ravid, 1997; Wang en Newlin, 2002; Jij, 2016;).
Onderzoek toont ook aan dat vroegtijdige interventie helpt om dat risico te beperken. Er is bewijs dat een hoog percentage risicovolle studenten noodsignalen verzendt lang voordat ze daadwerkelijk van school afhaken (Neild, Balfanz, enItia, 2007). Daarom helpen systemen voor vroegtijdige waarschuwing docenten te voorkomen dat studenten van het pad vallen om af te studeren en om interventies en ondersteuning te richten op studenten die deze het hardst nodig hebben (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Krijg toegang tot patronen van online materialen in een gemengde cursus. Decision Sciences Logboek of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Educatieve gegevens analyseren om de prestaties van leerlingen/studenten te analyseren. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, augustus). Reactietijden gebruiken om de uitschakeling van leerlingen/studenten te modelleren. In Proceedings of the ITS2004 Workshop on Social and Emotional Intelligence in Learning Environments (Vol. 20, nr. 2004, pp. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, juli). Academische analyse: het CMS gebruiken als een systeem voor vroegtijdige waarschuwing. In webCT-impactconferentie.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Handboek voor onderzoek naar studentenbetrokkenheid. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Academische analyse: Het gebruik van managementinformatie en -technologie in het hoger onderwijs (Vol. 8, nr. 1, pp. 1-12). Educause.
Johnson, G. M. (2005). Studentenvervreemding, academische prestaties en WebCT-gebruik. Logboek of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Uitstelgedrag, deelname en prestaties in online leeromgevingen. Computers & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S.S. (2005). Gedrag, persistentie en prestaties van leerlingen/studenten bijhouden in online cursussen. Internet en hoger onderwijs, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Een systeem voor vroegtijdige waarschuwing. Onderwijsleiding, 65(2), 28-33.
Pinkus, L. (2008). Het gebruik van vroegtijdige waarschuwingsgegevens om de afstudeercijfers te verbeteren: barsten in het onderwijssysteem sluiten. Washington, DC: Alliantie voor excellent onderwijs.
Qu, L., & Johnson, W. L. (2005, mei). De motiverende toestanden van de cursist detecteren in een interactieve leeromgeving. In Proceedings of the 2005 conference on artificial intelligence in education: Supporting learning through intelligent and socially informed technology (pp. 547-554).
Rafaeli, S., & Ravid, G. (1997). Online, webgebaseerde leeromgeving voor een cursus informatiesystemen: Toegangslogboeken, lineariteit en prestaties. In Proc. Inf. Syst. Educ. Conf (Vol. 97, blz. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Voorspellers van prestaties van web-studenten: de rol van zelfeffectiviteit en redenen voor het nemen van een onlineles. Computers in menselijk gedrag, 18(2), 151-163.
Jij, J. W. (2016). Significante indicatoren identificeren aan de hand van LMS-gegevens om de prestaties van de cursus in online leren te voorspellen. Internet en hoger onderwijs, 29, 23-30.
Voorspelling van de achteruitgang van de activiteit van leerlingen/studenten
Het machine learning-model gebruikt de digitale activiteitspatronen van elke afzonderlijke leerling in de afgelopen drie weken en gebruikt deze gegevens om leerlingen te identificeren die vandaag actief zijn, maar die vroege indicatoren hebben aangetoond dat hun betrokkenheidsniveau in de komende week kan dalen. Het model houdt rekening met de specifieke leerpatronen van het ecosysteem van de klas en houdt rekening met hiaten in de klasactiviteit als gevolg van vakanties en feestdagen. De voorspelling van studentbetrokkenheid is individueel, met het inzicht dat verschillende studenten verschillende activiteitspatronen kunnen vertonen en dat er niet zoiets bestaat als 'normaal' gedrag. Deze spotlights voor ondersteuning van studenten evalueren leerlingen/studenten niet, maar identificeren eerder activiteitspatronen die significant genoeg zijn om de potentiële behoefte aan ondersteuning aan te geven en docenten in staat te stellen vroegtijdig in te grijpen.
