Karty polecane pomocy technicznej dla uczniów w Insights — edukacja
Applies To
Microsoft Teams Microsoft Teams dla instytucji edukacyjnychKarty polecane pomocy technicznej dla uczniów oparte na interfejsie AI zostały zaprojektowane tak, aby ułatwić nauczycielom wyróżnienie uwagi na temat pomocy technicznej dla uczniów, zanim zostaną pozostawieni w tyle. Ta karta korzysta z uczenia maszynowego do monitorowania wzorców cyfrowego zaangażowania w klasie, a także każdego ucznia i powiadamia nauczycieli, gdy uczniowie wykazują wczesne oznaki wycofania się. Karta polecane zawiera listę uczniów, którzy mogą potrzebować pomocy nauczycieli w następnym tygodniu, oraz konkretne punkty do omówienia oparte na zmianach aktywności uczniów. Prognozy są czysto formatywne i opierają się tylko na sygnałach zaangażowania cyfrowego dostępnych w Insights — edukacja, nie są zbierane żadne dodatkowe dane.
Jak nauczyciele powinni używać karty polecanych?
Jako nauczyciel znasz i najlepiej rozumiesz uczniów. Ta funkcja w centrum uwagi ma na celu rzucić światło na uczenie się i zaangażowanie uczniów, aby pomóc nauczycielom w zróżnicowanym wsparciu, aby zwiększyć ich uczniów w sposób sprawiedliwy.
To narzędzie ma być używane w połączeniu z relacjami osobistymi i zrozumieniem umiejętności i okoliczności ucznia. Polecane elementy nie oceniają uczniów, ale dają nauczycielom możliwości budowania istniejących relacji i zróżnicowania pomocy technicznej.
Ważne: Niektórzy uczniowie, którzy potrzebują pomocy technicznej, mogą wykazać swoje potrzeby przy stałej braku aktywności. Uczniowie, którzy stale nie są aktywni, nie zostaną wyróżnienia na karcie pomocy technicznej uczniów, ponieważ nie dostarczyli danych dotyczących aktywności do interpretacji. Zwracaj szczególną uwagę na kartę Centrum uwagi aktywności, aby zidentyfikować uczniów, którzy nie są aktywni, ponieważ jest to kolejny wskaźnik, który oznacza, że uczniowie potrzebują pomocy.
Poszukiwanie karty pomocy technicznej dla uczniów
Konsensus w społeczności pedagogicznej jest taki, że spadek zaangażowania jest wskaźnikiem, że uczniowie doświadczają wyzwań i stoją w obliczu zwiększonego ryzyka pozostawania w tyle (Christenson, Reschly i Wylie, 2012;), a cyfrowe dane zaangażowania uczniów mogą być wykorzystane do oceny ich poziomu zaangażowania i przewidywania z dużą dokładnością przyszłych zachowań i osiągnięć. Ponadto dane te mogą służyć do identyfikowania "zagrożonych" studentów, ponieważ są one wysoce skorelowane z osiągnięciami akademickimi (Asarta i Schmidt, 2013; Baradwaj, Brijesh Kumar i Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein i Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu i Johnson, 2005; Rafaeli i Ravid, 1997; Wang i Newlin, 2002; Ty, 2016;).
Badania pokazują również, że wczesna interwencja pomaga ograniczyć to ryzyko. Istnieją dowody na to, że wysoki odsetek zagrożonych uczniów wysyła sygnały niepokoju na długo przed faktycznym zakończeniem szkoły (Neild, Balfanz i Herzog, 2007). Z tego powodu systemy wczesnego ostrzegania pomagają nauczycielom zapobiegać wypadaniu uczniów z toru po ukończenie szkoły oraz kierować interwencje i wsparcie dla uczniów, którzy najbardziej ich potrzebują (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Uzyskuj dostęp do wzorców materiałów online w ramach kursu mieszanego. Decision Sciences Dziennik of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Wydobywanie danych edukacyjnych w celu przeanalizowania wyników uczniów. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, sierpień). Używanie czasu odpowiedzi do modelowania wycofania uczniów. W 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, lipiec). Analiza akademicka: Używanie CMS jako systemu wczesnego ostrzegania. W konferencji wpływu na webct.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Podręcznik badań nad zaangażowaniem uczniów. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Analiza akademicka: Zastosowania informacji i technologii zarządzania w szkolnictwie wyższym (Vol. 8, nr 1, pp. 1-12). Educause.
