Печалби:
- Възможност за обобщаване на данни като отсъствие, академично и поведенческо наблюдение с поддръжка на изкуствен интелект и изготвяне на последваща таблица и бележки за наблюдение
- Възможност за писане на подкани, които оставят решението на експерта, докато изготвят резюмета, които улесняват откриването на модели за ранно предупреждение
- Разбирането, че изкуственият интелект намалява ученика до риска и опасността от пристрастия, и възможността да се види, че ранното предупреждение винаги трябва да се комбинира с експертно наблюдение и интервю.
Една от важните задачи на PDR специалиста е да наблюдава учениците във времето: модели на посещаемост, академичен напредък, поведенчески наблюдения, социални взаимоотношения, история на интервютата. Това наблюдение има за цел да разпознае навреме кога ученикът може да се нуждае от подкрепа; Това се нарича ранно предупреждение. Ранното предупреждение означава активиране на подкрепа въз основа на видими признаци (внезапно увеличаване на отсъствията, падане на оценките, оттегляне), преди проблемът да ескалира. Но това поле може да бъде както много полезно, така и много опасно: ако се използва добре, то позволява достигане на ученик навреме; Използван неправилно, той хваща ученик в „етикет за риск“.
В този урок ще се научим да използваме AI като помощно средство, което обобщава разпръснатите данни за проследяване и прави модела видим. Най-критичният принцип: AI може да посочи модела, но не може да оцени ученика или да го обяви за „изложен на риск“. Ранното предупреждение винаги се съчетава с наблюдението на специалиста и разговора с ученика; Окончателната оценка и решение е на експерта. Нека си припомним и границата на кризата: ако последващите данни показват сериозен риск (например положението на ученик показва непосредствена опасност), това е кризисна ситуация и протоколът в раздел 9 влиза в действие; Не AI.
Тънката граница между виждането на модели и етикетирането им
Проследяването на данни само по себе си няма смисъл; контекстът дава смисъл. Триседмично увеличение на отсъствията от работа; Може да е свързано с болест, семейна ситуация или трудност в училище. AI може да направи това увеличение видимо в таблица или резюме („отсъствията са се увеличили значително през последните три седмици“); това е полезна реплика, която привлича вниманието на професионалиста към този ученик. Опасността е, че AI (или експертът, базиран на AI) ще скочи от този сигнал до преценка: „този ученик е изложен на риск/проблем/пренебрегнат.“ Този скок може да бъде както грешен, така и да заклейми ученика.
Правило: AI сигнализира, експертът конструира значение. Резюмето е обосновка за започване на разговор, а не заключение. Нито един знак не се превръща в оценка без разговор с ученика.
Друга тънкост е да внимавате при комбинирането на източници на данни. Посещаемостта, тенденцията в оценката и мониторингът на поведението са индивидуално значими, но AI да ги комбинира като един „рисков резултат“ е подвеждащо. Отсъствията на ученик може да са се увеличили, защото той или тя има хронично здравословно заболяване; Това не е знак за академичен провал. Натъпкването на различни видове данни в едно число замъглява реалността на обучаемия и създава фалшиво приоритизиране. Правилният подход е да разглеждаме всеки тип данни като отделен „знак“ и да оставим цялото на интерпретацията на експерта. AI може да съпоставя данни; но не трябва да върши работата по свързването им в едно решение. По същия начин „колко дълго“ трае даден знак също е важно: едноседмично колебание и тенденция, продължаваща три месеца, имат много различни значения и отново зависи от експерта да разчете това времево измерение.
Внимание: Разпечатка, която посочва ученик като „в риск“, може трайно да повлияе на възприятието на детето в училище. За да се предотврати навлизането на такива етикети в обращение, разпечатките за ранно предупреждение трябва да се пазят поверителни и да се използват само за помощни цели и под експертен надзор.
Пристрастие: има значение кой се смята за „риск“.
Пристрастието при ранното предупреждение е сериозен проблем за правосъдието. Ако системата (или кратката информация за AI) непропорционално маркира ученици от определена социално-икономическа група, определен квартал или определени поведенчески модели като „в риск“, това институционализира пристрастие. Експертът трябва да различи кои признаци наистина показват подкрепа и кои просто сочат към модел; Към всеки ученик трябва да се подхожда индивидуално и справедливо. Езикът на „риска“, създаден от ИИ, не трябва да се приема без съмнение.
Стъпка по стъпка: от данни до поддръжка
- Събирайте данни анонимно. Организирайте данни като посещаемост, наблюдение и напредък на оценката с „Студент A/B/C“ вместо ID кодове.
- В обобщение с AI. Обобщете модела и забележителните промени на ниво явление.
- Изберете знаци. Експертът решава кои резюмета заслужават интервю.
- Мнение. Говорете със сигнализирания ученик; научете контекста.
- Оценявайте и планирайте. Експерт установява смисъл и подкрепа.
- Дръжте го тъмно. Споделяне на резултати извън целите на поддръжката; Не разпространявайте етикета.
