zisky:
- Schopnost shrnout data, jako je nepřítomnost, akademické a behaviorální pozorování s podporou umělé inteligence a připravit následnou tabulku a poznámky k pozorování
- Schopnost psát výzvy, které ponechávají rozhodnutí na odborníkovi, a zároveň vytvářet souhrny, které usnadňují rozpoznání vzorců pro včasné varování
- Pochopení, že umělá inteligence redukuje studenta na riziko a nebezpečí zkreslení, a schopnost vidět, že včasné varování by mělo být vždy kombinováno s odborným pozorováním a rozhovorem.
Jedním z důležitých úkolů profesionála PDR je sledovat studenty v průběhu času: vzorce docházky, akademický pokrok, pozorování chování, sociální vztahy, historii rozhovorů. Cílem tohoto monitorování je včas rozpoznat, kdy může student potřebovat podporu; Tomu se říká včasné varování. Včasné varování znamená aktivaci podpory na základě pozorovatelných příznaků (náhlý nárůst absence, klesající známky, odstoupení) před eskalací problému. Ale toto pole může být jak velmi užitečné, tak velmi nebezpečné: pokud je dobře využíváno, umožňuje oslovit studenta včas; Při špatném použití uvězní studenta v „nálepce rizika“.
V této jednotce se naučíme používat AI jako pomůcku, která shrnuje rozptýlená sledovací data a zviditelní vzor. Nejkritičtější princip: umělá inteligence může upozornit na vzorec, ale nemůže studenta hodnotit ani ho prohlásit za „rizikového“. Včasné varování je vždy spojeno s pozorováním specialisty a diskusí se studentem; Konečné hodnocení a rozhodnutí je na odborníkovi. Připomeňme si také krizovou hranici: pokud navazující údaj naznačuje vážné riziko (např. situace studenta naznačuje bezprostřední nebezpečí), jedná se o krizovou situaci a přichází na řadu protokol v 9. bloku; Ne AI.
Tenká hranice mezi viděním vzorů a jejich označováním
Samotné sledování dat nemá smysl; kontext dává smysl. Třítýdenní nárůst absence; Může to souviset s nemocí, rodinnou situací nebo potížemi ve škole. Umělá inteligence může tento nárůst zviditelnit v tabulce nebo shrnutí („absence výrazně vzrostla za poslední tři týdny“); je to užitečné vodítko, které upoutá pozornost odborníka na daného studenta. Nebezpečí spočívá v tom, že AI (nebo expert na základě AI) přeskočí z tohoto signálu na úsudek: „tento student je ohrožen/problém/zanedbáván“. Tento skok může být jak špatný, tak studenta stigmatizuje.
Pravidlo: AI signály, expertní konstrukty význam. Shrnutí je ospravedlněním zahájení konverzace, nikoli závěrem. Žádná známka se nestane hodnocením bez rozhovoru se studentem.
Další jemností je být opatrný při kombinování zdrojů dat. Docházka, trend hodnocení a sledování chování jsou individuálně smysluplné, ale mít je AI kombinující jako jediné „skóre rizika“ je zavádějící. Absence studenta se mohla zvýšit, protože má chronický zdravotní stav; To není známka akademického selhání. Napěchování různých typů dat do jednoho čísla zatemňuje realitu studenta a vytváří falešnou prioritu. Správný přístup je vidět každý typ dat jako samostatné „znamení“ a nechat celek na výkladu odborníka. AI může porovnávat data; ale nemělo by to dělat práci svařit je do jediného soudu. Stejně tak je důležité „jak dlouho“ znamení trvá: týdenní kolísání a trend trvající tři měsíce mají velmi odlišné významy a je opět na odborníkovi, aby si tento časový rozměr přečetl.
Upozornění: Výtisk, který uvádí studenta jako „rizikového“, může trvale ovlivnit vnímání dítěte ve škole. Aby se takové štítky nedostaly do oběhu, měly by být výtisky včasného varování důvěrné a měly by se používat pouze pro podpůrné účely a pod odborným dohledem.
