سود:
- امکان جمع بندی داده هایی مانند غیبت، مشاهده تحصیلی و رفتاری با پشتیبانی هوش مصنوعی و تهیه جدول پیگیری و یادداشت های مشاهده ای
- امکان نوشتن اعلانهایی که تصمیمگیری را به متخصص واگذار میکند و در عین حال خلاصههایی را تولید میکند که تشخیص الگوهای هشدار اولیه را آسانتر میکند.
- درک این نکته که هوش مصنوعی دانش آموز را در معرض خطر و خطر سوگیری قرار می دهد، و قادر به دیدن این هشدار اولیه باید همیشه با مشاهده و مصاحبه متخصص ترکیب شود.
یکی از کارهای مهم متخصص PDR نظارت بر دانش آموزان در طول زمان است: الگوهای حضور، پیشرفت تحصیلی، مشاهدات رفتاری، روابط اجتماعی، سابقه مصاحبه. هدف این نظارت تشخیص زودهنگام زمانی است که دانش آموز ممکن است به حمایت نیاز داشته باشد. به این می گویند هشدار اولیه. هشدار زودهنگام به معنای فعال کردن پشتیبانی بر اساس علائم قابل مشاهده (افزایش ناگهانی غیبت، سقوط نمرات، انصراف) قبل از تشدید مشکل است. اما این رشته می تواند هم بسیار مفید و هم بسیار خطرناک باشد: اگر به خوبی استفاده شود، امکان دسترسی به موقع به دانش آموز را فراهم می کند. اگر ضعیف استفاده شود، دانش آموز را در "برچسب خطر" به دام می اندازد.
در این بخش، ما یاد خواهیم گرفت که از هوش مصنوعی به عنوان کمکی استفاده کنیم که داده های ردیابی پراکنده را خلاصه می کند و الگو را قابل مشاهده می کند. مهمترین اصل: هوش مصنوعی میتواند به الگو اشاره کند، اما نمیتواند دانشآموز را ارزیابی کند یا او را «در معرض خطر» اعلام کند. هشدار زودهنگام همیشه با مشاهدات متخصص و بحث با دانش آموز همراه است. ارزیابی و تصمیم گیری نهایی با کارشناس است. اجازه دهید مرز بحران را نیز به یاد بیاوریم: اگر داده های پیگیری نشان دهنده یک خطر جدی باشد (به عنوان مثال، وضعیت دانش آموز نشان دهنده خطر فوری است)، این یک وضعیت بحرانی است و پروتکل در واحد 9 وارد عمل می شود. نه هوش مصنوعی
خط باریک بین دیدن الگوها و برچسب زدن آنها
ردیابی داده ها به تنهایی معنادار نیست. زمینه معنا می دهد. افزایش سه هفته ای غیبت؛ ممکن است به یک بیماری، یک موقعیت خانوادگی یا مشکل در مدرسه مربوط باشد. هوش مصنوعی میتواند این افزایش را در یک جدول یا خلاصه قابل مشاهده کند ("غیبت در سه هفته گذشته به طور قابل توجهی افزایش یافته است"). این یک نشانه مفید است که توجه متخصص را به آن دانش آموز جلب می کند. خطر این است که هوش مصنوعی (یا متخصص، بر اساس هوش مصنوعی) از این سیگنال به قضاوت بپرد: "این دانش آموز در معرض خطر / مشکل / نادیده گرفته شده است." این پرش هم می تواند اشتباه باشد و هم به دانش آموز انگ می زند.
قانون: سیگنال های هوش مصنوعی، متخصص معنا را می سازد. خلاصه توجیهی برای شروع گفتگو است نه نتیجه گیری. هیچ علامتی بدون صحبت با دانش آموز تبدیل به ارزشیابی نمی شود.
نکته ظریف دیگر این است که هنگام ترکیب منابع داده مراقب باشید. حضور و غیاب، روند نمره و نظارت بر رفتار به صورت جداگانه معنادار هستند، اما ترکیب هوش مصنوعی آنها به عنوان یک "امتیاز خطر" گمراه کننده است. غیبت یک دانش آموز ممکن است افزایش یافته باشد زیرا او یک وضعیت سلامتی مزمن دارد. این نشانه افت تحصیلی نیست. جمع کردن انواع مختلف داده ها در یک عدد، واقعیت یادگیرنده را پنهان می کند و اولویت بندی نادرست ایجاد می کند. رویکرد صحیح این است که هر نوع داده را به عنوان یک «نشانه» مجزا ببینیم و کل را به تفسیر متخصص بسپاریم. هوش مصنوعی می تواند داده ها را جمع آوری کند. اما نباید کار جوش دادن آنها را در یک قضاوت انجام دهد. به همین ترتیب، "مدت طول" یک علامت نیز مهم است: یک نوسان یک هفته ای و یک روند به مدت سه ماه معانی بسیار متفاوتی دارند، و باز هم بر عهده متخصص است که این بعد زمانی را بخواند.
