Voitot:
- Kyky tehdä yhteenveto tiedoista, kuten poissaoloista, akateemisesta ja käyttäytymishavainnosta tekoälyn tuella ja laatia seurantataulukko ja havaintomuistiinpanoja
- Kyky kirjoittaa kehotteita, jotka jättävät päätöksen asiantuntijalle ja tuottavat yhteenvetoja, jotka helpottavat ennakkovaroitusmallien havaitsemista
- Ymmärtäminen, että tekoäly vähentää opiskelijan riskiä ja ennakkoluulojen vaaraa, ja kyky nähdä, että varhaisvaroitus tulee aina yhdistää asiantuntijahavaintoon ja haastatteluun.
Yksi PDR-ammattilaisen tärkeistä tehtävistä on seurata opiskelijoita ajan mittaan: läsnäolomallit, akateeminen edistyminen, käyttäytymishavainnot, sosiaaliset suhteet, haastatteluhistoria. Tämän seurannan tavoitteena on tunnistaa varhaisessa vaiheessa, kun opiskelija saattaa tarvita tukea; Tätä kutsutaan varhaisvaroituksella. Varhainen varoitus tarkoittaa tuen aktivoimista havaittavien merkkien perusteella (äkillinen poissaolon lisääntyminen, arvosanan lasku, vetäytyminen) ennen kuin ongelma kärjistyy. Mutta tämä kenttä voi olla sekä erittäin hyödyllinen että erittäin vaarallinen: hyvin käytettynä se mahdollistaa opiskelijan tavoittamisen ajoissa; Huonosti käytettynä se vangitsee opiskelijan "riskimerkintään".
Tässä osiossa opimme käyttämään tekoälyä apuvälineenä, joka tekee yhteenvedon hajaantuneesta seurantatiedosta ja tekee kuvion näkyväksi. Kriittisin periaate: tekoäly voi osoittaa kuvion, mutta se ei voi arvioida opiskelijaa tai julistaa häntä "vaarassa". Varhaisvaroitus yhdistetään aina asiantuntijan havainnointiin ja keskusteluun opiskelijan kanssa; Lopullisen arvioinnin ja päätöksen tekee asiantuntija. Muistetaan myös kriisiraja: jos seurantatieto viittaa vakavaan riskiin (esimerkiksi opiskelijan tilanne viittaa välittömään vaaraan), kyseessä on kriisitilanne ja yksikön 9 protokolla tulee voimaan; Ei AI.
Hieno viiva kuvioiden näkemisen ja merkitsemisen välillä
Tietojen seuranta yksinään ei ole mielekästä; konteksti antaa merkityksen. Kolmen viikon lisäys poissaoloissa; Se voi liittyä sairauteen, perhetilanteeseen tai vaikeuksiin koulussa. Tekoäly voi tehdä tämän kasvun näkyväksi taulukossa tai yhteenvedossa ("poissaolot ovat lisääntyneet merkittävästi viimeisen kolmen viikon aikana"); Tämä on hyödyllinen vihje, joka kiinnittää ammattilaisen huomion kyseiseen opiskelijaan. Vaarana on, että tekoäly (tai tekoälyyn perustuva asiantuntija) hyppää tästä signaalista tuomioon: "Tämä opiskelija on vaarassa / ongelma / laiminlyöty". Tämä hyppy voi olla sekä väärä että leimauttaa opiskelijaa.
Sääntö: AI-signaalit, asiantuntija rakentaa merkityksen. Yhteenveto on perustelu keskustelun aloittamiselle, ei johtopäätös. Mikään merkki ei muutu arvioitavaksi puhumatta opiskelijan kanssa.
Toinen hienous on olla varovainen, kun yhdistät tietolähteitä. Läsnäolo, arvosanatrendi ja käyttäytymisen seuranta ovat yksilöllisesti merkityksellisiä, mutta tekoälyn yhdistäminen yhdeksi "riskipisteeksi" on harhaanjohtavaa. Opiskelijan poissaolot ovat saattaneet lisääntyä, koska hänellä on krooninen sairaus; Tämä ei ole merkki akateemisesta epäonnistumisesta. Erityyppisten tietojen pakkaaminen yhteen numeroon hämärtää oppijan todellisuuden ja luo väärän priorisoinnin. Oikea lähestymistapa on nähdä jokainen tietotyyppi erillisenä "merkkinä" ja jättää kokonaisuus asiantuntijan tulkinnan varaan. AI voi koota tietoja; mutta sen ei pitäisi tehdä työtä hitsaamalla niitä yhdeksi tuomioksi. Samoin merkki kestää "kuinka kauan" on tärkeää: viikon vaihtelulla ja kolmen kuukauden trendillä on hyvin erilaisia merkityksiä, ja tämä aikaulottuvuus on jälleen asiantuntijan tehtävä.
