Thẻ điểm hỗ trợ sinh viên trong Insights cho Giáo dục

Giảng viên nên sử dụng thẻ spotlight như thế nào?

Nghiên cứu về thẻ hỗ trợ sinh viên

Dự đoán về sự suy giảm hoạt động của học sinh

Mô hình học máy lấy mẫu hoạt động kỹ thuật số của từng học viên trong ba tuần qua và sử dụng dữ liệu đó để nhận dạng học viên hiện đang hoạt động hôm nay nhưng đã chỉ ra những chỉ báo sớm cho thấy mức độ tương tác của các em có thể giảm trong tuần tới. Mô hình này xem xét mô hình học tập cụ thể của hệ sinh thái lớp học, cũng như tính toán khoảng cách trong hoạt động lớp học do kỳ nghỉ và ngày lễ. Dự đoán về sự tham gia của học sinh là cá nhân, với sự hiểu biết rằng các học sinh khác nhau có thể biểu hiện các mô thức hoạt động khác nhau và không có những điều như hành vi "bình thường". Các điểm hỗ trợ dành cho học viên này không đánh giá học sinh, mà chỉ xác định các mô thức hoạt động đủ đáng kể để cho biết nhu cầu tiềm năng về hỗ trợ và trao quyền cho các giảng viên can thiệp sớm.

Tín hiệu hoạt động được sử dụng làm đầu vào cho mô hình bao gồm:

• Mẫu truy nhập tệp SharePoint: Mở, Sửa đổi, Tải xuống, Tải lên

• Các mẫu truy nhập Bài tập và Gửi: phân công, mở, nộp

• Tham gia trò chuyện lớp học: truy cập, đăng, trả lời, mở rộng, phản ứng

• Tham gia cuộc họp lớp học

• Truy nhập các trang sổ tay lớp học OneNote: sửa, Phản ánh mức sử dụng, bài đăng

Các điểm nói

Mô hình xác định có tới 15% học sinh trong lớp đã thể hiện các tín hiệu liên quan đến hoạt động, sau đó làm nổi bật các chỉ số mà mỗi học sinh hiển thị trong Các điểm nói. Khi bạn chọn thẻ spotlight hỗ trợ học viên, những học sinh đã hiển thị các chỉ báo sớm về việc phân chia sẽ được liệt kê cùng với các điểm Nói được thiết kế để giúp bạn bắt đầu một cuộc trò chuyện về nhu cầu hỗ trợ của học sinh đó.

Các điểm trò chuyện mà bạn có thể thấy trên thẻ spotlight hỗ trợ Học viên bao gồm:

• đã và đang tham gia ít các cuộc thảo luận kỹ thuật số hơn

• đã và đang khởi tạo ít thảo luận kỹ thuật số hơn

• đã phản ứng với ít tin nhắn Teams hơn

• đã tham gia vào các cơ hội học tập kỹ thuật số ít hơn

• đã và đang truy cập ít tài liệu lớp học trực tuyến hơn

• đã bắt đầu bài tập Teams muộn hơn bình thường

• sổ ghi chép lớp học OneNote của họ hoạt động ít hơn

Quyền riêng tư và AI chịu trách nhiệm

Tại Microsoft, chúng tôi quan tâm sâu sắc đến quyền riêng tư và việc sử dụng AI có đạo đức. Do đó, các nguyên tắc bảo mật sau đây được nhúng trong mô hình:

• Mô hình này được đào tạo bằng cách sử dụng cách nhìn không thích, nghĩa là các nhà khoa học dữ liệu của chúng tôi không có quyền truy cập để xem dữ liệu lớp.

• Chúng tôi chỉ chia sẻ Thông tin chuyên sâu về học viên với các cá nhân đã có quyền truy nhập vào dữ liệu cơ sở và làm quen với học viên. ví dụ như giảng viên của lớp.

• Người mẫu sẽ không bao giờ ghi hồ sơ học sinh là 'tốt' hay 'xấu'. Chúng tôi mong muốn hỗ trợ giảng viên đưa ra các quyết định sáng suốt về học sinh của mình bằng cách chia sẻ quan sát mục tiêu dữ liệu theo cách không đánh giá.

• Mô hình có chủ ý tránh thiên vị và không sử dụng bất kỳ thông tin nhận dạng nào (như tên, giới tính hoặc chủng tộc). Mô hình chỉ sử dụng thông tin hành vi từ các tương tác của học sinh trong Teams.

• Dự đoán hoàn toàn có định dạng, nghĩa là nó được thiết kế để cảnh báo các giảng viên và hỗ trợ họ trong việc sửa đổi thực hành của họ để mang lại lợi ích cho học viên của họ, nhưng không được lưu trong cơ sở dữ liệu Thông tin chi tiết để xem lại trong tương lai. Nó phản ánh hành vi tại một thời điểm cụ thể và không nên được sử dụng để đánh giá chính thức của bất kỳ sinh viên nào.