Kartice za podporo učencev v žarišču Insights za izobraževanje
Applies To
Microsoft Teams Microsoft Teams za izobraževanjeKartice s podporo za študente , ki temeljijo na uporabniškem vmesniku, so zasnovane tako, da učitelji razlikujejo pozornost tako, da podpirajo učence, preden zapadejo v ozadje. Ta kartica uporablja strojno učenje za spremljanje vzorcev digitalnega sodelovanja v učilnici kot tudi za vsakega posameznega študenta in obvesti izobraževalno osebje, ko učenci pokažejo zgodnje znake umika. Na kartici »V žarišču« je seznam učencev, ki morda potrebujejo podporo učitelja v naslednjem tednu, skupaj s posebnimi opornimi točkami, ki temeljijo na spremembi dejavnosti učencev. Napovedi so zgolj oblikovne in so odvisne le od signalov digitalnega ukrepanja, ki Insights za izobraževanje na voljo v storitvi, dodatni podatki pa se ne zbirajo.
Kako naj učitelji uporabljajo kartico »V žarišču«?
Kot učitelj najbolje poznate in razumete učence. Ta žarišče je zasnovano tako, da osvetlja učenje in sodelovanje učencev za pomoč učiteljem pri različnem dijaku, da bi svojim študentom omogočali pravičnost.
To orodje je namenjeno uporabi v kombinaciji z osebnimi odnosi in razumevanjem sposobnosti študenta in okoliš. V žarišču učenci niso ovrednoteni, ampak nudijo možnosti učiteljem, da nadgrajijo svoje obstoječe odnose in razlikujejo podporo.
Pomembno: Nekateri učenci, ki potrebujejo podporo, morda dokažejo, da potrebujejo dosledno nedejavnost. Učenci, ki so stalno nedejavni, ne bodo označeni na kartici podpore za študente, saj niso predložili podatkov o dejavnosti za razlago. Bodite pozorni na kartico »V žarišču dejavnosti«, da identificirate nedejavne študente, saj to je še en indikator, za katerega študenti potrebujejo podporo.
Raziskovanje kartice podpore za študente
Soglasje v pedagoški skupnosti raziskav je, da zmanjšanje sodelovanja je kazalnik, da študenti se soočajo z izzivi in se soočajo s povečano tveganje za padec zadaj (Christenson, Reschly in Wylie, 2012;), in da se lahko podatki o digitalnem sodelovanju študentov uporabljajo za oceno njihove ravni sodelovanja in za predvidevanje z visoko natančnostjo prihodnje vedenja in dosežke. Te podatke je mogoče uporabiti tudi za prepoznavanje »ogroženih« študentov, saj so zelo v sorodu z akademskimi dosežki (Asarta in Schmidt, 2013; Baradwaj, Brijesh Kumar in Saurabh Pal., 2012; Beck, 2004; Campbell et al., 2006; Goldstein in Katz, 2005; Johnson, 2005; Michinov et al., 2011; Morris et al., 2005; Qu in Johnson, 2005; Rafaeli in Ravid, 1997; Wang in Newlin, 2002; Vi, 2016;).
Raziskave tudi kažejo, da zgodnje posredovanje pomaga ublažiti to tveganje. Obstajajo dokazi, da visok odstotek ogroženih študentov pošlje stiske signalov dolgo, preden dejansko opusti šolo (Neild, Balfanz, in Herzog, 2007). Iz tega razloga, zgodnje opozarjanje sistemi pomagajo učitelji preprečiti študentom, da sodijo off skladbo do diplome in ciljno intervencije in podporo študentom, ki jih potrebujejo najbolj (Pinkus, 2008).
Asarta, C. J., & Schmidt, J. R. (2013). Vzorci dostopa do spletnih materialov v kombiniranem tečaju. Decision Sciences Dnevnik of Innovative Education, 11(1), 107-123.
Baradwaj, B. K., & Pal, S. (2012). Rudarjenje izobraževalnih podatkov za analizo uspešnosti učencev. arXiv preprint arXiv:1201.3417.
Beck, J. E. (2004, avgust). Uporaba odzivnih časov za modeliranje umika učencev. V postopku delavnice ITS2004 o družbeni in čustveni inteligenci v učnih okoljih (vol. 20, ne. 2004, pp. 88-95).
