教育版 Insights中的学生支持聚焦卡片
Applies To
Microsoft Teams Microsoft Teams 教育版基于 AI 的学生支持 聚光灯卡旨在帮助教师在学生落后之前区分对学生的支持。 此卡使用机器学习来监视课堂以及每个学生的数字参与模式，并在学生出现早期脱离迹象时通知教师。 聚焦卡提供了下周可能需要教师支持的学生列表，以及基于学生活动变化的具体谈话要点。 预测纯粹是形成性的，仅依赖于教育版 Insights中提供的数字参与信号，不会收集其他数据。
教师应如何使用聚光灯卡？
作为教师，你最了解和理解你的学生。 这种聚光灯旨在照亮学生的学习和参与，以帮助教师区分支持，以公平地赋予学生权力。
此工具旨在与个人关系和对学生能力和情况的理解结合使用。 聚光灯不会评估学生，而是为教师提供机会，让他们在现有关系的基础上再努力，区分支持。
重要: 一些需要支持的学生可能以一致的不活动状态来证明自己的需求。 持续处于非活动状态的学生不会在学生支持卡突出显示，因为他们没有提供要解释的活动数据。 请密切关注活动聚焦卡识别处于非活动状态的学生，因为这是学生需要支持的另一个指标。
学生支持卡研究
教学研究界的共识是，参与度下降是一个指标，表明学生正在经历挑战，并面临更高的风险落后 (Christenson，Reschly和Wylie，2012年;) ，学生的数字参与数据可用于评估他们的参与程度，并预测高准确度的未来行为和成就。 此外，这些数据还可用于识别“有风险”的学生，因为它与 2013 年 Asarta 和 Schmidt (学术成就高度相关;巴拉德瓦伊、布里杰什·库马尔和索拉布·帕尔，2012年;贝克， 2004;坎贝尔等人，2006年;戈德斯坦和卡茨，2005年;约翰逊，2005年;Michinov et al.， 2011;Morris et al.， 2005;屈和约翰逊，2005年;拉斐利和拉维德，1997年：王和纽林，2002年：你，2016;) 。
研究还表明， 早期干预有助于缓解这种风险。 有证据表明，2007年) 年，高危学生在尼尔德、巴尔方茨和赫尔佐格 (真正辍学之前就发出求救信号。 因此，预警系统正在帮助教师防止学生偏离毕业的轨道，并针对最需要干预和支持的学生 (平库斯，2008) 。
阿萨塔，C.J.，& 施密特，J.R. (2013) 。 在混合课程中访问在线材料模式。 创新教育决策科学日记，11 (1) ,107-123。
巴拉德瓦伊，B.K.，& 帕尔，S. (2012) 。 挖掘教育数据以分析学生的表现。 arXiv 预印 arXiv：1201.3417。
贝克，J.E. 2004年8月 (日，) 年8月。 使用响应时间对学生脱离进行建模。 在 学习环境中社会和情商ITS2004研讨会的论文集 (Vol。 20，第2004号，第88-95页) 。
坎贝尔，J.P.，芬尼根，C.，& 柯林斯，B. (2006年7月) 。 学术分析：使用 CMS 作为预警系统。 在 WebCT 影响会议中。
克里斯滕森，S.L.，雷施利，A.L.，& 威利，C. (Eds.) 。 (2012) 。 学生参与研究手册。 Springer Science & Business Media。
戈德斯坦，P.J.，& 卡茨，R. N. (2005) 。 学术分析：管理信息与技术在高等教育中的应用 (Vol。 8， No. 1， pp. 1-12) . Educause。
约翰逊，G.M. (2005) 。 学生异化、学术成就和 WebCT 使用。 教育技术 & 学会日记，8 (2) ,179-189。
Michinov， N.， Brunot， S.， Le Bohec， O.， Juhel， J.， & Delaval， M. (2011) . 联机学习环境中的拖延、参与和性能。 计算机 & 教育， 56 (1) ， 243-252.
