Kasu:
- Võimalus teha tehisintellekti toel kokkuvõtteid sellistest andmetest nagu puudumine, akadeemiline ja käitumisvaatlus ning koostada järelkontrolli tabel ja vaatlusmärkmed
- Võimalus kirjutada viipasid, mis jätavad otsuse eksperdi teha, tehes samal ajal kokkuvõtteid, mis hõlbustavad varajase hoiatamise mustrite tuvastamist
- Arusaamine, et tehisintellekt vähendab õpilase riski ja erapoolikuse ohtu, ning mõistmine, et varajane hoiatamine tuleks alati kombineerida asjatundliku vaatluse ja intervjuuga.
PDR professionaali üheks oluliseks tööks on õpilaste ajas jälgimine: kohalviibimise mustrid, akadeemiline edu, käitumisvaatlused, sotsiaalsed suhted, intervjuude ajalugu. Selle jälgimise eesmärk on varakult ära tunda, millal õpilane võib vajada tuge; Seda nimetatakse varajaseks hoiatuseks. Varajane hoiatamine tähendab tugi aktiveerimist jälgitavate märkide põhjal (äkiline töölt puudumise suurenemine, hinnete langus, endassetõmbumine) enne probleemi eskaleerumist. Kuid see valdkond võib olla nii väga kasulik kui ka väga ohtlik: hästi kasutades võimaldab see õigel ajal õpilaseni jõuda; Kui seda kasutatakse halvasti, jääb see õpilase "riskisildi" vahele.
Selles üksuses õpime kasutama AI-d abivahendina, mis võtab kokku hajutatud jälgimisandmed ja teeb mustri nähtavaks. Kõige kriitilisem põhimõte: tehisintellekt võib näidata mustrit, kuid see ei saa hinnata õpilast ega kuulutada teda ohus. Varajane hoiatamine on alati kombineeritud spetsialisti vaatluse ja aruteluga õpilasega; Lõpliku hinnangu ja otsuse teeb ekspert. Meenutagem ka kriisipiiri: kui järelandmed viitavad tõsisele ohule (näiteks õpilase olukord viitab otsesele ohule), on tegemist kriisiolukorraga ja mängu tuleb 9. üksuse protokoll; Mitte AI.
Peen piir mustrite nägemise ja nende märgistamise vahel
Ainult andmete jälgimine ei ole mõttekas; kontekst annab tähenduse. Kolmenädalane töölt puudumise suurenemine; See võib olla seotud haiguse, perekondliku olukorra või raskustega koolis. Tehisintellekt võib selle kasvu nähtavaks teha tabelis või kokkuvõttes (“puudumised on viimase kolme nädala jooksul oluliselt suurenenud”); see on kasulik vihje, mis juhib professionaali tähelepanu sellele õpilasele. Oht on, et tehisintellekt (või tehisintellektil põhinev ekspert) hüppab sellelt signaalilt otsusele: "see õpilane on ohus / probleem / tähelepanuta jäetud". See hüpe võib olla nii vale kui ka stigmatiseerida õpilast.
Reegel: AI signaalid, ekspert konstrueerib tähenduse. Kokkuvõte on vestluse alustamise põhjendus, mitte järeldus. Ükski märk ei muutu hinnanguks ilma õpilasega rääkimata.
Teine peensus on andmeallikate kombineerimisel ettevaatlik olla. Osalemine, hinnete trend ja käitumise jälgimine on individuaalselt olulised, kuid tehisintellekti kombineerimine ühe riskiskoorina on eksitav. Õpilase puudumised võivad olla sagenenud, kuna tal on krooniline tervislik seisund; See ei ole märk akadeemilisest ebaõnnestumisest. Erinevat tüüpi andmete koondamine ühte numbrisse varjab õppija tegelikkust ja loob vale prioritiseerimise. Õige lähenemine on näha igat tüüpi andmeid eraldi "märgina" ja jätta tervik eksperdi tõlgendada. AI suudab andmeid võrrelda; kuid see ei tohiks neid üheks otsuseks keevitada. Niisamuti on oluline ka see, "kui kaua" märk kestab: nädalane kõikumine ja kolm kuud kestev trend on väga erineva tähendusega ning selle ajamõõtme lugemine on jällegi asjatundja asi.
Ettevaatust! Väljatrükk, mis loetleb õpilase riskirühma kuuluvana, võib jäädavalt mõjutada selle lapse taju koolis. Et vältida selliste siltide ringlusse laskmist, tuleks varajase hoiatamise väljatrükke hoida konfidentsiaalsena ja kasutada ainult tugieesmärkidel ja eksperdi järelevalve all.
