Dobici:
- Sposobnost sažimanja podataka kao što su odsutnost, akademska i opservacija ponašanja uz podršku umjetne inteligencije i pripremanje tabele za praćenje i bilješki o zapažanjima
- Sposobnost pisanja uputstava koja prepuštaju odluku stručnjaku uz izradu sažetaka koji olakšavaju uočavanje obrazaca za rano upozorenje
- Razumijevanje da umjetna inteligencija svodi učenika na rizik i opasnost od pristrasnosti, te biti u stanju vidjeti da rano upozorenje uvijek treba kombinirati sa stručnim zapažanjem i intervjuom.
Jedan od važnih poslova PDR profesionalaca je da prati učenike tokom vremena: obrasce pohađanja, akademski napredak, zapažanja ponašanja, društvene odnose, istoriju intervjua. Ovo praćenje ima za cilj da rano prepozna kada bi učeniku mogla biti potrebna podrška; Ovo se zove rano upozorenje. Rano upozorenje znači aktiviranje podrške na osnovu vidljivih znakova (nagli porast izostanaka, pad ocjena, povlačenje) prije nego što problem eskalira. Ali ovo polje može biti i vrlo korisno i vrlo opasno: ako se dobro koristi, omogućava da se dođe do učenika na vrijeme; Ako se loše koristi, zarobljava učenika u „oznaci rizika“.
U ovoj jedinici naučit ćemo koristiti AI kao pomoćno sredstvo koje sažima raštrkane podatke praćenja i čini uzorak vidljivim. Najkritičniji princip: AI može ukazati na obrazac, ali ne može procijeniti učenika ili ga proglasiti "u opasnosti". Rano upozorenje se uvijek kombinuje sa opservacijom specijaliste i razgovorom sa studentom; Konačna procjena i odluka su na ekspertu. Prisjetimo se i granice krize: ako naknadni podaci ukazuju na ozbiljan rizik (npr. situacija učenika ukazuje na neposrednu opasnost), riječ je o kriznoj situaciji i stupa na snagu protokol iz jedinice 9; Ne AI.
Tanka linija između viđenja uzoraka i njihovog označavanja
Samo praćenje podataka nema smisla; kontekst daje smisao. Tronedeljni porast izostanaka; To može biti povezano sa bolešću, porodičnom situacijom ili poteškoćama u školi. AI može učiniti ovo povećanje vidljivim u tabeli ili sažetku („izostajanje se značajno povećalo u posljednje tri sedmice“); ovo je koristan znak koji skreće pažnju stručnjaka na tog učenika. Opasnost je da će AI (ili stručnjak, na osnovu AI) skočiti sa ovog signala na presudu: „ovaj učenik je u riziku/problem/zanemaren.” Ovaj skok može biti i pogrešan i stigmatizira učenika.
Pravilo: AI signali, ekspertska konstrukcija značenja. Sažetak je opravdanje za početak razgovora, a ne zaključak. Nijedan znak ne postaje evaluacija bez razgovora sa učenikom.
Još jedna suptilnost je da budete pažljivi kada kombinujete izvore podataka. Pohađanje, trend ocjena i praćenje ponašanja su pojedinačno značajni, ali AI ih kombinuje kao jedan „skor rizika“ je pogrešno. Izostanak učenika se može povećati jer on ili ona imaju hronično zdravstveno stanje; Ovo nije znak akademskog neuspjeha. Zbijanje različitih tipova podataka u jedan broj zamagljuje stvarnost učenika i stvara lažno određivanje prioriteta. Ispravan pristup je da se svaka vrsta podataka vidi kao poseban "znak" i da se cjelina prepusti tumačenju stručnjaka. AI može uporediti podatke; ali ne bi trebalo da ih spoji u jedan sud. Isto tako, važno je i "koliko" znak traje: sedmična fluktuacija i trend koji traje tri mjeseca imaju vrlo različita značenja, a na stručnjaku je opet da pročita ovu vremensku dimenziju.