Campbell, J. P., Finnegan, C., & Collins, B. (2006, julij). Akademska analitika: uporaba cms kot sistema za zgodnje opozarjanje. V razdelku Konferenca vpliva na WebCT.
Christenson, S. L., Reschly, A. L., & Wylie, C. (Eds.). (2012). Priročnik za raziskave o sodelovanju učencev. Springer Science & Business Media.
Goldstein, P. J., & Katz, R. N. (2005). Akademski analitiki: uporaba informacij in tehnologije za upravljanje v visokem šolstvu (vol. 8, ne. 1, pp. 1–12). Educause.
Johnson, G. M. (2005). Študentski odtujeni, akademski dosežki in uporaba WebCT. Dnevnik izobraževalne tehnologije in &,8(2), 179-189.
Michinov, N., Brunot, S., Le Bohec, O., Juhel, J., & Delaval, M. (2011). Odlašanje, sodelovanje in učinkovitost v spletnih učnih okoljih. Računalniki & Education, 56(1), 243-252.
Morris, L. V., Finnegan, C., & Wu, S. S. (2005). Spremljajte vedenje učencev, vztrajnost in dosežke v spletnih tečajih. Internet in visokošolsko izobraževanje, 8(3), 221-231.
Neild, R. C., Balfanz, R., & Herzog, L. (2007). Sistem za zgodnje opozarjanje. Vodstvo v izobraževanju, 65(2), 28-33.
Pinkus, L. (2008). Uporaba podatkov iz zgodnjega opozorila za izboljšanje stopnje diplomantov: zapiranje razpok v izobraževalnem sistemu. Washington, DC: Alliance for Excellent Education.
Qu, L., & Johnson, W. L. (2005, maj). Zaznavanje motivacijskih stanj učencev v interaktivnem učnem okolju. V postopkih konference o umetni inteligenci v izobraževanju leta 2005: podpiranje učenja s pametno in socialno informirano tehnologijo (str. 547-554).
Rafaeli, S., & Ravid, G. (1997). Spletno okolje za učenje v spletu za predmet informacijskih sistemov: Accessovi dnevniki, linearnost in učinkovitost delovanja. V razdelku Proc. Inf. Syst. Educ. Conf. (Vol. 97, pp. 92–99).
Wang, A. Y., & Newlin, M. H. (2002). Napovedniki uspešnosti spletnih študentov: Vloga samouinkovitosti in razlogi za ob on-line razred. Računalniki v človeškem vedenju, 18(2), 151-163.
Ti, J. W. (2016). Prepoznavanje pomembnih kazalnikov, ki uporabljajo podatke LMS za predvidevanje dosežkov tečaja v spletnem izobraževanju. Internet in visokošolsko izobraževanje, 29, 23-30.
Napoved zavrnjenega učenca v dejavnosti
Model strojnega učenja uporablja vzorce digitalne dejavnosti vsakega posameznega študenta v zadnjih treh tednih in te podatke uporabi za prepoznavanje aktivnih študentov, ki so že danes, vendar so pokazali zgodnje kazalnike, da se lahko raven sodelovanja teh učencev spusti v prihodnjem tednu. Pri modelu so upoštevani posebni učni vzorci ekosistema učilnice ter vrzeli v šolski dejavnosti, ki so posledica dopustov in praznikov. Predvidevanje sodelovanja učencev je posamezno, pri tem pa se razume, da lahko različni učenci kažejo različne vzorce dejavnosti in da »navadno« vedenje ne obstaja. Ti učenci v žarišču ne ocenijo učencev, ampak prepoznajo vzorce dejavnosti, ki so dovolj pomembni, da kažejo, da morda potrebujejo podporo in spodbudite učitelje, da prej posredujejo.