Varoitus: Tuloste, jossa luetellaan oppilas "riskiryhmässä", voi pysyvästi vaikuttaa lapsen käsitykseen koulussa. Jotta tällaiset etiketit eivät pääse leviämään, ennakkovaroitustulosteet tulee pitää luottamuksellisina ja niitä tulee käyttää vain tukitarkoituksiin ja asiantuntijan valvonnassa.
Bias: ketä lasketaan "riskiksi" on väliä
Varhaisvaroituksen ennakkoluulo on vakava oikeusongelma. Jos järjestelmä (tai tekoälyn tiivistelmä) merkitsee suhteettomasti tietyn sosioekonomisen ryhmän, tietyn naapuruston tai tiettyjen käyttäytymismallien opiskelijat "uhanalaiseksi", tämä institutionalisoi puolueellisuuden. Asiantuntijan on erotettava, mitkä merkit todella osoittavat tukea ja mitkä vain viittaavat kuvioon; Jokaista opiskelijaa tulee lähestyä yksilöllisesti ja oikeudenmukaisesti. Tekoälyn tuottamaa "riskikieltä" ei pitäisi omaksua kyseenalaistamatta.
Askel askeleelta: tiedoista tukeen
- Kerää tietoja nimettömästi. Järjestä tiedot, kuten läsnäolo, havainnointi ja arvosanan edistyminen, käyttämällä "Opiskelija A/B/C" tunnuskoodien sijaan.
- Yhteenvetona AI:n kanssa. Tee yhteenveto kuviosta ja merkittävistä muutoksista ilmiötasolla.
- Valitse merkit. Asiantuntija päättää, mitkä abstraktit ansaitsevat haastattelun.
- Lausunto. Puhu merkityn opiskelijan kanssa; oppia konteksti.
- Arvioi ja suunnittele. Asiantuntija luo merkityksen ja tuen.
- Pidä pimeänä. Tuotosten jakaminen tukitarkoituksiin; Älä kierrätä etikettiä.
Kopioitavat mallit
1) Seurantatietojen yhteenveto:
Roolisi: PDR-tietojen muokkausassistentti. LISÄÄ TUOMIO, "riski"-merkintä tai suositus. Tehtävä: Tee yhteenveto seuraavista anonyymistä poissaolo-/havainnointitiedoista FACT-tasolla opiskelijakohtaisesti; Ilmoita merkittävät MUUTOKSET (lisää/vähennä). Arviointi ja päätös ovat minun; teet vain kuvion näkyväksi.Data: [liitä anonyymit tiedot]
2) Luettelo tapaamisen syistä:
Listaa alla olevista anonyymeistä tiivistelmistä tosiasiat, jotka voivat olla perusteina TUKIPUHELUA. Kirjoita kullekin yhden lauseen NEUTRAALI syy (kuten "poissaolot ovat lisääntyneet viimeisen kolmen viikon aikana"). Älä käytä tunnisteita, kuten "riskillinen/ongelmallinen". Yhteenvedot: [anonyymit yhteenvedot]
3) Seurantataulukon muokkaus:
Järjestä seuraavat anonyymit seurantahuomautukset taulukkoon, jossa on sarakkeet päivämäärälle, havaitulle ilmiölle, suunnitellulle vaiheelle ja tulokselle. Älä lisää kommentteja, vaan pidä tosiasiat.Huomautuksia: [anonyymit muistiinpanot]
4) Valmistautuminen ennen haastattelua:
Sinun roolisi: PDR-assistentti. Valmistaudun TUKI-tapaamiseen 14-vuotiaan opiskelijan kanssa, jonka osallistuminen on lisääntynyt. Ehdota 8 valmistautumiskysymystä, jotka eivät ole tuomitsevia, avoimia eivätkä tee opiskelijaa puolustavaksi.
Heikko kehote / Vahva kehote
Heikko:
Katso tämän luokan poissaololuetteloa ja merkitse riskiryhmään kuuluvat opiskelijat.
Se tekee tekoälystä tuomarin, pyytää sitä tuottamaan "riskillisen" etiketin, ilman kontekstia tai keskustelua.
Vahva:
Roolisi: PDR-tietojen muokkausavustaja, lisää "riski"-merkintä. Tee alla olevissa anonyymeissä poissaolotiedoissa yhteenveto (ilmiötasolla) opiskelijat, jotka osoittivat MERKITTÄVÄN MUUTOKSEN viimeisen kolmen viikon aikana. Kirjoita kullekin vain, mikä on muuttunut; Teen kommentin ja päätöksen.Tiedot: [anonyymit tiedot]
Se signaloi, se ei merkitse; Päätös on asiantuntijan käsissä.
kolme minilaukkua
Tapaus 1 – Auttava merkki. Asiantuntijalla oli vaikeuksia seurata yksittäisiä poissaoloja 200 oppilaan luokassa. Hän oli tehnyt anonyymit tiedot yhteenvedon tekoälyllä; Opiskelija, joka jäi normaalisti huomaamatta ja jonka poissaolot lisääntyivät hiljaisesti, mutta tasaisesti, erottui joukosta. Asiantuntija puhui; Hän sai tietää, että opiskelijalla oli aamulla kuljetusongelma ja hän teki käytännön ratkaisun. Tekoäly antoi merkin, asiantuntija ja opiskelija rakensivat ratkaisun.
