Fișe recomandate pentru asistența pentru elevi/studenți din Insights pentru educație
Applies To
Microsoft Teams Microsoft Teams pentru educațieCardurile recomandate de asistență pentru elevi/studenți bazate pe inteligența artificială sunt concepute pentru a ajuta cadrele didactice să acorde o atenție deosebită sprijinirii elevilor înainte de a fi în urmă. Această carte de vizită utilizează o învățare programată pentru a monitoriza modelele de implicare digitală ale clasei, precum și fiecare elev/student individual și notifică cadrele didactice atunci când elevii prezintă semne timpurii de dezmembrare. Fișa Reflector oferă o listă de elevi/studenți care ar putea avea nevoie de asistență din partea profesorilor în săptămâna următoare, împreună cu punctele specifice de discuție bazate pe modificarea activității elevilor/studenților. Predicțiile sunt pur formative și se bazează doar pe semnalele de angajament digital disponibile în Insights pentru educație, nu se colectează date suplimentare.
Cum ar trebui să utilizeze cadrele didactice fișa Reflector?
În calitate de educator, cunoașteți și înțelegeți cel mai bine elevii. Acest reflector este proiectat să strălucească o lumină asupra învățării elevilor și angajamentului de a-i ajuta pe profesori să își diferențieze suportul pentru a-și susține elevii în mod echitabil.
Acest instrument este menit să fie utilizat în combinație cu relațiile personale și înțelegerea abilităților și circumstanțelor studentului. Reflectoarele nu evaluează elevii/ studenții, ci oferă mai degrabă oportunități cadrelor didactice de a construi pe baza relațiilor existente și de a diferenția suportul.
Important: Unii elevi/studenți care au nevoie de asistență pot demonstra nevoia lor de inactivitate consistentă. Elevii/studenții care sunt în mod constant inactivi nu vor fi evidențiați în fișa de asistență pentru elevi/studenți, deoarece nu au furnizat date de activitate de interpretat. Acordați o atenție deosebită fișei Reflector activitate pentru a identifica elevii/studenții inactivi, deoarece acesta este un alt indicator care spune că elevii/studenții au nevoie de asistență.
Căutați cardul de asistență pentru elevi/studenți
Consensul în comunitatea de cercetare pedagogică este acela că declinul angajamentului este un indicator care indică faptul că elevii/studenții se confruntă cu provocări și se confruntă cu un risc crescut de a rămâne în urmă (Christenson, Reschly și Wylie, 2012;) și că datele privind implicarea digitală a elevilor/studenților pot fi utilizate pentru a evalua nivelul lor de implicare și pentru a anticipa cu mare precizie comportamentele și realizările viitoare. În plus, aceste date pot fi utilizate pentru a identifica elevii "în pericol", deoarece sunt foarte corelate cu realizările academice (Asarta și Schmidt, 2013; Baradwaj, Brijesh Kumar și Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein și Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu și Johnson, 2005; Rafaeli și Ravid, 1997; Chen și Newlin, 2002; Dvs., 2016;).
Cercetările arată, de asemenea, că intervenția timpurie ajută la atenuarea riscului respectiv. Există dovezi că un procent mare de studenți la risc trimite semnale de urgență cu mult înainte de fapt, ei abandonează școala (Neild, Balfanz, și Herzog, 2007). Din acest motiv, sistemele de avertizare timpurie ajută cadrele didactice să prevină căderea elevilor/studenților la absolvire și să direcționeze intervențiile și sprijinul pentru elevii care au cel mai mult nevoie de ele (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Accesați modele de materiale online într-un curs mixt. Decision Sciences Jurnal a educației inovatoare, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Să extrageți date educaționale pentru a analiza performanța elevilor/ studenților. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, august). Utilizarea timpului de răspuns pentru a modela disengagementul elevilor/studenților. În 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, iulie). Analize academice: Utilizarea CMS ca un sistem de avertizare timpurie. În conferința de impact WebCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Manual de cercetare privind implicarea elevilor. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Analize academice: Utilizarea informației și tehnologiei managementului în învățământul superior (Vol. 8, Nu. 1, pp. 1-12). Educause.
Johnson, G. M. (2005). Înstrăinarea studenților, realizarea academică și utilizarea WebCT. Jurnal de Tehnologie Educațională & Society, 8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Amânarea, participarea și performanța în mediile de învățare online. Computere & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Urmărirea comportamentului, persistenței și realizărilor elevilor/studenților în cursurile online. Internet și învățământ superior, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Un sistem de avertizare timpurie. Conducerea educației, 65(2), 28-33.
Pinkus, L. (2008). Utilizarea datelor de avertizare timpurie pentru îmbunătățirea ratelor de absolvire: Închiderea fisurilor în sistemul de învățământ. Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, mai). Detectarea stărilor motivaționale ale elevului într-un mediu interactiv de învățare. 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). Mediul de învățare online, bazat pe web, pentru un curs de sisteme de informații: jurnale Access, linearitate și performanță. În Proc. Inf. Syst. Educ. Conf. (Vol. 97, pp. 92-99).
Insumetri, A. Y., & Newlin, M. H. (2002). Predicatori ai performanței web-student: Rolul auto-eficacității și motivele pentru a lua o clasă on-line. Computere în comportament uman, 18(2), 151-163.
Tu, J. W. (2016). Identificarea indicatorilor semnificativi utilizând date LMS pentru a anticipa realizarea unui curs în învățarea online. Internet și învățământ superior, 29, 23-30.
