Cartões de destaque de suporte para estudantes no Insights para Educação
Applies To
Microsoft Teams Microsoft Teams para EducaçãoOs cartões de destaque de suporte para estudantes baseados em IA foram concebidos para ajudar os educadores a diferenciarem a atenção para apoiar os estudantes antes de ficarem para trás. Este cartão utiliza uma aprendizagem automática para monitorizar os padrões de envolvimento digital da sala de aula, bem como de cada estudante individual e notificar os educadores quando os alunos mostram sinais precoces de desvinculação. O cartão spotlight fornece uma lista de estudantes que poderão precisar de apoio de educadores na semana seguinte, juntamente com os pontos de conversa específicos com base na alteração de atividade dos estudantes. As predições são puramente formativas e dependem apenas de sinais de interação digital disponíveis no Insights para Educação, não são recolhidos dados adicionais.
Como devem os educadores utilizar o cartão de destaque?
Como educador, conhece e compreende melhor os seus alunos. Este destaque foi concebido para iluminar a aprendizagem e o envolvimento dos estudantes para ajudar os educadores a diferenciar o apoio para capacitar os seus alunos de forma equitativa.
Esta ferramenta destina-se a ser utilizada em combinação com relações pessoais e compreensão das capacidades e circunstâncias do estudante. Os destaques não avaliam os estudantes, mas proporcionam oportunidades para os educadores se basearem nas suas relações existentes e diferenciarem o suporte.
Importante: Alguns estudantes que precisam de apoio podem estar a demonstrar a sua necessidade com uma inatividade consistente. Os estudantes consistentemente inativos não serão realçados no cartão de suporte do estudante, uma vez que não forneceram dados de atividade para interpretar. Preste muita atenção ao cartão Destaque da atividade para identificar os estudantes que estão inativos, uma vez que este é outro indicador de que os estudantes precisam de suporte.
Pesquisa para o cartão de suporte para estudantes
O consenso na comunidade de investigação pedagógica é que o declínio do envolvimento é um indicador de que os estudantes estão a enfrentar desafios e enfrentam um risco acrescido de ficarem para trás (Christenson, Reschly e Wylie, 2012;), e que os dados de envolvimento digital dos estudantes podem ser utilizados para avaliar o seu nível de envolvimento e prever com elevada precisão futuros comportamentos e conquistas. Além disso, estes dados podem ser utilizados para identificar estudantes "em risco", uma vez que estão altamente correlacionados com conquistas académicas (Asarta e Schmidt, 2013; Baradwaj, Brijesh Kumar, e Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein e Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu e Johnson, 2005; Rafaeli e Ravid, 1997; Wang e Newlin, 2002; Você, 2016;).
A investigação também mostra que a intervenção precoce ajuda a mitigar esse risco. Há evidências de que uma alta percentagem de estudantes em risco enviam sinais de socorro muito antes de saírem da escola (Neild, Balfanz e Herzog, 2007). Por esta razão, os sistemas de alerta precoce estão a ajudar os educadores a impedir que os alunos caiam da pista para a formatura e a direcionar as intervenções e o apoio aos alunos que mais precisam deles (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Padrões de acesso de materiais online num curso misto. Decision Sciences Diário de Educação Inovadora, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Extrair dados educativos para analisar o desempenho dos estudantes. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, agosto). Utilizar tempos de resposta para modelar a desvinculação dos estudantes. 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, julho). Análise académica: utilizar o CMS como um sistema de aviso antecipado. Na conferência de impacto do WebCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Manual de pesquisa sobre o envolvimento dos estudantes. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Análise académica: Utilizações de tecnologia e informações de gestão no ensino superior (Vol. 8, Nº 1, pp. 1-12). Educause.
Johnson, G. M. (2005). Alienação de estudantes, realização académica e utilização de WebCT. Diário da Sociedade & de Tecnologia Educativa, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Os seus conhecimentos, participação e desempenho em ambientes de aprendizagem online. Computadores & Educação, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Controlar o comportamento, persistência e realização dos estudantes em cursos online. Internet e Ensino Superior, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Um sistema de aviso antecipado. Liderança educativa, 65(2), 28-33.
Pinkus, L. (2008). Utilizar dados de alerta antecipado para melhorar as taxas de graduação: Fechar fissuras no sistema educativo. Washington, DC: Aliança para a Excelente Educação.
Qu, L., & Johnson, W. L. (2005, maio). Detetar os estados motivacionais do formando num ambiente de aprendizagem interativo. 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). Ambiente de aprendizagem online baseado na Web para um curso de sistemas de informação: Registos de acesso, linearidade e desempenho. In Proc. Inf. Syst. Educ. Conf. (Vol. 97, pp. 92-99).
Wang, A. Y., & Newlin, M. H. (2002). Preditores do desempenho do web-student: o papel da auto-eficácia e das razões para ter uma aula em linha. Computadores em comportamento humano, 18(2), 151-163.
Você, J. W. (2016). Identificar indicadores significativos com dados do LMS para prever a realização de cursos na aprendizagem online. Internet e Ensino Superior, 29, 23-30.
