Cartes à la une du support étudiant dans Éducation Insights
Applies To
Microsoft Teams Microsoft Teams pour l’ÉducationLes cartes à la une du support étudiant basées sur l’IA sont conçues pour aider les enseignants à différencier l’attention pour soutenir les étudiants avant qu’ils ne prennent du retard. Cette carte utilise un machine learning pour surveiller les modèles d’engagement numérique de la classe, ainsi que chaque étudiant individuel, et avertir les enseignants lorsque les étudiants montrent des signes précoces de désengagement. Le carte à la une fournit une liste des étudiants qui peuvent avoir besoin d’un soutien aux enseignants au cours de la semaine suivante, ainsi que les points de discussion spécifiques basés sur le changement d’activité des étudiants. Les prédictions sont purement formatives et s’appuient uniquement sur les signaux d’engagement numériques disponibles dans Éducation Insights, aucune donnée supplémentaire n’est collectée.
Comment les enseignants doivent-ils utiliser les carte à la une ?
En tant qu’enseignant, vous connaissez et comprenez mieux vos étudiants. Ce projecteur est conçu pour mettre en lumière l’apprentissage et l’engagement des étudiants afin d’aider les enseignants à différencier le support afin d’autonomiser leurs étudiants de manière équitable.
Cet outil est destiné à être utilisé en combinaison avec les relations personnelles et la compréhension des capacités et de la situation de l’étudiant. Les projecteurs n’évaluent pas les étudiants, mais offrent plutôt aux enseignants la possibilité de s’appuyer sur leurs relations existantes et de différencier le soutien.
Important : Certains étudiants qui ont besoin de soutien peuvent démontrer leur besoin avec une inactivité cohérente. Les étudiants qui sont constamment inactifs ne seront pas mis en surbrillance dans le carte de soutien aux étudiants, car ils n’ont pas fourni de données d’activité à interpréter. Veuillez prêter une attention particulière à la carte à la une de l’activité pour identifier les étudiants qui sont inactifs, car c’est un autre indicateur que les étudiants ont besoin de soutien.
Recherche pour les carte de soutien aux étudiants
Le consensus dans la communauté de la recherche pédagogique est que le déclin de l’engagement est un indicateur que les étudiants rencontrent des difficultés et font face à un risque accru de prendre du retard (Christenson, Reschly et Wylie, 2012 ;), et que les données d’engagement numérique des étudiants peuvent être utilisées pour évaluer leur niveau d’engagement et prédire avec une grande précision les comportements et les résultats futurs. De plus, ces données peuvent être utilisées pour identifier les étudiants « à risque », car elles sont fortement corrélées avec les résultats scolaires (Asarta et Schmidt, 2013 ; Baradwaj, Brijesh Kumar, et Saurabh Pal., 2012 ; Beck, 2004 ; Campbell et coll., 2006 ; Goldstein et Katz, 2005 ; Johnson, 2005 ; Michinov et coll., 2011 ; Morris et coll., 2005 ; Qu et Johnson, 2005 ; Rafaeli et Ravid, 1997 ; Wang et Newlin, 2002 ; Vous, 2016 ;).
Les recherches montrent également qu’une intervention précoce permet d’atténuer ce risque. Il est prouvé qu’un pourcentage élevé d’élèves à risque envoient des signaux de détresse bien avant d’abandonner l’école (Neild, Balfanz et Herzog, 2007). Pour cette raison, les systèmes d’alerte précoce aident les enseignants à empêcher les étudiants de tomber hors de la voie de l’obtention de leur diplôme et à cibler les interventions et le soutien aux étudiants qui en ont le plus besoin (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Accéder aux modèles de documents en ligne dans un cours mixte. Decision Sciences Journal of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Exploration de données éducatives pour analyser les performances des étudiants. arXiv preprint arXiv :1201.3417.
Beck, J. E. (août 2004). Utilisation des temps de réponse pour modéliser le désengagement des étudiants. In Proceedings of the ITS2004 Workshop on Social and Emotional Intelligence in Learning Environments (Vol. 20, no 2004, p. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, juillet). Analytique académique : utilisation du CMS comme système d’alerte précoce. Dans conférence d’impact WebCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (éd.). (2012). Manuel de recherche sur l’engagement des étudiants. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Analytique académique : Les utilisations de l’information et de la technologie de gestion dans l’enseignement supérieur (Vol. 8, no 1, p. 1-12). Eduuse.
Johnson, G. M. (2005). L’aliénation des étudiants, les résultats scolaires et l’utilisation de WebCT. Journal of Educational Technology & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Procrastination, participation et performances dans les environnements d’apprentissage en ligne. Ordinateurs & Éducation, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Suivi du comportement, de la persistance et des résultats des étudiants dans les cours en ligne. Internet et enseignement supérieur, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Un système d’alerte précoce. Leadership éducatif, 65(2), 28-33.
Pinkus, L. (2008). Utilisation de données d’alerte précoce pour améliorer les taux de graduation : Fermeture des fissures dans le système éducatif. Washington, DC : Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, mai). Détection des états de motivation de l’apprenant dans un environnement d’apprentissage interactif. In Proceedings of the 2005 conference on artificial intelligence in education : Supporting learning through intelligent and social informed technology (pp. 547-554).
Rafaeli, S., & Ravid, G. (1997). Environnement d’apprentissage web en ligne pour un cours sur les systèmes d’information : Journaux d’accès, linéarité et performances. In Proc. Inf. Syst. Educ. Conf (Vol. 97, p. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Prédicteurs de la performance des étudiants sur le web : le rôle de l’auto-efficacité et les raisons de suivre un cours en ligne. Ordinateurs dans le comportement humain, 18(2), 151-163.