Oprez: Ispis koji navodi učenika kao „rizični“ može trajno uticati na percepciju tog djeteta u školi. Kako bi se spriječilo da takve naljepnice uđu u promet, ispise ranog upozorenja treba čuvati u tajnosti i koristiti samo u svrhu podrške i pod nadzorom stručnjaka.
Pristrasnost: ko se računa kao "rizik" je važan
Pristrasnost u ranom upozoravanju je ozbiljno pitanje pravde. Ako sistem (ili AI sažetak) nesrazmjerno označava učenike iz određene socioekonomske grupe, određenog susjedstva ili određene obrasce ponašanja kao „rizične“, to institucionalizira pristrasnost. Stručnjak mora razlikovati koji znakovi istinski ukazuju na podršku, a koji samo ukazuju na obrazac; Svakom učeniku treba pristupiti individualno i pošteno. Jezik „rizika“ koji proizvodi AI ne bi trebalo usvojiti bez preispitivanja.
Korak po korak: od podataka do podrške
- Prikupljajte podatke anonimno. Organizujte podatke kao što su prisustvo, posmatranje i napredak u ocjeni pomoću "Student A/B/C" umjesto ID kodova.
- Ukratko sa AI. Sumirajte obrazac i značajne promjene na nivou fenomena.
- Odaberite znakove. Stručnjak odlučuje koji sažeci zaslužuju intervju.
- Mišljenje. Razgovarajte sa signaliziranim učenikom; naučite kontekst.
- Procijenite i planirajte. Stručnjak utvrđuje značenje i podršku.
- Neka bude tamno. Dijeljenje rezultata izvan svrhe podrške; Nemojte širiti etiketu.
Predlošci koji se mogu kopirati
1) Sažetak podataka o praćenju:
Vaša uloga: pomoćnik za uređivanje PDR podataka. DODAJTE PRESUDU, oznaku "rizik" ili preporuku. Zadatak: Sumirajte sljedeće anonimne podatke o izostanku/posmatranju na nivou ČINJENICA od strane učenika; Navedite sve značajne PROMENE (povećanje/smanjenje). Procjena i odluka su moji; samo učinite uzorak vidljivim. Podaci: [zalijepi anonimne podatke]
2) Spisak razloga za sastanak:
Iz anonimnih sažetaka u nastavku navedite činjenice koje bi mogle predstavljati osnov za pokretanje RAZGOVORA ZA PODRŠKU. Za svaku napišite NEUTRALNI razlog od jedne rečenice (kao što je „izostajanje se povećalo u posljednje tri sedmice“). Nemojte koristiti oznake poput "rizično/problematično". Sažeci: [anonimni sažeci]
3) Uređivanje tabele praćenja:
Rasporedite sljedeće anonimne napomene u tabelu sa kolonama za datum, uočeni fenomen, planirani korak i ishod. Ne dodaj komentare, čuvaj činjenice. Bilješke: [anonimne bilješke]
4) Priprema prije intervjua:
Vaša uloga: PDR asistent. Pripremam se za PODRŠKI sastanak sa učenikom od 14 godina čiji je broj prisutnih povećan. Predložite 8 pripremnih pitanja koja nisu osuđujuća, otvorena i ne čine učenika defanzivnim.
Slaba prompt / Jaka prompt
slaba:
Pogledajte listu izostanaka ovog razreda, označite rizične učenike.
To čini AI sucem, traži od njega da proizvede "rizično" oznaku, bez konteksta i bez razgovora.
Jaka:
Vaša uloga: pomoćnik za uređivanje PDR podataka, dodavanje oznake "rizik". U dole navedenim anonimnim podacima o odsustvu, sumirajte (na nivou fenomena) učenike koji su pokazali ZNAČAJNU PROMJENU u posljednje 3 sedmice. Za svaki samo napišite šta se promijenilo; Ja ću dati komentar i odluku. Podaci: [anonimni podaci]
On signalizira, ne označava; Odluka je u rukama stručnjaka.
tri mini kofera
Slučaj 1 — Znak od pomoći. Specijalista je imao poteškoća u praćenju pojedinačnih izostanaka u razredu od 200 učenika. AI je dao sažeti anonimne podatke; Isticao se student koji bi inače prošao nezapaženo, koji je pokazivao tihi, ali stalan porast izostanaka. Stručnjak je govorio; Saznao je da je učenik ujutro imao problem sa prijevozom i iznio praktično rješenje. AI je dao znak, stručnjak i student su napravili rješenje.