Tapaus 2 – Palautus etiketistä. Yhdessä tekoälyn yhteenvedossa kuvailtiin yhtä oppilasta "korkeaksi käyttäytymisriskiksi"; kun taas asiantuntijan tiedoissa esiintyi vain "kahdesti luokanvaihtopyyntö" -ilmiö. Asiantuntija hylkäsi tämän etiketin, puhui opiskelijan kanssa ja havaitsi, että pyyntö johtui halusta etääntyä ystäväryhmästä. Etiketti saattaa leimata lapsen epäoikeudenmukaisesti; asiantuntijasuodatin esti tämän.
Tapaus 3 – Harhatarkistus. Asiantuntija huomasi, että tekoälyn tuottama "riski" -luettelo sisälsi suhteettoman paljon opiskelijoita tietystä naapurustosta. Hän ei käyttänyt luetteloa, koska hän ajatteli, että tämä saattaa heijastaa puolueellisuutta; Sen sijaan se sovelsi oikeudenmukaisia, faktoihin perustuvia kriteerejä kaikkiin opiskelijoihin. Siten tukea jaettiin todellisen tarpeen, ei leiman mukaan.
Yleisiä virheitä
- Tekoälymerkin tekeminen "riskialttiiksi". Oikeuslaitoksen kaataminen välineeseen. Ratkaisu: AI näyttää ilmiön/muutoksen, asiantuntija tekee arvion.
- Arviointi ilman haastattelua. Ei vain tietojen katsomista ja opiskelijan kanssa puhumista. Ratkaisu: jokainen merkki saa kontekstin keskustelun kautta.
- Erottelun huomioiminen. Kaavapohjaisen "riski"-luettelon ottaminen käyttöön. Ratkaisu: oikeudenmukaisuuden ja yksilöllisyyden hallinta.
- Levittää etikettiä. "Riskialtis opiskelija" -luettelon jakaminen. Ratkaisu: yksityisyyden ja tuen käyttötarkoituksen raja.
- Sekoita se kriisiin. Vakavan riskin merkin käsitteleminen rutiinivalvonnana. Ratkaisu: kriisiprotokolla (yksikkö 9) on aktivoitu.
Taulukko: Merkki vai tuomio?
ulostulo
Kirjoita
mitä tehdä
"Poissaolot ovat lisääntyneet viimeisen kolmen viikon aikana"
Merkki (ilmiö)
Syy tapaamiseen
"Tämä opiskelija on riskialtis"
Tuomio (etiketti)
Hylkää, palaa todellisuuteen
"Arvosanat ovat laskeneet kaksi lukukautta"
Merkki (ilmiö)
Syy tapaamiseen
"Hänen perhe laiminlyö hänet"
tuomio/päätelmä
Hylkää, palaa havaintoon
"Kokousten tiheys on vähentynyt"
Merkki (ilmiö)
Asiantuntija arvioi
Yhteenvetona
Oppilaiden seurannassa tekoäly on hyödyllinen apuväline, joka tekee yhteenvedon hajaantuneesta tiedosta ja tekee kuvioista näkyviä; Mutta se ei voi arvioida opiskelijaa tai julistaa sitä "vaarassa". AI antaa signaaleja, asiantuntija rakentaa merkityksen. Kontekstualisoi jokainen merkki keskustelulla, tarkista puolueettomuus, levitä tarroja ja vaihda kriisiprotokollaan vakavan riskin merkkien yhteydessä. Varhaisvaroituksen tarkoituksena ei ole leimata, vaan tarjota oikea-aikaista ja oikeudenmukaista tukea.
Sovellustehtävä
Luo nimettömiä läsnäolo-/havainnointitietoja kuvitteelliseen luokkahuoneeseen. Pyydä tekoälyä tekemään yhteenveto tosiasiatasolla "seurantatietojen yhteenveto" -mallin avulla. Tutki tulosta: Onko tekoäly lisännyt "riski/ongelma" -merkintöjä tai arvioita? Merkitse, poista ja luo vain tosiasioihin perustuva neutraali luettelo keskustelun syistä. Esitä sitten puolueellinen kysymys: sijoittuuko luettelo tietyn kaavan mukaan?
tarkistuslista
- [ ] Anonymisoin tiedot ennen kuin luovutin ne työkalulle.
- [ ] Kirjoitin kehotteeseen "lisää riskimerkintä/arviointi" -rajan.
- [ ] Pidin tekoälyn tuotoksen tosiasia/merkkitasolla ja tein päätöksen itse.
- [ ] Kontekstisoin jokaisen merkin haastattelulla.
- [ ] Tarkistin puolueellisuuden ja pidin tarrat yksityisinä.