Копируеми шаблони
1) Обобщение на данните за проследяване:
Вашата роля: Асистент за редактиране на PDR данни. ДОБАВЕТЕ ПРЕЦЕНКА, етикет "риск" или препоръка. Задача: Обобщете следните анонимни данни за отсъствие/наблюдение на ниво ФАКТИ по ученик; Посочете всички забележими ПРОМЕНИ (увеличаване/намаляване). Оценката и решението са мои; просто правите модела видим.Данни: [поставете анонимни данни]
2) Списък с причини за среща:
От анонимните резюмета по-долу избройте факти, които могат да представляват основание за започване на РАЗГОВОР ЗА ПОДКРЕПА. Напишете НЕУТРАЛНА причина с едно изречение за всяка (като „отсъствията се увеличиха през последните три седмици“). Не използвайте етикети като „рисково/проблематично“. Резюмета: [анонимни резюмета]
3) Редактиране на таблица за проследяване:
Подредете следните анонимни последващи бележки в таблица с колони за дата, наблюдавано явление, планирана стъпка и резултат. Не добавяйте коментари, запазете фактите. Бележки: [анонимни бележки]
4) Подготовка преди интервюто:
Вашата роля: PDR асистент. Подготвям се за ПОДДЪРЖАЩА среща с 14-годишен ученик, чиято посещаемост се увеличи. Предложете 8 подготвителни въпроса, които не са осъдителни, отворени и не карат ученика да се защитава.
Слаба подкана / Силна подкана
Слаб:
Вижте списъка с отсъствия на този клас, отбележете учениците в риск.
Това прави AI съдията, иска от него да произведе „рисков“ етикет, без контекст и без разговор.
Силен:
Вашата роля: Асистент за редактиране на PDR данни, добавяне на етикет „риск“. В данните за анонимни отсъствия по-долу обобщете (на ниво феномен) учениците, които са показали ЗНАЧИТЕЛНА ПРОМЯНА през последните 3 седмици. За всеки просто напишете какво се е променило; Аз ще направя коментара и решението. Данни: [анонимни данни]
Той сигнализира, не етикетира; Решението е в ръцете на експерта.
три мини калъфа
Случай 1 — Полезен знак. Специалист изпитваше трудности с проследяването на отделни отсъствия в клас от 200 ученици. Той имаше анонимни данни, обобщени от AI; Един ученик, който обикновено би останал незабелязан, който показа тихо, но стабилно нарастване на отсъствията, се открои. Експертът говори; Той научил, че студентът има проблем с транспорта сутринта и предложил практично решение. AI даде знака, експертът и студентът изградиха решението.
Случай 2 — Връщане от етикет. Едно резюме на AI описва един ученик като „висок риск за поведение“; като в данните на вещото лице е налице само явлението „заявка за смяна на клас два пъти”. Експертът отхвърли този етикет, разговаря със студента и установи, че искането произтича от желание да се дистанцира от група приятели. Етикетът може несправедливо да стигматизира детето; експертният филтър предотврати това.
Случай 3 — Проверка на отклонение. Експерт забеляза, че списъкът с „рискове“, създаден от AI, включва непропорционално ученици от определен квартал. Той не използва списъка, смятайки, че това може да отразява пристрастия; вместо това прилага справедливи, основани на факти критерии към всички ученици. По този начин подкрепата се разпределя според действителните нужди, а не според стигмата.
Често срещани грешки
- Означаването на AI като „рисковано“. Подкопаване на съдебната система в инструмент. Решение: AI показва явлението/промяната, експертът прави преценката.
- Оценка без интервю. Не просто да гледате данните и да говорите с ученика. Решение: всеки знак придобива контекст чрез разговор.
- Игнориране на пристрастия. Приемане на базиран на модел списък с „рискове“. Решение: контрол на справедливостта и индивидуалността.
- Разпространение на етикета. Споделяне на списъка „рисков студент“. Решение: ограничение за поверителност и цел на поддръжката.
- Бъркайки го с криза. Третиране на знак за сериозен риск като рутинно наблюдение. Решение: кризисен протокол (блок 9) е активиран.
Маса: знак или преценка?
изход
Тип
какво да правя
„Отсъствията се увеличиха през последните 3 седмици“
Знак (явление)
Повод за срещата
„Този ученик е рискован“
Присъда (етикет)
Отхвърлете, върнете се към реалността
„Оценките падат от два семестъра“
Знак (явление)
Повод за срещата
„Семейството му го пренебрегва“
преценка/извод
Отхвърляне, връщане към наблюдение
„Честотата на срещите намаля“
Знак (явление)
Експертът оценява
В обобщение
При проследяването на ученици AI е полезна помощ, която обобщава разпръснати данни и прави моделите видими; Но не може да оцени ученика или да го обяви за „изложен на риск“. AI дава сигнали, експерт конструира значение. Контекстуализирайте всеки знак с разговор, проверете за пристрастия, разпространете етикети и преминете към кризисен протокол при признаци на сериозен риск. Целта на ранното предупреждение не е да стигматизира, а да предостави навременна и справедлива подкрепа.
Задача за приложение
Създайте анонимни данни за присъствие/наблюдение за измислена класна стая. Накарайте AI да обобщава на ниво факти с шаблона „обобщени данни за проследяване“. Проверете изхода: ИИ добавил ли е етикети или преценки за „риск/проблем“? Маркирайте, премахнете и създайте неутрален списък с причини за обсъждане само с факти. След това задайте въпроса за пристрастията: списъкът подрежда ли се по определен модел?
контролен списък
- [ ] Анонимизирах данните, преди да ги дам на инструмента.
- [ ] Написах ограничението „добавяне на етикет на риска/преценка“ към подканата.
- [ ] Поддържах изхода на AI на ниво факт/знак, правейки преценката сам.
- [ ] Контекстуализирах всеки знак с интервю.
- [ ] Проверих за пристрастия и запазих етикетите частни.