Predição do declínio da atividade dos estudantes
O modelo de machine learning utiliza os padrões de atividade digital de cada estudante nas últimas três semanas e utiliza esses dados para identificar os estudantes que estão ativos atualmente, mas mostrou indicadores iniciais de que o seu nível de envolvimento pode diminuir na próxima semana. O modelo tem em consideração os padrões de aprendizagem específicos do ecossistema de sala de aula, bem como a contabilização de lacunas na atividade da turma resultantes de férias e feriados. A predição do envolvimento dos estudantes é individual, com a compreensão de que diferentes estudantes podem apresentar padrões de atividade diferentes e não existe tal coisa como comportamento "normal". Estes holofotes de apoio a estudantes não avaliam os estudantes, mas identificam padrões de atividade que são suficientemente significativos para indicar uma potencial necessidade de apoio e capacitar os educadores a intervirem mais cedo.
Os sinais de atividade utilizados como entrada para o modelo incluem:
-
Padrões de acesso a ficheiros do SharePoint: Abrir, Modificar, Transferir, Carregar
-
Padrões de acesso de Atribuições e Submissão: atribuir, abrir, entregar
-
Participação no chat da turma: visitar, publicar, responder, expandir, reagir
-
Participação em reuniões de turma
-
Acesso a páginas de blocos de notas escolares do OneNote: editar, Refletir utilização, publicar
Importante: o modelo utiliza a atividade e não o próprio conteúdo. Por exemplo, NÃO utiliza conteúdo de mensagens de chat, conteúdo de documentos, Refletir emoções ou qualquer conteúdo que possa ser utilizado para identificar esse estudante.
Pontos de conversa
O modelo identifica até 15% dos estudantes na turma que demonstraram respeito aos sinais de atividade e, em seguida, realça os indicadores que cada estudante apresentou em Pontos de fala. Quando seleciona o cartão spotlight de suporte para estudantes, os estudantes que apresentaram indicadores iniciais de desvinculação serão listados juntamente com Os pontos de conversação concebidos para o ajudar a iniciar uma conversa sobre as necessidades de suporte desse estudante.
Os pontos de conversação que poderá ver nos cartões spotlight de suporte para estudantes incluem:
-
tem participado menos em debates digitais
-
tem iniciado menos debates digitais
-
reagiu a menos mensagens do Teams
-
participou menos em oportunidades de aprendizagem digital
-
tem acedida a menos materiais de aula online
-
tem iniciado tarefas do Teams mais tarde do que o habitual
-
tem trabalhado menos no respetivo bloco de notas escolar do OneNote
Privacidade e IA responsável
Na Microsoft, preocupamo-nos profundamente com a privacidade e a utilização ética da IA. Por conseguinte, os seguintes princípios de privacidade estão incorporados no modelo:
-
O modelo é preparado de uma forma desativada, o que significa que os nossos cientistas de dados não têm acesso para ver os dados da classe.
-
Apenas partilhamos Informações sobre estudantes com indivíduos que já têm acesso aos dados subjacentes e que têm conhecimentos pessoais com o estudante. Ou seja, o educador da turma.
-
O modelo nunca irá criar o perfil de um estudante como "bom" ou "mau". Pretendemos apoiar o educador na tomada de decisões informadas sobre os seus estudantes através da partilha de observações objetivas de dados de forma não crítica.
-
O modelo é intencional para evitar preconceitos e não utiliza informações de identificação (como nome, género ou raça). O modelo utiliza apenas informações comportamentais das interações dos estudantes no Teams.
-
A predição é puramente formativa, o que significa que foi concebida para alertar os educadores e apoiá-los na modificação da sua prática para beneficiar os seus estudantes, mas não é guardada na base de dados do Insights para revisão futura. É um reflexo de comportamento num ponto específico no tempo e não deve ser utilizado para avaliação oficial de qualquer estudante.
Limitações do modelo
-
O modelo examina uma classe de cada vez. Se o padrão de atividade de um estudante tiver diminuído numa turma e inclinado noutra, os educadores poderão ser notificados da necessidade de apoio apenas na turma com atividade recusada.
-
O modelo utiliza apenas o envolvimento digital através do Teams como medida. A comunicação direta entre estudantes e educadores, entre estudantes ou fora do Teams não é considerada. A atividade digital fora do Teams não será representada no modelo.
-
Para permitir um cálculo matizado das oportunidades de aprendizagem, a predição só será efetuada para turmas com mais de 5 alunos, pelo menos 4 semanas de atividade digital e, pelo menos, 30% de participação de estudantes numa ou mais das atividades digitais utilizadas pelo modelo.
Precisa de mais ajuda?
Quer mais opções?
Explore os benefícios da subscrição, navegue em cursos de formação, saiba como proteger o seu dispositivo e muito mais.
As comunidades ajudam-no a colocar e a responder perguntas, a dar feedback e a ouvir especialistas com conhecimentos abrangentes.