De activiteitssignalen die als invoer voor het model worden gebruikt, zijn onder andere:
-
Toegangspatronen voor SharePoint-bestanden: Openen, Wijzigen, Downloaden, Uploaden
-
Toegangspatronen voor toewijzingen en inzending: toewijzen, openen, inleveren
-
Deelname aan klaschat: bezoeken, posten, beantwoorden, uitbreiden, reageren
-
Deelname aan klasvergaderingen
-
Toegang tot oneNote-klasnotitieblokpagina's: bewerken, gebruik weergeven, posten
Belangrijk: het model gebruikt activiteit en niet de inhoud zelf. Het gebruikt bijvoorbeeld GEEN inhoud uit chatberichten, inhoud van documenten, Emoties weergeven of iets dat kan worden gebruikt om die leerling te identificeren.
Gesprekspunten
Het model identificeert maximaal 15% van de studenten in de klas die hebben gedemonstreerd over activiteitssignalen en markeert vervolgens de indicatoren die elke leerling heeft weergegeven in Gesprekspunten. Wanneer u de spotlightkaart voor ondersteuning van studenten selecteert, worden de leerlingen/studenten die vroege indicatoren voor ontkoppeling hebben getoond, weergegeven naast Gesprekspunten die zijn ontworpen om u te helpen een gesprek te starten over de ondersteuningsbehoeften van die leerling/student.
Gesprekspunten die u mogelijk ziet op spotlightkaarten voor studentenondersteuning zijn onder andere:
-
heeft minder aan digitale discussies deelgenomen
-
heeft minder digitale discussies geïnitieerd
-
heeft gereageerd op minder Teams-berichten
-
heeft minder deelgenomen aan digitale leermogelijkheden
-
heeft minder online klasmateriaal geopend
-
heeft Teams-toewijzingen later gestart dan normaal
-
werkt minder in hun OneNote-klasnotitieblok
Privacy en verantwoorde AI
Bij Microsoft hechten we veel aandacht aan privacy en ethisch gebruik van AI. Daarom zijn de volgende privacyprincipes in het model opgenomen:
-
Het model wordt getraind op basis van het oog, wat betekent dat onze gegevenswetenschappers geen toegang hebben om de klassegegevens te bekijken.
-
We delen inzichten over studenten alleen met personen die al toegang hebben tot de onderliggende gegevens en die persoonlijk bekend zijn met de student. de klasopvoeder.
-
Het model profileert een student nooit als 'goed' of 'slecht'. We willen de docent ondersteunen bij het nemen van geïnformeerde beslissingen over hun studenten door objectieve waarnemingen van gegevens op een niet-oordelende manier te delen.
-
Het model is opzettelijk gericht op het voorkomen van vooroordelen en maakt geen gebruik van identificerende informatie (zoals naam, geslacht of ras). Het model gebruikt alleen gedragsinformatie van interacties van leerlingen/studenten in Teams.
-
De voorspelling is puur formatief, wat betekent dat deze is ontworpen om docenten te waarschuwen en hen te ondersteunen bij het wijzigen van hun praktijk ten behoeve van hun studenten, maar wordt niet opgeslagen in de Insights-database voor toekomstige beoordeling. Het is een weerspiegeling van gedrag op een bepaald moment in de tijd en mag niet worden gebruikt voor officiële evaluatie van een student.
Modelbeperkingen
-
Het model onderzoekt één klasse tegelijk. Als het activiteitspatroon van een leerling/student in de ene klas is afgenomen en in een andere les geneigd is, kunnen docenten op de hoogte worden gesteld van de noodzaak van ondersteuning in alleen de klas met geweigerde activiteit.
-
Het model maakt alleen gebruik van digitale betrokkenheid via Teams als meting. Directe communicatie van student naar docent, tussen studenten of buiten Teams wordt niet overwogen. Digitale activiteit buiten Teams wordt niet weergegeven in het model.
-
Om een genuanceerde berekening van leermogelijkheden mogelijk te maken, wordt de voorspelling alleen uitgevoerd voor klassen met meer dan 5 studenten, ten minste 4 weken digitale activiteit en ten minste 30% deelname van studenten aan een of meer van de digitale activiteiten die door het model worden gebruikt.
Meer hulp nodig?
Meer opties?
Verken abonnementsvoordelen, blader door trainingscursussen, leer hoe u uw apparaat kunt beveiligen en meer.
Community's helpen u vragen te stellen en te beantwoorden, feedback te geven en te leren van experts met uitgebreide kennis.