莫里斯，L.V.，芬内根，C.，& 吴，S.S. (2005) 。 在在线课程中跟踪学生的行为、持久性和成就。 互联网与高等教育， 8 (3) ,221-231。
尼尔德，R.C.，巴尔方茨，R.，& 赫尔佐格，L. (2007年) 。 预警系统。 教育领导， 65 (2) ,28-33。
平克纳斯， L. (2008) . 利用预警数据提高毕业率：关闭教育系统的裂缝。 华盛顿：优秀教育联盟。
Qu， L. ， & Johnson， W. L. 2005年5月 (日，) 年5月。 在交互式学习环境中检测学习者的动机状态。 在 2005年教育人工智能会议论文集：通过智能和社会信息化技术支持学习 (第547-554页) 。
拉斐利，S.，& 拉维德，G. (1997年) 。 信息系统课程的联机、基于 Web 的学习环境：访问日志、线性和性能。 在 Proc. Inf. Syst. Educ. Conf. (Vol. 97， pp. 92-99) .
王，A.Y.，& 纽林，M. H. (2002) 。 Web 学生表现的预测因素：自我效能的作用和参加在线课程的原因。 计算机在人类行为， 18 (2) ， 151-163.
你，J.W。 (2016) 。 使用 LMS 数据确定重要指标，以预测在线学习中的课程成绩。 互联网和高等教育，29,23-30。
预测学生活动下降
机器学习模型采用过去三周内每个学生的数字活动模式，并使用该数据来识别目前活跃但已显示其参与度可能在未来一周内下降的早期指标的学生。 该模型考虑了课堂生态系统的特定学习模式，并考虑了假期和假期导致的课堂活动差距。 学生参与的预测是个体的，理解不同的学生可能会表现出不同的活动模式，并且不存在“正常”行为。 这些学生支持聚焦不会评估学生，而是确定活动模式，这些模式非常重要，足以表明潜在的支持需求，并使教师能够尽早干预。
用作模型输入的活动信号包括：
-
SharePoint 文件访问模式：打开、修改、下载、上传
-
分配和提交访问模式：分配、打开、提交
-
课堂聊天参与：访问、发布、回复、展开、响应
-
课堂会议参与
-
OneNote 课堂笔记本页面访问权限：编辑、反映使用情况、发布
重要: 模型使用活动，而不是内容本身。 例如，它不使用聊天消息中的内容、文档内容、反映情绪或任何可用于识别该学生的内容。
谈话要点
该模型识别课堂中最多 15% 的学生，他们演示了有关活动信号，然后突出显示每个学生在 “谈话点”中显示的指标。 选择学生支持聚焦卡时，将列出已显示早期脱离指标的学生以及旨在帮助您启动有关该学生支持需求的对话的“对话”点。
你可能会在学生支持聚焦卡片上看到的谈话要点包括：
-
参与数字讨论较少
-
启动的数字讨论已减少
-
对更少的 Teams 消息做出反应
-
参与数字学习的机会较少
-
访问的联机课堂材料更少
-
已比平时晚启动 Teams 作业
-
OneNote 课堂笔记本中的工作较少
隐私和负责任的 AI
在 Microsoft，我们非常关心 AI 的隐私和道德使用。 因此，模型中嵌入了以下隐私原则：
-
该模型是使用视 线方式训练的，这意味着我们的数据科学家无权查看类数据。
-
我们只与 已经有权访问 基础数据并熟悉学生的个人共享有关学生的见解。 即课堂教师。
-
该模型永远不会将学生描述为“好”或“坏”。 我们的目标是通过以非判断方式共享 对数据的客观观察 ，支持教师对其学生做出明智的决策。
-
该模型有意避免偏见，不使用任何标识信息 (，例如姓名、性别或种族) 。 该模型仅使用 Teams 中学生交互中的行为信息。
-
预测纯粹是形成性的，这意味着它旨在提醒教师并支持他们修改实践以使其学生受益，但不 保存在 Insights 数据库中以供将来查看。 它是特定时间点行为的反映，不应用于对任何学生进行正式评估。
模型限制
-
模型一次检查一个类。 如果学生的活动模式在一个班级中已下降，而在另一个课堂中倾向于，则教师可能会收到通知，仅需要支持活动被拒绝的班级。
-
该模型仅使用通过 Teams 进行的数字参与作为度量值。 不考虑从学生到教师、学生之间或 Teams 外部的直接通信。 在模型中不会显示 Teams 外部的数字活动。
-
为了能够对学习机会进行细微差别计算，预测将仅针对超过 5 名学生、至少 4 周数字活动和至少 30% 学生参与模型使用的一个或多个数字活动的班级执行。
需要更多帮助?
需要更多选项?
了解订阅权益、浏览培训课程、了解如何保护设备等。
社区可帮助你提出和回答问题、提供反馈，并听取经验丰富专家的意见。
