Карточки поддержки учащихся в Insights для образования
Applies To
Microsoft Teams Microsoft Teams для образованияКарточки поддержки учащихся на основе ИИ предназначены для того, чтобы помочь преподавателям выделить внимание на поддержку учащихся, прежде чем они отстают. В этом карта используется машинное обучение для отслеживания моделей цифрового взаимодействия в классе, а также каждого отдельного учащегося и уведомления преподавателей о ранних признаках разъединения учащихся. В центре внимания карта представлен список учащихся, которым может потребоваться поддержка преподавателей на следующей неделе, а также конкретные тезисы, основанные на изменении активности учащихся. Прогнозы являются чисто формируемыми и основаны только на сигналах цифрового взаимодействия, доступных в Insights для образования, дополнительные данные не собираются.
Как преподавателям следует использовать карта внимания?
Как преподаватель, вы знаете и понимаете своих учащихся лучше всего. Это внимание предназначено для того, чтобы пролить свет на обучение учащихся и вовлеченность, чтобы помочь преподавателям в разграничении поддержки, чтобы расширить возможности своих учащихся на справедливой основе.
Этот инструмент предназначен для использования в сочетании с личными отношениями и пониманием способностей и обстоятельств учащегося. В центре внимания не оцениваются учащиеся, а предоставляются возможности для преподавателей строить свои существующие отношения и дифференцировать поддержку.
Важно: Некоторые учащиеся, которым нужна поддержка, могут демонстрировать свою потребность с постоянной бездействием. Учащиеся, которые постоянно неактивны, не будут выделены в карта поддержки учащихся, так как они не предоставили данные о действиях для интерпретации. Обратите особое внимание на карта в центре внимания действий, чтобы определить неактивных учащихся, так как это еще один показатель того, что учащиеся нуждаются в поддержке.
Исследование карта поддержки учащихся
Консенсус в исследовательском сообществе педагогов заключается в том, что снижение вовлеченности является показателем того, что учащиеся сталкиваются с проблемами и сталкиваются с повышенным риском отставания (Кристенсон, Решли и Уайли, 2012;), и что цифровые данные учащихся могут быть использованы для оценки их уровня вовлеченности и прогнозирования с высокой точностью будущих поведений и достижений. Кроме того, эти данные можно использовать для выявления учащихся, подверженных риску, так как они тесно связаны с успеваемостью (Asarta and Schmidt, 2013; Baradwaj, Бриджеш Кумар и Saurabh Pal., 2012; Бек, 2004; Кэмпбелл и др., 2006; Гольдштейн и Кац, 2005; Джонсон, 2005; Мичинов и др., 2011; Моррис и др., 2005; Qu and Johnson, 2005; Рафаэли и Равид, 1997 год; Ван и Ньюлин, 2002; Вы, 2016;).
Исследования также показывают, что раннее вмешательство помогает снизить этот риск. Есть доказательства того, что высокий процент учащихся из группы риска посылает сигналы бедствия задолго до того, как они фактически бросают школу (Нилд, Балфанц, и Херцог, 2007). По этой причине системы раннего предупреждения помогают преподавателям предотвращать падение учащихся с пути к окончанию и нацеливать на мероприятия и поддержку для учащихся, которые в них больше всего нуждаются (Pinkus, 2008).
Asarta, C. J., & Шмидт, J. R. (2013). Доступ к шаблонам онлайн-материалов в смешанном курсе. Наука о решениях Журнал инновационного образования, 11(1), 107-123.
Baradwaj, B. K., & Пал, S. (2012). Интеллектуальный анализ образовательных данных для анализа успеваемости учащихся. arXiv preprint arXiv:1201.3417.
Бек, J. E. (август, 2004 г.). Использование времени отклика для моделирования разъединения учащихся. В трудах ITS2004 семинара по социальному и эмоциональному интеллекту в средах обучения (т. 20, No. 2004, pp. 88-95).
Кэмпбелл, J. P., Finnegan, C., & Коллинз, Б. (2006, июль). Академическая аналитика: использование CMS в качестве системы раннего предупреждения. В конференции по влиянию WebCT.
Кристенсон, С. Л., Решли, А. Л., & Уайли, К. (Эдс.). (2012). Руководство по исследованиям по вовлеченности учащихся. Springer Science & Business Media.
Голдштейн,. Джей, & Кац, Р. Н. (2005). Академическая аналитика: использование информации и технологий управления в высших учебных заведениях (т. 8, No 1, стр. 1-12). Educause.
Джонсон, Г. М. (2005). Отчуждение учащихся, академические достижения и использование WebCT. Журнал образовательной технологии & общества, 8(2), 179-189.
Мичинов, Н., Брунот, С., Ле Боек, О., Юхель, J., & Делаваль, М. (2011). Промедление, участие и производительность в онлайн-средах обучения. Компьютеры & образования, 56(1), 243-252.
Моррис, Л. В., Финнеган, К., & Ву, S. S. (2005). Отслеживание поведения учащихся, сохраняемости и достижений в онлайн-курсах. Интернет и высшее образование, 8(3), 221-231.
Нилд, Р. К., Балфанц, Р., & Херцог, Л. (2007). Система раннего предупреждения. Руководство по образованию, 65(2), 28-33.
Пинкус, Л. (2008). Использование данных раннего предупреждения для повышения числа выпускников: закрытие трещин в системе образования. Вашингтон, округ Колумбия: Альянс за отличное образование.