Johnson, G. M. (2005). Obcięcie uczniów, osiągnięcia naukowe i używanie funkcji WebCT. Dziennik Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Zwlekanie, uczestnictwo i wydajność w środowiskach nauki online. Komputery & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Śledzenie zachowań, trwałości i osiągnięć uczniów na kursach online. Internet i szkolnictwo wyższe, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). System wczesnego ostrzegania. Kierownictwo edukacyjne, 65(2), 28-33.
Pinkus, L. (2008). Używanie danych wczesnego ostrzegania w celu poprawy wskaźników ukończenia szkoły: zamykanie pęknięć w systemie edukacji. Waszyngton, DC: Sojusz na rzecz doskonałej edukacji.
Qu, L., & Johnson, W. L. (2005, maj). Wykrywanie stanów motywacyjnych uczącego się w interaktywnym środowisku uczenia się. W ramach konferencji poświęconej sztucznej inteligencji w edukacji z 2005 r.: Wspieranie uczenia się poprzez inteligentną i świadomą społecznie technologię (s. 547-554).
Rafaeli, S., & Ravid, G. (1997). Internetowe środowisko edukacyjne online dla kursu systemów informatycznych: dzienniki programu Access, liniowość i wydajność. W proc. Inf. Syst. Educ. Conf (Woł. 97, pp. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Predyktory wyników uczniów internetowych: Rola samoskutecznosci i powody podejmowania klasy online. Komputery zachowań ludzkich, 18(2), 151-163.
Ty, J. W. (2016). Identyfikowanie ważnych wskaźników przy użyciu danych LMS do przewidywania osiągnięć kursu w nauce online. Internet i szkolnictwo wyższe, 29, 23-30.
Przewidywanie spadku aktywności uczniów
Model uczenia maszynowego przyjmuje wzorce aktywności cyfrowej każdego ucznia w ciągu ostatnich trzech tygodni i wykorzystuje te dane do identyfikacji uczniów, którzy są aktywni dzisiaj, ale pokazali wczesne wskaźniki, że ich poziom zaangażowania może spaść w nadchodzącym tygodniu. Model uwzględnia specyficzne wzorce uczenia się ekosystemu klasowego, a także uwzględnia luki w aktywności klasowej wynikające z wakacji i wakacji. Przewidywanie zaangażowania uczniów jest indywidualne, przy założeniu, że różni uczniowie mogą wykazywać różne wzorce aktywności i nie ma czegoś takiego jak "normalne" zachowanie. Te programy pomocy technicznej dla uczniów nie oceniają uczniów, lecz identyfikują wzorce aktywności, które są wystarczająco znaczące, aby wskazać potencjalną potrzebę wsparcia i umożliwić nauczycielom wczesną interwencję.
Sygnały aktywności używane jako dane wejściowe dla modelu obejmują:
-
Wzorce dostępu do plików programu SharePoint: Otwieranie, modyfikowanie, pobieranie, przekazywanie
-
Zadania i wzorce dostępu przesyłania: przypisywanie, otwieranie, przesyłanie
-
Uczestnictwo w czacie zajęć: odwiedzanie, publikowanie, odpowiadanie, rozwijanie, reagowanie
-
Uczestnictwo w spotkaniach klasowych
-
Dostęp do stron notesu zajęć w programie OneNote: edytowanie, Odzwierciedlanie użycia, publikowanie
Ważne: model wykorzystuje aktywność, a nie samą zawartość. Na przykład NIE używa zawartości z wiadomości czatu, zawartości dokumentów, emocji Emocje ani niczego, co mogłoby posłużyć do zidentyfikowania tego ucznia.