Toi, J. W. (2016). Identification d’indicateurs significatifs à l’aide de données LMS pour prédire la réussite des cours dans l’apprentissage en ligne. Internet et l’enseignement supérieur, 29, 23-30.
Prédiction de la baisse d’activité des étudiants
Le modèle Machine Learning prend les modèles d’activité numérique de chaque étudiant individuel au cours des trois dernières semaines et utilise ces données pour identifier les étudiants qui sont actifs aujourd’hui, mais qui ont montré des indicateurs précoces que leur niveau d’engagement pourrait diminuer au cours de la semaine à venir. Le modèle prend en considération les modèles d’apprentissage spécifiques de l’écosystème de classe, ainsi que la prise en compte des lacunes dans l’activité de la classe résultant des vacances et des vacances. La prédiction de l’engagement des étudiants est individuelle, avec la compréhension que les différents étudiants peuvent présenter des modèles d’activité différents et qu’il n’existe pas de comportement « normal ». Ces mises en lumière du soutien aux étudiants n’évaluent pas les étudiants, mais identifient plutôt des modèles d’activité qui sont suffisamment importants pour indiquer le besoin potentiel de soutien et permettre aux enseignants d’intervenir tôt.
Les signaux d’activité utilisés comme entrée pour le modèle sont les suivants :
-
Modèles d’accès aux fichiers SharePoint : Ouvrir, Modifier, Télécharger, Charger
-
Affectations et modèles d’accès à la soumission : attribuer, ouvrir, retourner
-
Participation à une conversation de classe : visite, publication, réponse, développer, réagir
-
Participation aux réunions de classe
-
Accès aux pages du bloc-notes oneNote pour la classe : modifier, refléter l’utilisation, publier
Important : le modèle utilise l’activité et non le contenu lui-même. Par exemple, il n’utilise PAS le contenu des messages de conversation, du contenu de documents, de réflexion sur les émotions ou de tout ce qui pourrait être utilisé pour identifier cet étudiant.
Points de discussion
Le modèle identifie jusqu’à 15 % des élèves de la classe qui ont démontré concernant les signaux d’activité, puis met en évidence les indicateurs affichés par chaque élève dans Talking points. Lorsque vous sélectionnez le carte à la une du soutien aux étudiants, les étudiants qui ont montré les premiers indicateurs de désengagement sont répertoriés avec les points de discussion conçus pour vous aider à lancer une conversation sur les besoins de soutien de cet étudiant.
Les points de discussion que vous pouvez voir sur les cartes à la une du support étudiant sont les suivants :
-
a participé à des discussions numériques moins
-
a lancé moins de discussions numériques
-
a réagi à moins de messages Teams
-
a participé aux opportunités d’apprentissage numérique moins
-
a accédé à moins de supports de classe en ligne
-
a commencé des affectations Teams plus tard que d’habitude
-
a travaillé moins dans son bloc-notes OneNote pour la classe
Confidentialité et IA responsable
Chez Microsoft, nous nous soucions profondément de la confidentialité et de l’utilisation éthique de l’IA. Par conséquent, les principes de confidentialité suivants sont incorporés dans le modèle :
-
Le modèle est entraîné de manière non visible, ce qui signifie que nos scientifiques des données n’ont pas accès à l’affichage des données de classe.
-
Nous partageons uniquement des insights sur les étudiants avec des personnes qui ont déjà accès aux données sous-jacentes et ont une connaissance personnelle de l’étudiant. c’est-à-dire l’enseignant de classe.
-
Le modèle ne profilera jamais un étudiant comme « bon » ou « mauvais ». Nous visons à aider l’enseignant à prendre des décisions éclairées concernant ses étudiants en partageant des observations objectives des données de manière non-jugement.
-
Le modèle vise intentionnellement à éviter les préjugés et n’utilise pas d’informations d’identification (telles que le nom, le sexe ou la race). Le modèle utilise uniquement les informations comportementales des interactions des étudiants dans Teams.
-
La prédiction est purement formative, ce qui signifie qu’elle est conçue pour alerter les enseignants et les aider à modifier leur pratique au profit de leurs étudiants, mais n’est pas enregistrée dans la base de données Insights pour une révision ultérieure. Il s’agit d’un reflet du comportement à un moment précis et ne doit pas être utilisé pour l’évaluation officielle d’un étudiant.
Limitations du modèle
-
Le modèle examine une classe à la fois. Si le modèle d’activité d’un étudiant a diminué dans une classe et s’est incliné dans une autre, les enseignants peuvent être avertis de la nécessité d’un soutien uniquement dans la classe dont l’activité a été refusée.
-
Le modèle utilise uniquement l’engagement numérique via Teams comme mesure. La communication directe de l’étudiant à l’enseignant, entre les étudiants ou en dehors de Teams n’est pas prise en compte. L’activité numérique en dehors de Teams ne sera pas représentée dans le modèle.
-
Pour permettre un calcul nuancé des opportunités d’apprentissage, la prédiction ne sera effectuée que pour les classes avec plus de 5 étudiants, au moins 4 semaines d’activité numérique et au moins 30 % de participation des étudiants à une ou plusieurs des activités numériques utilisées par le modèle.
Besoin d’aide ?
Vous voulez plus d’options ?
Explorez les avantages de l’abonnement, parcourez les cours de formation, découvrez comment sécuriser votre appareil, etc.
Les communautés vous permettent de poser des questions et d'y répondre, de donner vos commentaires et de bénéficier de l'avis d'experts aux connaissances approfondies.