Zaujatost: na tom, kdo se počítá jako „riziko“.
Předpojatost ve včasném varování je vážným problémem spravedlnosti. Pokud systém (nebo zkratka AI) nepřiměřeně označí studenty z určité socioekonomické skupiny, určitého sousedství nebo určitých vzorců chování jako „v riziku“, institucionalizuje to předpojatost. Expert musí rozlišit, které znaky skutečně naznačují podporu a které pouze ukazují na vzor; Ke každému žákovi by se mělo přistupovat individuálně a spravedlivě. „Rizikový“ jazyk vytvořený umělou inteligencí by neměl být přijat bez dotazů.
Krok za krokem: od dat k podpoře
- Sbírejte data anonymně. Uspořádejte data, jako je docházka, pozorování a postup ve známce, pomocí „A/B/C studenta“ namísto ID kódů.
- V souhrnu s AI. Shrňte vzorec a významné změny na úrovni fenoménu.
- Vyberte si znamení. Odborník rozhodne, které abstrakty si zaslouží rozhovor.
- Názor. Promluvte si se signalizovaným studentem; naučit se kontext.
- Vyhodnoťte a plánujte. Expert stanoví smysl a podporu.
- Udržujte to ve tmě. Sdílení výstupů mimo účely podpory; Nedávejte štítek do oběhu.
Kopírovatelné šablony
1) Přehled údajů o sledování:
Vaše role: asistent úpravy dat PDR. PŘIDEJTE ROZSUDEK, označení „riziko“ nebo doporučení. Úkol: Shrňte následující anonymní údaje o nepřítomnosti/pozorování na úrovni FACT podle studentů; Uveďte všechny významné ZMĚNY (zvýšení/snížení). Hodnocení a rozhodnutí jsou moje; pouze zviditelníte vzor. Data: [vložit anonymní data]
2) Seznam důvodů pro schůzku:
Z níže uvedených anonymních shrnutí vyjmenujte skutečnosti, které by mohly být důvodem pro zahájení KONVERZACE PODPORY. Ke každému napište NEUTRÁLNÍ důvod v jedné větě (např. „absence se za poslední tři týdny zvýšila“). Nepoužívejte označení jako „rizikové/problematické“. Souhrny: [anonymní shrnutí]
3) Úprava sledovací tabulky:
Uspořádejte následující anonymní následné poznámky do tabulky se sloupci pro datum, pozorovaný jev, plánovaný krok a výsledek. Nepřidávejte komentáře, zachovejte fakta. Poznámky: [anonymní poznámky]
4) Příprava před pohovorem:
Vaše role: asistent PDR. Připravuji se na PODPŮRNÉ setkání se 14letým studentem, jehož docházka se zvýšila. Navrhněte 8 přípravných otázek, které nesoudí, jsou otevřené a nenutí studenta k defenzivě.
Slabá výzva / Silná výzva
slabé:
Podívejte se na seznam nepřítomností této třídy, označte rizikové studenty.
Dělá z AI soudce, žádá ji, aby vytvořila „rizikový“ štítek, bez kontextu a bez konverzace.
Silný:
Vaše role: Asistent editace dat PDR, přidávání štítku „riziko“. V níže uvedených anonymních údajích o nepřítomnosti shrňte (na úrovni fenoménu) studenty, u kterých došlo za poslední 3 týdny k VÝZNAMNÉ ZMĚNĚ. U každého stačí napsat, co se změnilo; Učiním komentář a rozhodnutí. Data: [anonymní údaje]
Signalizuje, neoznačuje; Rozhodnutí je v rukou odborníka.
tři mini pouzdra
Případ 1 — Užitečné znamení. Specialista měl problém sledovat jednotlivé absence ve třídě 200 studentů. Nechal anonymní data shrnout AI; Student, který by za normálních okolností zůstal bez povšimnutí, který vykazoval tichý, ale trvalý nárůst absence, vyčníval. Expert promluvil; Dozvěděl se, že student měl ráno problém s dopravou, a navrhl praktické řešení. AI dala znamení, expert a student vytvořili řešení.