Eelarvamus: oluline on see, kes loeb "riskiks".
Varajase hoiatamise eelarvamus on tõsine õigusküsimus. Kui süsteem (või tehisintellekti lühikirjeldus) märgib teatud sotsiaalmajanduslikust rühmast, teatud naabruskonnast või teatud käitumismustritest pärit õpilasi ebaproportsionaalselt ohus olevatena, siis institutsionaliseerib see eelarvamuse. Ekspert peab eristama, millised märgid viitavad tõeliselt toetusele ja millised ainult mustrile; Igale õpilasele tuleks läheneda individuaalselt ja õiglaselt. Tehisintellekti loodud "riskikeelt" ei tohiks ilma küsitlemata omaks võtta.
Samm-sammult: andmetest toeni
- Koguge andmeid anonüümselt. Korraldage selliseid andmeid nagu kohalolek, vaatlus ja hinde edenemine ID-koodide asemel õpilase A/B/C abil.
- Kokkuvõttes AI-ga. Tehke kokkuvõte mustrist ja märkimisväärsetest muutustest nähtuse tasandil.
- Valige märgid. Ekspert otsustab, millised kokkuvõtted väärivad intervjuud.
- Arvamus. Rääkige märku antud õpilasega; õppida konteksti.
- Hinda ja planeeri. Ekspert loob tähenduse ja toetuse.
- Hoidke pimedas. Väljundite jagamine väljaspool tugieesmärke; Ärge levitage etiketti.
Kopeeritavad mallid
1) Jälgimisandmete kokkuvõte:
Teie roll: PDR-i andmete redigeerimise assistent. LISADA KOHTUOTSUS, "riski" silt või soovitus.Ülesanne: Tehke õpilaste FACT tasemel kokkuvõte järgmistest anonüümsetest puudumiste/vaatluste andmetest; Märkige kõik märkimisväärsed MUUDATUSED (suurendamine/vähendamine). Hinnang ja otsus on minu; muudate mustri lihtsalt nähtavaks.Andmed: [kleepige anonüümsed andmed]
2) Kohtumise põhjuste loetelu:
Allolevatest anonüümsetest kokkuvõtetest loetlege faktid, mis võivad olla aluseks TOETUSvestluse alustamiseks. Kirjutage iga jaoks ühelauseline NEUTRAALNE põhjus (näiteks "puudumine on viimase kolme nädala jooksul suurenenud"). Ärge kasutage silte nagu "riskantne/probleemne". Kokkuvõtted: [anonüümsed kokkuvõtted]
3) Jälgitabeli redigeerimine:
Järjestage järgmised anonüümsed järelmärkused tabelisse kuupäeva, vaadeldud nähtuse, kavandatud sammu ja tulemuse veergudega. Ärge lisage kommentaare, jääge faktiks.Märkused: [anonüümsed märkmed]
4) Ettevalmistus enne vestlust:
Teie roll: PDR-i assistent. Valmistun TOETAVAKS kohtumiseks 14-aastase õpilasega, kelle külastatavus on kasvanud. Paku välja 8 ettevalmistusküsimust, mis ei anna hinnanguid, on avatud ega pane õpilast kaitsvaks.
Nõrk viip / Tugev viip
Nõrk:
Vaadake selle klassi puudumiste nimekirja, märkige riskirühma kuuluvad õpilased.
See muudab tehisintellekti kohtunikuks, palub tal luua "riskantne" silt, ilma kontekstita ja vestluseta.
Tugev:
Teie roll: PDR-i andmete redigeerimise assistent, "riski" sildi lisamine. Allolevates anonüümsete puudumiste andmetes tehke kokkuvõte (nähtuse tasemel) õpilastest, kes näitasid viimase 3 nädala jooksul OLULIST MUUTUST. Kirjutage igaühe jaoks lihtsalt, mis on muutunud; Teen kommentaari ja otsuse.Andmed: [anonüümsed andmed]
See annab märku, ei märgista; Otsus on eksperdi kätes.
kolm minikarpi
Juhtum 1 – abistav märk. Spetsialistil oli raskusi üksikute puudumiste jälgimisega 200 õpilasega klassis. Ta lasi AI-l anonüümsed andmed kokku võtta; Silma paistis üliõpilane, kes jäi tavaliselt märkamatuks ja kes näitas vaikset, kuid pidevat puudumiste arvu. Ekspert rääkis; Ta sai teada, et õpilasel oli hommikul transpordiprobleem ja ta koostas praktilise lahenduse. AI andis märgi, ekspert ja õpilane ehitasid lahenduse.