Slučaj 2 — Povratak sa etikete. Jedan sažetak AI opisuje jednog učenika kao „visokog rizika za ponašanje“; dok je u podacima vještaka postojao samo fenomen "zahtjev za promjenu klase dvaput". Stručnjak je odbio ovu etiketu, razgovarao sa studentom i otkrio da je zahtjev proizašao iz želje da se distancira od grupe prijatelja. Oznaka bi mogla nepravedno stigmatizirati dijete; stručni filter je to spriječio.
Slučaj 3 — Provjera pristranosti. Stručnjak je primijetio da lista "rizika" koju je napravila AI nesrazmjerno uključuje studente iz određenog susjedstva. Nije koristio listu, misleći da bi to moglo odražavati pristrasnost; umjesto toga, primjenjivao je poštene kriterije zasnovane na činjenicama na sve učenike. Dakle, podrška je raspoređena prema stvarnim potrebama, a ne prema stigmi.
Uobičajene greške
- Označavanje AI oznakom "rizično". Podmetanje pravosuđa u alat. Rešenje: AI pokazuje fenomen/promenu, ekspert donosi sud.
- Evaluacija bez intervjua. Ne samo gledanje podataka i razgovor sa učenikom. Rješenje: svaki znak dobija kontekst kroz razgovor.
- Ignorisanje pristrasnosti. Usvajanje liste „rizika“ zasnovane na obrascima. Rješenje: kontrola pravde i individualnosti.
- Cirkulacija etikete. Dijeljenje liste "rizičnih učenika". Rješenje: privatnost i ograničenje svrhe podrške.
- Brkajući to sa krizom. Tretiranje znaka ozbiljnog rizika kao rutinsko praćenje. Rješenje: aktiviran je krizni protokol (jedinica 9).
Tabela: Znak ili presuda?
izlaz
Tip
šta da radim
"Apsentizam se povećao u posljednje 3 sedmice"
znak (fenomen)
Razlog sastanka
"Ovaj student je rizičan"
presuda (oznaka)
Odbacite, vratite se u stvarnost
"Ocjene padaju već dva semestra"
znak (fenomen)
Razlog sastanka
"Njegova porodica ga zanemaruje"
prosudba/zaključak
Odbaciti, vratiti se na posmatranje
"Učestalost sastanaka je smanjena"
znak (fenomen)
Stručnjak ocjenjuje
Ukratko
U praćenju učenika, AI je korisna pomoć koja sažima raštrkane podatke i čini obrasce vidljivim; Ali ne može procijeniti učenika ili ga proglasiti "ugroženim". AI daje signale, ekspert konstruiše značenje. Kontekstualizirajte svaki znak u razgovoru, provjerite pristrasnost, distribuirajte etikete i prijeđite na krizni protokol u slučaju znakova ozbiljnog rizika. Svrha ranog upozoravanja nije stigmatizacija, već pravovremena i pravedna podrška.
Zadatak aplikacije
Kreirajte anonimne podatke o prisustvu/posmatranju za izmišljenu učionicu. Neka AI sumira na nivou činjenica pomoću šablona „sažetak podataka o praćenju“. Ispitajte izlaz: Da li je AI dodala ikakve oznake „rizik/problem“ ili prosudbe? Označite, uklonite i kreirajte neutralnu listu razloga za diskusiju zasnovanu samo na činjenicama. Zatim postavite pitanje pristranosti: da li se lista slaže u određenom obrascu?
kontrolna lista
- [ ] Anonimizirao sam podatke prije nego što sam ih dao alatu.
- [ ] Napisao sam ograničenje "dodaj oznaku rizika/procjenu" u prompt.
- [ ] Zadržao sam izlaz veštačke inteligencije na nivou činjenica/znaka, donoseći sam sud.
- [ ] Svaki znak sam kontekstualizirao intervjuom.
- [ ] Provjerio sam pristrasnost i zadržao etikete privatnim.