Education Insightsの学生サポート スポットライト カード
Applies To
Microsoft Teams Microsoft Teams for EducationAI ベースの 学生サポート スポットライト カードは、教師が後れを取る前に学生をサポートするために注意を区別できるように設計されています。 このカードでは、機械学習を使用して、教室のデジタル エンゲージメント パターンと個々の学生を監視し、学生が早期に離脱の兆候を示したときに教育者に通知します。 スポットライト カードは、次の週に教師のサポートが必要になる可能性がある学生の一覧と、学生のアクティビティの変化に基づく特定の話し合いのポイントを提供します。 予測は純粋に整形的であり、Education Insightsで利用可能なデジタルエンゲージメント信号にのみ依存し、追加のデータは収集されません。
教師はスポットライト カードをどのように使用する必要がありますか?
教師として、あなたは自分の学生を最もよく知り、理解しています。 このスポットライトは、学生の学習とエンゲージメントに光を当てて、教師が学生に公平に力を与えるためのサポートを差別化するのを支援するように設計されています。
このツールは、個人的な関係や学生の能力や状況の理解と組み合わせて使用するためのものです。 スポットライトは学生を評価するのではなく、教師が既存の関係に基づいて構築し、サポートを区別する機会を提供します。
重要: サポートが必要な学生の中には、一貫した非アクティブなニーズを示している学生もいます。 一貫して非アクティブな学生は、解釈するアクティビティ データを提供していないため、学生サポート カードでは強調表示されません。 非アクティブな学生を特定するには、アクティビティ スポットライト カードに細心の注意を払ってください。これは、学生がサポートを必要とするもう 1 つの指標です。
学生支援カードに関する研究
教育研究コミュニティのコンセンサスは、エンゲージメントの低下は、学生が課題を経験し、後れを取るリスクの増加 (Christenson、Reschly、Wylie、2012;)、学生のデジタル エンゲージメント データを使用してエンゲージメントのレベルを評価し、将来の行動と実績を高精度で予測できることを示す指標です。 さらに、このデータは、学業成績(Asarta と Schmidt、2013;2012年、バラドワイ、ブリジェシュ・クマール、サウラブ・パル2004年、ベック。キャンベルら, 2006;ゴールドスタインとカッツ、2005年。ジョンソン、2005年。ミチノフら, 2011;モリスら、 2005;クとジョンソン、2005年。ラファレイとラヴィド、1997年。王とニューリン、2002年。2016;)。
研究は、 早期介入がそのリスクを軽減するのに役立つことも示しています。 危険な生徒の割合が高い割合で、実際に学校を中退するずっと前に苦痛信号を送信するという証拠があります(ニールド、バルファンズ、ヘルツォーク、2007)。 このため、早期警告システムは、教育者が学生が卒業に落ちるのを防ぎ、それらを最も必要とする学生への介入とサポートをターゲットにするのに役立ちます(Pinkus、2008)。
Asarta, C. J., & Schmidt, J. R. (2013). ブレンドされたコースのオンライン資料のアクセス パターン。 革新的教育の意思決定科学ジャーナル, 11(1), 107-123.
Baradwaj、B. K.、& Pal、S. (2012)。 学生のパフォーマンスを分析するための教育データのマイニング。 arXiv preprint arXiv:1201.3417。
Beck, J. E. (2004 年 8 月)。 応答時間を使用して学生の離脱をモデル化する。 学習 環境における社会的・感情的知性に関するITS2004ワークショップの議事録 (Vol. 20, No. 2004, pp. 88-95).
キャンベル、J.P.、フィンネガン、C.、& コリンズ、B.(2006、7月)。 学術分析: CMS を早期警告システムとして使用する。 WebCT 影響会議で。
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). 学生の関与に関する研究ハンドブック。 スプリンガー サイエンス & ビジネス メディア。
Goldstein、P. J.、& Katz、R. N. (2005). 学術分析: 高等教育における管理情報と技術の使用 (Vol. 8, No. 1, pp. 1-12). Educause。
ジョンソン、G. M. (2005). 学生の疎外、学業成績、WebCT の使用。 教育技術 & 学会ジャーナル, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011)。 オンライン学習環境での先延ばし、参加、パフォーマンス。 Computers & Education, 56(1), 243-252.
モリス、L. V.、フィンネガン、C.、& Wu、S. S. (2005). オンライン コースでの学生の行動、永続化、実績の追跡。 インターネットと高等教育, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007)。 早期警告システム。 教育リーダーシップ, 65(2), 28-33.
ピンクス、L. (2008)。 早期警告データを使用して卒業率を向上させる: 教育システムの亀裂を閉じる。 ワシントンDC:優秀な教育のための同盟。
Qu, L., & Johnson, W. L. (2005 年 5 月)。 対話型学習環境での学習者の動機付け状態の検出。 教育における 人工知能に関する2005年会議の議事録:インテリジェントで社会的に情報に基づく技術を通じた学習を支援 する(pp. 547-554)。
ラファレイ、S.、& ラヴィッド、G. (1997)。 情報システム コース用のオンラインの Web ベースの学習環境: アクセス ログ、直線性、パフォーマンス。 Proc. Inf. Syst. Educ. Conf (Vol. 97, pp. 92-99).