Juhtum 2 – etiketilt tagastamine. Ühes tehisintellekti kokkuvõttes kirjeldati üht õpilast kui „kõrge käitumisriskiga”; kusjuures eksperdi andmetes oli ainult "kaks korda klassivahetuse taotlus" fenomen. Ekspert lükkas selle sildi tagasi, rääkis õpilasega ja leidis, et taotlus tulenes soovist sõpruskonnast distantseeruda. Silt võib last ebaõiglaselt häbimärgistada; asjatundlik filter takistas seda.
Juhtum 3 – kallutatuse kontroll. Ekspert märkas, et tehisintellekti koostatud riskiloend sisaldas ebaproportsionaalselt palju õpilasi konkreetsest naabruskonnast. Ta ei kasutanud nimekirja, arvates, et see võib peegeldada erapoolikust; selle asemel rakendas see kõigile õpilastele õiglasi faktidel põhinevaid kriteeriume. Seega jagati toetust tegeliku vajaduse, mitte häbimärgistamise järgi.
Levinud vead
- Tehes tehisintellekti märgi "riskantseks". Kohtusüsteemi õõnestamine vahendiks. Lahendus: AI näitab nähtust/muutust, ekspert teeb otsuse.
- Hindamine ilma intervjuuta. Mitte ainult andmete vaatamine ja õpilasega rääkimine. Lahendus: iga märk saab vestluse kaudu konteksti.
- Eelarvamuste ignoreerimine. Mustripõhise "riskide" loendi vastuvõtmine. Lahendus: õigluse ja individuaalsuse kontroll.
- Sildi ringlemine. "Risklike õpilaste" nimekirja jagamine. Lahendus: privaatsuse ja toe eesmärgi piirang.
- Ajades selle segamini kriisiga. Tõsise riski märgi käsitlemine rutiinse jälgimisena. Lahendus: kriisiprotokoll (üksus 9) on aktiveeritud.
Tabel: märk või otsus?
väljund
Tüüp
mida teha
"Viimase 3 nädala jooksul on töölt puudumine suurenenud"
Märk (nähtus)
Kohtumise põhjus
"See õpilane on riskantne"
Kohtuotsus (silt)
Keeldu, pöördu tagasi reaalsusesse
"Hinded on langenud kaks semestrit"
Märk (nähtus)
Kohtumise põhjus
"Tema perekond jätab ta hooletusse"
otsustus/järeldus
Keeldu, pöördu tagasi vaatluse juurde
"Kohtumiste sagedus on vähenenud"
Märk (nähtus)
Ekspert hindab
Kokkuvõttes
Õpilaste jälgimisel on tehisintellekt kasulik abivahend, mis teeb kokkuvõtte hajutatud andmetest ja muudab mustrid nähtavaks; Kuid see ei saa õpilast hinnata ega kuulutada seda "ohus". AI annab signaale, ekspert konstrueerib tähenduse. Kontekstualiseerige iga märk vestlusega, kontrollige eelarvamusi, levitage silte ja lülituge kriisiprotokollile, kui ilmnevad tõsised ohumärgid. Varajase hoiatamise eesmärk ei ole häbimärgistamine, vaid õigeaegne ja õiglane tugi.
Rakenduse ülesanne
Looge väljamõeldud klassiruumi jaoks anonüümsed kohaloleku-/vaatlusandmed. Laske AI-l teha kokkuvõte faktide tasemel malliga „Jälgimisandmete kokkuvõte”. Uurige väljundit: kas AI on lisanud riski/probleemi silte või hinnanguid? Märkige, eemaldage ja looge ainult faktidel põhinev neutraalne arutlemise põhjuste loend. Seejärel esitage kallutatud küsimus: kas loend kuhjub teatud mustri järgi?
kontrollnimekiri
- [ ] Muutsin andmed enne tööriistale andmist anonüümseks.
- [ ] Kirjutasin viipale "lisa riskimärgis/otsus" limiidi.
- [ ] Hoidsin tehisintellekti väljundi fakti/märgi tasemel, andes otsuse ise.
- [ ] Kontekstiseerisin iga märgi intervjuuga.
- [ ] Kontrollisin eelarvamusi ja hoidsin sildid privaatsena.