احتیاط: چاپی که دانش آموزی را به عنوان «در معرض خطر» فهرست می کند، ممکن است برای همیشه بر درک آن کودک در مدرسه تأثیر بگذارد. برای جلوگیری از ورود چنین برچسب هایی به گردش، چاپ های هشدار اولیه باید محرمانه نگه داشته شوند و فقط برای اهداف پشتیبانی و تحت نظارت متخصص استفاده شوند.
تعصب: چه کسی به عنوان یک "خطر" به حساب می آید
سوگیری در هشدار اولیه یک مسئله جدی عدالت است. اگر سیستم (یا مختصر هوش مصنوعی) دانشآموزان یک گروه اجتماعی-اقتصادی خاص، یک محله خاص، یا الگوهای رفتاری خاصی را بهطور نامتناسبی بهعنوان «در معرض خطر» علامتگذاری کند، این یک سوگیری را نهادینه میکند. متخصص باید تشخیص دهد که کدام نشانه ها واقعاً نشان دهنده حمایت هستند و کدام یک صرفاً به یک الگو اشاره می کنند. با هر دانش آموز باید به صورت فردی و منصفانه برخورد کرد. زبان "ریسک" تولید شده توسط هوش مصنوعی نباید بدون سوال پذیرفته شود.
گام به گام: از داده تا پشتیبانی
- جمع آوری داده ها به صورت ناشناس داده هایی مانند حضور و غیاب، مشاهده و پیشرفت نمره را با «A/B/C دانشجویی» به جای کدهای شناسه سازماندهی کنید.
- به طور خلاصه با هوش مصنوعی. الگو و تغییرات قابل توجه در سطح پدیده را خلاصه کنید.
- نشانه ها را انتخاب کنید متخصص تصمیم می گیرد که کدام چکیده ها مستحق مصاحبه هستند.
- نظر. با دانش آموز علامت زده صحبت کنید. زمینه را بیاموزید
- ارزیابی و برنامه ریزی کنید. متخصص معنا و پشتیبانی را ایجاد می کند.
- آن را تاریک نگه دارید. به اشتراک گذاری خروجی ها خارج از اهداف پشتیبانی؛ برچسب را پخش نکنید.
قالب های قابل کپی
1) خلاصه داده های ردیابی:
نقش شما: دستیار ویرایش داده PDR. اضافه کردن قضاوت، برچسب "خطر" یا توصیه. وظیفه: داده های غیبت/مشاهده ناشناس زیر را در سطح FACT توسط دانش آموز خلاصه کنید. هرگونه تغییر قابل توجه (افزایش/کاهش) را بیان کنید. ارزیابی و تصمیم با من است. شما فقط الگو را قابل مشاهده می کنید. داده ها: [پست کردن داده های ناشناس]
2) فهرست دلایل ملاقات:
از خلاصههای ناشناس زیر، حقایقی را فهرست کنید که ممکن است زمینهای برای شروع یک مکالمه پشتیبانی باشد. برای هر یک دلیل خنثی یک جمله ای بنویسید (مانند "غیبت در سه هفته گذشته افزایش یافته است"). از برچسبهایی مانند «خطرناک/مشکلساز» استفاده نکنید. خلاصه ها: [خلاصه های ناشناس]
3) ویرایش جدول ردیابی:
یادداشت های بعدی ناشناس زیر را در جدولی با ستون هایی برای تاریخ، پدیده مشاهده شده، مرحله برنامه ریزی شده و نتیجه مرتب کنید. نظر اضافه نکنید، واقعیت را حفظ کنید. یادداشت ها: [یادداشت های ناشناس]
4) آمادگی قبل از مصاحبه:
نقش شما: دستیار PDR. من در حال آماده شدن برای یک جلسه حمایتی با دانش آموز 14 ساله هستم که حضورش افزایش یافته است. 8 سوال آماده سازی را پیشنهاد دهید که غیرقابل قضاوت و باز باشد و دانش آموز را حالت تدافعی ایجاد نکند.
اعلان ضعیف / اعلان قوی
ضعیف:
به لیست غیبت این کلاس نگاه کنید، دانش آموزان در معرض خطر را علامت بزنید.
این هوش مصنوعی را قاضی می کند، از آن می خواهد که یک برچسب "خطرناک" تولید کند، بدون زمینه و گفتگو.
قوی:
نقش شما: دستیار ویرایش داده PDR، اضافه کردن برچسب "ریسک". در دادههای غیبت ناشناس زیر، دانشآموزانی را که در 3 هفته گذشته تغییر قابل توجهی از خود نشان دادند (در سطح پدیده) خلاصه کنید. برای هر کدام، فقط بنویسید که چه چیزی تغییر کرده است. من نظر و تصمیم را خواهم گرفت. داده ها: [داده های ناشناس]
سیگنال می دهد، برچسب نمی زند. تصمیم گیری در دست کارشناس است.