王, A. Y., & Newlin, M. H. (2002). Web 学生のパフォーマンスの予測要因: 自己効力感の役割とオンライン クラスを受講する理由。 人間の行動におけるコンピューター, 18(2), 151-163.
You, J. W. (2016). LMS データを使用してオンライン学習のコース実績を予測する重要なインジケーターを特定する。 インターネットと高等教育、 29、23-30。
学生の活動の減少の予測
機械学習モデルは、過去 3 週間の各学生のデジタル アクティビティ パターンを受け取り、そのデータを使用して、現在アクティブだが、今後 1 週間でエンゲージメント レベルが低下する可能性があることを早期に示している学生を特定します。 モデルでは、教室のエコシステムの特定の学習パターンと、休暇や休日に起因するクラス アクティビティのギャップを考慮します。 学生の関与の予測は個人であり、異なる学生が異なる活動パターンを示す可能性があり、「通常の」行動などないことを理解しています。 これらの学生サポートスポットライトは、学生を評価するのではなく、サポートの潜在的な必要性を示し、教育者が早期に介入できるようにするのに十分な重要なアクティビティ パターンを特定します。
モデルの入力として使用されるアクティビティ シグナルは次のとおりです。
-
SharePoint ファイル アクセス パターン: 開く、変更する、ダウンロードする、アップロードする
-
割り当てと申請アクセス パターン: 割り当て、開く、ターンイン
-
クラス チャット参加: 訪問、投稿、返信、展開、対応
-
クラス会議への参加
-
OneNote クラス ノートブック ページへのアクセス: 編集、使用状況の反映、投稿
重要: モデルでは、コンテンツ自体ではなくアクティビティが使用されます。 たとえば、チャット メッセージのコンテンツ、ドキュメントのコンテンツ、感情の反映、その学生を識別するために使用できるものは使用しません。
話し合いポイント
このモデルは、アクティビティシグナルに関するデモンストレーションを行ったクラスの学生の最大15%を識別し、各学生が トーキングポイントに表示した指標を強調表示します。 学生サポートスポットライトのカードを選択すると、その学生のサポートニーズに関する会話を開始するのに役立つトーキングポイントと共に、離脱の初期指標を示した学生が一覧表示されます。
学生サポート スポットライト カードに表示される話し合いポイントは次のとおりです。
-
デジタルディスカッションへの参加が少なくなっています。
-
デジタルディスカッションの開始数が少な
-
Teams メッセージの数が減った
-
デジタルラーニングの機会に参加する機会が少なくなっています
-
オンライン クラスの資料にアクセスする数が少な
-
Teams の割り当てが通常より遅く開始されました
-
OneNote クラス ノートブックでの作業が少なくなりました
プライバシーと責任ある AI
Microsoft では、AI のプライバシーと倫理的な使用について深く関心を持っています。 そのため、次のプライバシー原則がモデルに埋め込まれています。
-
モデルは 目を離した方法でトレーニングされています。つまり、データ サイエンティストはクラス データを表示するためのアクセス権がありません。
-
学生に関する分析情報は、 基 になるデータに既にアクセスでき、学生に関する個人的な知識を持つ個人とのみ共有されます。 つまり、クラスの教師。
-
モデルでは、学生を "良い" または "悪い" とプロファイリングすることはありません。 私たちは、非判断的な方法でデータの 客観的な観察 を共有することで、学生に関する情報に基づいた意思決定を行う教師を支援することを目指しています。
-
モデルは偏見を避けるために意図的であり、識別情報 (名前、性別、人種など) は使用しません。 このモデルでは、Teams での学生の対話からの行動情報のみが使用されます。
-
予測は純粋に形式的であり、つまり、教師に警告し、学生に利益をもたらすための練習の変更をサポートするように設計されていますが、将来のレビューのために Insights データベースに 保存されません 。 これは特定の時点での動作の反映であり、学生の公式評価には使用しないでください。
モデルの制限事項
-
モデルは、一度に 1 つのクラスを調べます。 あるクラスで学生の活動パターンが辞退し、別のクラスに傾いている場合、教師は、アクティビティが拒否されたクラスでのみサポートの必要性を通知される可能性があります。
-
このモデルでは、Teams を通じたデジタル エンゲージメントのみをメジャーとして使用します。 学生から教師、学生間、または Teams の外部への直接の通信は考慮されません。 Teams 以外のデジタル アクティビティはモデルでは表されません。
-
学習機会の微妙な計算を可能にするために、予測は、5人以上の学生、少なくとも4週間のデジタルアクティビティ、およびモデルで使用される1つ以上のデジタルアクティビティへの少なくとも30%の学生参加を持つクラスに対してのみ実行されます。
ヘルプを表示
その他のオプションが必要ですか?
サブスクリプションの特典の参照、トレーニング コースの閲覧、デバイスのセキュリティ保護方法などについて説明します。
コミュニティは、質問をしたり質問の答えを得たり、フィードバックを提供したり、豊富な知識を持つ専門家の意見を聞いたりするのに役立ちます。