Punkty do omówienia
Model identyfikuje do 15% uczniów w klasie, którzy wykazali dotyczące sygnałów aktywności, a następnie podkreśla wskaźniki, które każdy uczeń wyświetlany w Talking points. Po wybraniu karty w centrum uwagi pomocy technicznej dla uczniów uczniowie, którzy pokazali wczesne wskaźniki braku zaangażowania, zostaną wymienieniu obok pozycji Punkty do omówienia, które pomogą Ci zainicjować konwersację na temat potrzeb pomocy technicznej tego ucznia.
Punkty do omówienia , które możesz zobaczyć na kartach poleceń pomocy technicznej dla uczniów , obejmują:
-
uczestniczy w dyskusjach cyfrowych mniej
-
rozpoczęto mniej dyskusji cyfrowych
-
zareagowała na mniejszą liczbę wiadomości w aplikacji Teams
-
w cyfrowych możliwościach uczenia się mniej
-
uzyskuje dostęp do mniejszej liczby materiałów klasy online
-
zaczyna zadania w aplikacji Teams później niż zwykle
-
mniej pracuje w notesie zajęć w programie OneNote
Prywatność i odpowiedzialna SI
W firmie Microsoft bardzo dbamy o prywatność i etyczne używanie SI. Dlatego w modelu są osadzone następujące zasady ochrony prywatności:
-
Model jest przeszkolony w sposób odczuty, co oznacza, że nasi naukowcy zajmujący się danymi nie mają dostępu do wyświetlania danych klasy.
-
Udostępniamy szczegółowe informacje o uczniach tylko osobom, które mają już dostęp do danych źródłowych i mają osobistą znajomość ucznia. tj. nauczyciel klasy.
-
Model nigdy nie profiluje ucznia jako "dobrego" lub "złego". Naszym celem jest wspieranie nauczyciela w podejmowaniu świadomych decyzji dotyczących ich uczniów poprzez udostępnianie obiektywnych obserwacji danych w sposób nieodkryjący.
-
Model jest zamierzony w celu uniknięcia stronniczości i nie wykorzystuje żadnych informacji identyfikujących (takich jak imię, płeć lub rasa). Model wykorzystuje tylko informacje behawioralne z interakcji uczniów w aplikacji Teams.
-
Przewidywanie ma wyłącznie formatowanie, co oznacza, że ma na celu ostrzeganie nauczycieli i wspieranie ich w modyfikowaniu ich praktyk na korzyść uczniów, ale nie jest zapisywane w bazie danych Insights w celu przyszłych przeglądów. Jest to odzwierciedlenie zachowania w określonym momencie i nie powinno być używane do oficjalnej oceny żadnego ucznia.
Ograniczenia modelu
-
Model sprawdza po jednej klasie naraz. Jeśli wzorzec aktywności ucznia maleje w jednej klasie i jest skłonny do innej, nauczyciele mogą zostać powiadomieni o potrzebie wsparcia tylko w zajęciach z odrzuconą aktywnością.
-
Model wykorzystuje zaangażowanie cyfrowe tylko za pośrednictwem aplikacji Teams jako miary. Bezpośrednia komunikacja między uczniami a nauczycielami, uczniami lub spoza aplikacji Teams nie jest brana pod uwagę. Aktywność cyfrowa poza aplikacją Teams nie będzie reprezentowana w modelu.
-
Aby umożliwić zniuansowane obliczanie możliwości uczenia się, prognoza będzie przeprowadzana tylko dla zajęć z więcej niż 5 uczniami, co najmniej 4 tygodnie aktywności cyfrowej i co najmniej 30% udziału uczniów w co najmniej jednym cyfrowym działaniu używanym w modelu.
Potrzebujesz dalszej pomocy?
Chcesz uzyskać więcej opcji?
Poznaj korzyści z subskrypcji, przeglądaj kursy szkoleniowe, dowiedz się, jak zabezpieczyć urządzenie i nie tylko.
Społeczności pomagają zadawać i odpowiadać na pytania, przekazywać opinie i słuchać ekspertów z bogatą wiedzą.