Predicția declinului de activitate al elevilor
Modelul de învățare programată preia modelele de activitate digitală ale fiecărui elev/student în ultimele trei săptămâni și utilizează acele date pentru a identifica elevii/studenții activi astăzi, dar care au arătat indicatori timpurii că nivelul de implicare poate scădea în săptămâna următoare. Modelul ia în considerare modelele specifice de învățare ale ecosistemului sălilor de clasă, precum și contabilizarea golurilor din activitatea clasei care rezultă din concedii și sărbători. Predicția implicării elevilor/studenților este individuală, înțelegând că diferiți elevi/studenți pot avea modele de activitate diferite și că nu există un comportament "normal". Aceste reflectoare de asistență pentru elevi/studenți nu evaluează elevii/studenții, ci identifică modele de activitate suficient de semnificative pentru a indica nevoia potențială de asistență și pentru a le da posibilitatea cadrelor didactice să intervină mai devreme.
Semnalele de activitate utilizate ca intrare pentru model includ:
-
Modele de acces la fișiere SharePoint: Deschidere, Modificare, Descărcare, Încărcare
-
Modele de acces pentru atribuiri și remitere: atribuire, deschidere, predare
-
Participarea la chatul clasei: vizita, publicarea, răspunsul, extinderea, reacția
-
Participarea la întâlnirile claselor
-
Acces la paginile blocnotesului școlar OneNote: editare, Reflectare utilizare, publicare
Important: modelul utilizează activitatea, nu conținutul propriu-zis. De exemplu, NU utilizează conținutul din mesajele de chat, conținutul documentelor, reflectă emoțiile sau orice alt lucru care ar putea fi utilizat pentru a identifica elevul/studentul respectiv.
Puncte de discuție
Modelul identifică până la 15% dintre elevii/studenții din clasă care au demonstrat semnale de activitate, apoi evidențiază indicatorii afișați de fiecare elev/student în Puncte de discuție. Atunci când selectați fișa reflector de asistență pentru elevi/studenți, elevii/studenții care au afișat indicatori timpurii de dezmembrare vor fi listați împreună cu Puncte de discuție proiectate să vă ajute să inițiați o conversație despre necesitățile de asistență ale acelui elev/student.
Printre punctele de discuție pe care le puteți vedea pe fișele recomandate de asistență pentru elevi/studenți se numără:
-
a participat la discuții digitale mai puțin
-
a inițiat mai puține discuții digitale
-
a reacționat la mai puține mesaje Teams
-
a participat la mai puține oportunități de învățare digitală
-
a accesat mai puține materiale de clasă online
-
a început atribuirile Teams mai târziu decât de obicei
-
a lucrat mai puțin în blocnotesul școlar OneNote
Confidențialitate și inteligență artificială responsabilă
La Microsoft, ne pasă profund de confidențialitatea și utilizarea etică a inteligenței artificiale. Prin urmare, următoarele principii de confidențialitate sunt încorporate în model:
-
Modelul este instruit folosind o manieră atentă, ceea ce înseamnă că oamenii noștri de știință în date nu au acces să vizualizeze datele clasei.
-
Partajăm detalii despre elevi/studenți doar cu persoane care au deja acces la datele subiacente și cunosc personal elevul/studentul. de exemplu, educatorul clasei.
-
Modelul nu va profila niciodată un elev ca "bun" sau "rău". Ne propunem să sprijinim educatorul în luarea deciziilor informate despre elevii/studenții lor, partajând observații obiective ale datelor într-o manieră nejudecală.
-
Modelul este intenționat să evite prejudecățile și nu utilizează informații de identificare (cum ar fi numele, sexul sau rasa). Modelul utilizează doar informațiile de comportament din interacțiunile elevilor/studenților în Teams.
-
Predicția este pur formativă, ceea ce înseamnă că este proiectată pentru a alerta cadrele didactice și a le susține în modificarea practicii în beneficiul elevilor/ studenților, dar nu este salvată în baza de date Insights pentru revizuire viitoare. Aceasta reflectă un comportament la un anumit moment din timp și nu trebuie utilizată pentru evaluarea oficială a niciunui elev/student.
Limitări de model
-
Modelul examinează câte o clasă odată. În cazul în care modelul de activitate al unui elev/student a fost refuzat într-o clasă și înclinați în alta, cadrele didactice pot fi notificate cu privire la necesitatea de asistență numai în clasa cu activitate refuzată.
-
Modelul utilizează implicarea digitală doar prin Teams ca măsură. Comunicarea directă de la elev/student la educator, între elevi/studenți sau din afara Teams nu este luată în considerare. Activitatea digitală din afara Teams nu va fi reprezentată în model.
-
Pentru a permite calculul nuanțat al oportunităților de învățare, predicția va fi efectuată doar pentru clasele cu mai mult de 5 studenți, cel puțin 4 săptămâni de activitate digitală și cel puțin 30% participarea elevilor la una sau mai multe dintre activitățile digitale utilizate de model.
Aveți nevoie de ajutor suplimentar?
Doriți mai multe opțiuni?
Explorați avantajele abonamentului, navigați prin cursurile de instruire, aflați cum să vă securizați dispozitivul și multe altele.
Comunitățile vă ajută să adresați întrebări și să răspundeți la întrebări, să oferiți feedback și să primiți feedback de la experți cu cunoștințe bogate.