سه کیف کوچک
مورد 1 - علامت مفید. یک متخصص در ردیابی غیبت های فردی در کلاسی متشکل از 200 دانش آموز با مشکل مواجه بود. او داده های ناشناس خلاصه شده توسط هوش مصنوعی را داشت. دانشآموزی که معمولاً مورد توجه قرار نمیگرفت، که افزایش بیصدا اما ثابتی در غیبت نشان میداد، برجسته بود. کارشناس صحبت کرد؛ او متوجه شد که دانش آموز صبح مشکل حمل و نقل دارد و یک راه حل عملی ارائه کرد. هوش مصنوعی علامت داد، کارشناس و دانش آموز راه حل را ساختند.
مورد 2 - بازگشت از برچسب. یک خلاصه هوش مصنوعی یک دانش آموز را به عنوان "خطر بالا برای رفتار" توصیف کرد. در حالی که در داده های کارشناس فقط پدیده «دوبار درخواست تغییر کلاس» وجود داشت. کارشناس این برچسب را رد کرد، با دانش آموز صحبت کرد و متوجه شد که این درخواست ناشی از تمایل به فاصله گرفتن از گروهی از دوستان است. برچسب می تواند به طور غیرمنصفانه ای به کودک انگ بزند. فیلتر متخصص از این امر جلوگیری کرد.
مورد 3 - بررسی تعصب. یک کارشناس متوجه شد که لیست "خطری" که هوش مصنوعی تولید می کند به طور نامتناسبی شامل دانش آموزان یک محله خاص می شود. او از این فهرست استفاده نکرد، زیرا فکر می کرد که این ممکن است نشان دهنده تعصب باشد. در عوض، معیارهای منصفانه و مبتنی بر واقعیت را برای همه دانش آموزان اعمال کرد. بنابراین، حمایت بر اساس نیاز واقعی توزیع شد، نه انگ.
اشتباهات رایج
- ایجاد علامت هوش مصنوعی "خطرناک". واژگونی قوه قضاییه به ابزار. راه حل: هوش مصنوعی پدیده/تغییر را نشان می دهد، متخصص قضاوت می کند.
- ارزشیابی بدون مصاحبه نه فقط نگاه کردن به داده ها و صحبت با دانش آموز. راهحل: هر نشانهای از طریق گفتگو زمینه پیدا میکند.
- نادیده گرفتن تعصب اتخاذ یک لیست "ریسک" مبتنی بر الگو. راه حل: کنترل عدالت و فردیت.
- در حال چرخش برچسب لیست "دانشجوی پرخطر" را به اشتراک بگذارید. راه حل: حریم خصوصی و محدودیت هدف پشتیبانی.
- اشتباه گرفتن آن با بحران. درمان نشانه خطر جدی به عنوان نظارت معمول. راه حل: پروتکل بحران (واحد 9) فعال می شود.
جدول: نشانه یا قضاوت؟
خروجی
تایپ کنید
چه باید کرد
"غیبت در 3 هفته گذشته افزایش یافته است"
علامت (پدیده)
دلیل ملاقات
"این دانش آموز خطرناک است"
قضاوت (برچسب)
رد کردن، بازگشت به واقعیت
"نمرات دو ترم کاهش یافته است"
علامت (پدیده)
دلیل ملاقات
"خانواده اش به او بی توجهی می کنند"
قضاوت / استنباط
رد کردن، بازگشت به مشاهده
تعداد جلسات کاهش یافته است
علامت (پدیده)
کارشناس ارزیابی می کند
به طور خلاصه
در ردیابی دانش آموزان، هوش مصنوعی کمک مفیدی است که داده های پراکنده را خلاصه می کند و الگوها را قابل مشاهده می کند. اما نمی تواند دانش آموز را ارزیابی کند یا آن را "در معرض خطر" اعلام کند. هوش مصنوعی سیگنال می دهد، متخصص معنا می سازد. هر علامت را با یک مکالمه متنی قرار دهید، تعصب را بررسی کنید، برچسبها را منتشر کنید و در صورت علائم خطر جدی به پروتکل بحران بروید. هدف از هشدار زودهنگام انگ زدن نیست، بلکه حمایت به موقع و منصفانه است.
وظیفه کاربردی
دادههای حضور/مشاهده ناشناس برای یک کلاس درس خیالی ایجاد کنید. AI را در سطح واقعیت با الگوی "خلاصه داده ردیابی" خلاصه کنید. خروجی را بررسی کنید: آیا هوش مصنوعی برچسب یا قضاوتی برای «ریسک/مسئله» اضافه کرده است؟ فهرستی خنثی از دلایل را علامت گذاری کنید، حذف کنید و ایجاد کنید. سپس این سوال سوگیری را بپرسید: آیا لیست در یک الگوی خاصی قرار می گیرد؟
چک لیست
- [ ] من داده ها را قبل از دادن به ابزار ناشناس کردم.
- [ ] من محدودیت "افزودن برچسب خطر/قضاوت" را به درخواست نوشتم.
- [ ] من خروجی هوش مصنوعی را در سطح واقعیت/نشانه نگه داشتم و خودم قضاوت کردم.
- [ ] من هر نشانه را با یک مصاحبه زمینه سازی کردم.
- [ ] من تعصب را بررسی کردم و برچسب ها را خصوصی نگه داشتم.