Signali o dejavnosti, ki se uporabljajo kot vnos za model, vključujejo:
-
SharePointovi vzorci dostopa do datotek: Odpri, Spremeni, Prenesi, Naloži
-
Vzorci dostopa za naloge in pošiljanje: dodeljevanje, odpiranje, oddaja
-
Sodelovanje v klepetu na predavanju: obisk, objavljanje, odgovarjanje, razširjanje, odziv
-
Sodelovanje na razrednih srečanjih
-
Dostop do strani OneNotovega zvezka za predavanja: urejanje, odsev uporabe, objava
Pomembno: model uporablja dejavnost in ne same vsebine. Na primer, ne uporablja vsebine iz sporočil klepeta, vsebine dokumentov, Odsev čustev, ali karkoli, kar bi se lahko uporabilo za prepoznavanje tega študenta.
Oporne točke
V modelu je opredeljenih do 15 % učencev v razredu, ki so dokazali, da uporabljajo signale o dejavnosti, nato pa označi kazalnike, ki jih je posamezen učenec prikazal v talkingskih točkah. Ko izberete kartico za podporo učencev v žarišču, bodo učenci, ki so prikazali zgodnje kazalnike o umiku, navedeni skupaj s točkami Talking, ki so zasnovane tako, da vam pomagajo začeti pogovor o zahtevah za podporo tega učenca.
Oporne točke , ki so lahko prikazane na karticah v žarišču podpore za študente, vključujejo:
-
sodelovala v digitalnih razpravah manj kot
-
se je začela manj digitalnih razprav o
-
se je odzval na manj sporočil v aplikaciji Teams
-
v digitalnih učnih priložnostih sodelovala manj kot
-
je bil dostop do manj spletnih materialov razreda
-
naloge v aplikaciji Teams začenjajo pozneje kot običajno
-
manj dela v OneNotovih zvezkih za predavanja
Zasebnost in odgovorna AI
Pri Microsoftu zelo skrbimo za zasebnost in etično uporabo uporabniške vmesnike. Zato so v model vdelana naslednja načela zasebnosti:
-
Model je usposobljena z uporabo oči-off način, kar pomeni, naši znanstveniki podatkov nimajo dostopa do ogleda razreda podatkov.
-
Vpoglede o učencih delimo le s posamezniki , ki že imajo dostop do temeljnih podatkov in so osebno seznanjeni s študentom. učitelj razreda.
-
Model ne bo nikoli profil učenca kot »dobro« ali »slabo«. Prizadevamo si, da bi učiteljem podpirali sprejemanje informirane odločitve o učencih tako, da objektivna opazovanja podatkov delite na neprimeren način.
-
Model je namerna o izogibanju prednaslovu in ne uporablja nobenih identifikacijskih podatkov (kot so ime, spol ali rasa). Model uporablja le vedenjske informacije iz interakcij učencev v aplikaciji Teams.
-
Napoved je zgolj oblikovna, kar pomeni, da je zasnovana tako, da učitelje opozori in jih podpira pri spreminjanju njihove prakse, da bi koristila svojim študentom, vendar ni shranjena v zbirki podatkov z vpogledi za prihodnji pregled. To je odraz vedenja na določeni točki v času in se ne sme uporabljati za uradno oceno katerega koli študenta.
Omejitve modela
-
Model pregleda enega razreda naenkrat. Če se je vzorec dejavnosti učenca zmanjšal v enem razredu in je bil podčrtan v drugem, bodo učitelji morda obveščeni o potrebi po podpori le v razredu z zavrnjeno dejavnostjo.
-
Model kot ukrep uporablja le digitalno sodelovanje prek aplikacije Teams. Neposredna komunikacija med učenci in učiteljem, učenci ali zunaj aplikacije Teams ni obravnavana. Digitalna dejavnost zunaj aplikacije Teams ne bo predstavljena v modelu.
-
Da bi omogočili nenaročen izračun učnih priložnosti, bo napoved izvedena le za predavanja z več kot 5 učenci, najmanj 4 tedne digitalne dejavnosti in najmanj 30 % sodelovanja učencev v eni ali več digitalnih dejavnostih, ki jih uporablja model.
Ali potrebujete dodatno pomoč?
Ali želite več možnosti?
Raziščite ugodnosti naročnine, prebrskajte izobraževalne tečaje, preberite, kako zaščitite svojo napravo in še več.
Skupnosti vam pomagajo postaviti vprašanja in odgovoriti nanje, posredovati povratne informacije in prisluhniti strokovnjakom z bogatim znanjem.