Qu, L., & Джонсон, W. L. (май, 2005 г.). Обнаружение мотивационных состояний учащегося в интерактивной среде обучения. В работе конференции 2005 года по искусственному интеллекту в образовании: поддержка обучения с помощью интеллектуальных и социально информированных технологий (стр. 547-554).
Рафаэли, С., & Равид, Г. (1997). Онлайновая веб-среда обучения для курса информационных систем: доступ к журналам, линейность и производительность. In Proc. Inf. Syst. Educ. Conf (Т. 97, стр. 92-99).
Ван, А. Y., & Ньюлин, М. Х. (2002). Предикторы производительности учащихся в Интернете: роль самоэффективность и причины для участия в онлайн-классе. Компьютеры в поведении человека, 18(2), 151-163.
Ты, Дж. (2016). Определение значимых показателей с помощью данных LMS для прогнозирования результатов курса в онлайн-обучении. Интернет и высшее образование, 29, 23-30.
Прогнозирование снижения активности учащихся
Модель машинного обучения принимает цифровые шаблоны активности каждого отдельного учащегося за последние три недели и использует эти данные для выявления учащихся, которые активны сегодня, но показали ранние показатели того, что их уровень вовлеченности может снизиться в ближайшие недели. Модель учитывает конкретные модели обучения в экосистеме класса, а также учитывает пробелы в активности класса, возникающие в результате отпусков и праздников. Прогноз вовлеченности учащихся является индивидуальным, с пониманием того, что разные учащиеся могут проявлять разные шаблоны активности, и не существует такой вещи, как "нормальное" поведение. Эти функции поддержки учащихся не оценивают учащихся, а определяют шаблоны действий, которые являются достаточно значительными, чтобы указать на потенциальную потребность в поддержке и дать преподавателям возможность вмешиваться на ранней стадии.
Сигналы активности, используемые в качестве входных данных для модели, включают:
-
Шаблоны доступа к файлам SharePoint: открытие, изменение, скачивание, отправка
-
Шаблоны доступа к назначениям и отправке: назначение, открытие, включение
-
Участие в чате класса: посетить, опубликовать, ответить, развернуть, отреагировать
-
Участие в собраниях класса
-
Доступ к страницам записной книжки OneNote для занятий: изменение, отражение использования, публикация
Важно: модель использует действие, а не само содержимое. Например, он НЕ использует содержимое из сообщений чата, содержимое документов, отражение эмоций или что-либо, что может быть использовано для идентификации этого учащегося.
Тезисы
Модель идентифицирует до 15% учащихся в классе, которые продемонстрировали сигналы активности, а затем выделяет индикаторы, которые каждый учащийся отображает в поле Говорящие точки. При выборе карта поддержки учащихся, учащиеся, которые показали ранние показатели разъединения, будут перечислены вместе с пунктами обсуждения, предназначенными для того, чтобы помочь вам начать разговор о потребностях в поддержке этого учащегося.
Вопросы, которые вы можете увидеть на карточках со сведениями о поддержке учащихся , включают:
-
меньше участвует в цифровых обсуждениях
-
инициирует меньше цифровых дискуссий
-
отреагировал на меньшее количество сообщений Teams
-
меньше участвовал в цифровых возможностях обучения
-
имеет доступ к меньшему количеству онлайн-материалов для занятий
-
запускает назначения Teams позже, чем обычно
-
меньше работает в записной книжке OneNote для занятий
Конфиденциальность и ответственный ИИ
Корпорация Майкрософт глубоко заботится о конфиденциальности и этичном использовании ИИ. Таким образом, в модель внедрены следующие принципы конфиденциальности:
-
Модель обучена по-разному, то есть наши специалисты по обработке и анализу данных не имеют доступа к просмотру данных класса.
-
Мы делимся аналитическими сведениями об учащихся только с пользователями, которые уже имеют доступ к базовым данным и имеют личное знакомство с учащимся. т. е. преподаватель класса.
-
Модель никогда не профилируют учащегося как "хороший" или "плохой". Мы стремимся поддержать преподавателя в принятии обоснованных решений о своих учащихся, обмениваясь объективными наблюдениями за данными без оценки.
-
Модель намеренно направлена на то, чтобы избежать предвзятости и не использует никаких идентифицирующие сведения (например, имя, пол или раса). Модель использует только информацию о поведении из взаимодействия учащихся в Teams.
-
Прогноз является чисто формируемым, то есть он предназначен для оповещения преподавателей и поддержки их в изменении их практики в интересах учащихся, но не сохраняется в базе данных Insights для дальнейшего просмотра. Это отражение поведения в определенный момент времени и не должно использоваться для официальной оценки любого учащегося.
Ограничения модели
-
Модель проверяет один класс за раз. Если модель активности учащегося снизилась в одном классе и склонялась в другом, преподаватели могут быть уведомлены о необходимости поддержки только в классе с отклонением активности.
-
В качестве меры модель использует только цифровое взаимодействие через Teams. Прямой обмен данными между учащимися и преподавателями, между учащимися или за пределами Teams не рассматривается. Цифровые действия за пределами Teams не будут представлены в модели.
-
Чтобы обеспечить нюансированный расчет возможностей обучения, прогноз будет выполняться только для занятий с более чем 5 учащимися, по крайней мере 4 недели цифровой активности и по крайней мере 30 % участия учащихся в одном или нескольких цифровых действиях, используемых моделью.
Нужна дополнительная помощь?
Нужны дополнительные параметры?
Изучите преимущества подписки, просмотрите учебные курсы, узнайте, как защитить свое устройство и т. д.
В сообществах можно задавать вопросы и отвечать на них, отправлять отзывы и консультироваться с экспертами разных профилей.