Případ 2 – Návrat ze štítku. Jedno shrnutí AI popsalo jednoho studenta jako „vysoké riziko chování“; zatímco v datech experta byl pouze fenomén "požadavek na změnu třídy dvakrát". Expert toto označení odmítl, promluvil se studentem a zjistil, že požadavek pramení z touhy distancovat se od skupiny přátel. Označení by mohlo dítě nespravedlivě stigmatizovat; expertní filtr tomu zabránil.
Případ 3 – Kontrola zkreslení. Expert si všiml, že „rizikový“ seznam vytvořený AI nepřiměřeně zahrnoval studenty z konkrétní čtvrti. Nepoužil seznam, protože si myslel, že by to mohlo odrážet zaujatost; místo toho uplatňoval spravedlivá kritéria založená na faktech na všechny studenty. Podpora se tedy rozdělovala podle skutečné potřeby, nikoli podle stigmatu.
Časté chyby
- Značka AI je „riziková“. Podvracení soudnictví k nástroji. Řešení: Umělá inteligence ukazuje jev/změnu, úsudek provede odborník.
- Hodnocení bez rozhovoru. Nejen prohlížet data a mluvit se studentem. Řešení: každý znak získává kontext konverzací.
- Ignorování zaujatosti. Přijetí seznamu „rizik“ založeného na vzoru. Řešení: kontrola spravedlnosti a individuality.
- Oběh štítku. Sdílení seznamu „rizikových studentů“. Řešení: omezení účelu ochrany soukromí a podpory.
- Pleteme si to s krizí. Léčba známky vážného rizika jako rutinní sledování. Řešení: je aktivován krizový protokol (jednotka 9).
Tabulka: Znamení nebo soud?
výstup
Typ
co dělat
"Nepřítomnost se za poslední 3 týdny zvýšila"
znamení (fenomén)
Důvod setkání
"Tento student je riskantní"
Rozsudek (štítek)
Odmítnout, vrátit se do reality
"Známky klesaly dva semestry"
znamení (fenomén)
Důvod setkání
"Jeho rodina ho zanedbává"
úsudek/úsudek
Odmítnout, vrátit se k pozorování
"Četnost schůzek se snížila"
znamení (fenomén)
Expert hodnotí
V souhrnu
Při sledování studentů je AI užitečným pomocníkem, který shrnuje rozptýlená data a zviditelní vzory; Ale nemůže studenta hodnotit ani ho prohlásit za „rizikového“. AI dává signály, expert vytváří význam. Kontextualizujte každý znak konverzací, kontrolujte zkreslení, rozšiřujte štítky a přepněte na krizový protokol při známkách vážného rizika. Účelem včasného varování není stigmatizovat, ale poskytnout včasnou a spravedlivou podporu.
Aplikační úkol
Vytvořte anonymní data o docházce/pozorování pro fiktivní učebnu. Nechte AI shrnout na úrovni faktů pomocí šablony „souhrn údajů o sledování“. Prozkoumejte výstup: Přidala AI nějaké štítky nebo úsudky „riziko/problém“? Označte, odstraňte a vytvořte neutrální seznam pouze faktů k diskusi. Pak položte zaujatou otázku: skládá se seznam podle určitého vzoru?
kontrolní seznam
- [ ] Než jsem je předal nástroji, anonymizoval jsem je.
- [ ] Do výzvy jsem napsal limit "přidat označení rizika/rozsudek".
- [ ] Ponechal jsem výstup umělé inteligence na úrovni fakt/znak, úsudek jsem dělal sám.
- [ ] Každé znamení jsem uvedl do kontextu rozhovorem.
- [ ] Zkontroloval jsem zkreslení a ponechal štítky soukromé.