Pelnas:
- Gebėjimas apibendrinti tokius duomenis kaip nebuvimas, akademinis ir elgesio stebėjimas naudojant dirbtinio intelekto pagalbą ir parengti tolesnę lentelę bei stebėjimo pastabas
- Gebėjimas rašyti raginimus, kuriais sprendimas paliekamas ekspertui, kartu rengiant santraukas, kurios palengvina ankstyvo įspėjimo modelius
- Supratimas, kad dirbtinis intelektas sumažina studento riziką ir šališkumo pavojų, ir gebėjimas suprasti, kad išankstinis įspėjimas visada turėtų būti derinamas su ekspertų stebėjimu ir interviu.
Vienas iš svarbių PDR specialisto darbų yra stebėti studentus laikui bėgant: lankomumo modelius, akademinę pažangą, elgesio stebėjimus, socialinius santykius, interviu istoriją. Šios stebėsenos tikslas – anksti atpažinti, kada studentui gali prireikti paramos; Tai vadinama išankstiniu įspėjimu. Išankstinis įspėjimas reiškia pagalbos suaktyvinimą pagal pastebimus požymius (staigus pravaikštų padidėjimas, pažymių kritimas, pasitraukimas), kol problema neišsiplėtė. Tačiau ši sritis gali būti ir labai naudinga, ir labai pavojinga: gerai panaudojus, galima laiku pasiekti mokinį; Naudojamas prastai, jis įstrigo mokinį į „rizikos etiketę“.
Šiame skyriuje išmoksime naudoti AI kaip pagalbinę priemonę, kuri apibendrina išsklaidytus sekimo duomenis ir padaro modelį matomą. Svarbiausias principas: dirbtinis intelektas gali nurodyti modelį, bet negali įvertinti mokinio ar paskelbti, kad jam ar jai gresia pavojus. Išankstinis perspėjimas visada derinamas su specialisto stebėjimu ir aptarimu su mokiniu; Galutinį įvertinimą ir sprendimą priima ekspertas. Prisiminkime ir krizės ribą: jei tolesni duomenys rodo rimtą pavojų (pavyzdžiui, studento situacija rodo tiesioginį pavojų), tai yra krizinė situacija ir pradedamas 9 skyriaus protokolas; Ne AI.
Smulki linija tarp raštų matymo ir jų žymėjimo
Vien duomenų sekimas nėra prasmingas; kontekstas suteikia prasmę. Trimis savaitėmis padidėjęs pravaikštų skaičius; Tai gali būti susiję su liga, šeimynine situacija ar sunkumais mokykloje. AI gali padaryti šį padidėjimą matomą lentelėje arba suvestinėje („pravaikštų skaičius labai išaugo per pastarąsias tris savaites“); tai naudingas patarimas, atkreipiantis specialisto dėmesį į tą mokinį. Kyla pavojus, kad dirbtinis intelektas (arba ekspertas, pagrįstas dirbtiniu intelektu) nuo šio signalo pereis prie sprendimo: „šiam studentui gresia pavojus / problema / apleistas“. Šis šuolis gali būti klaidingas ir stigmatizuojantis mokinį.
Taisyklė: AI signalai, ekspertas konstruoja prasmę. Santrauka yra pokalbio pradžios pagrindimas, o ne išvada. Joks ženklas netampa įvertinimu, nesikalbant su mokiniu.
Kitas subtilumas – derinant duomenų šaltinius reikia būti atsargiems. Lankomumas, pažymių tendencija ir elgsenos stebėjimas yra reikšmingi atskirai, tačiau dirbtinio intelekto sujungimas kaip vienas „rizikos balas“ yra klaidinantis. Studento pravaikštų gali padaugėti dėl to, kad jis turi lėtinių sveikatos sutrikimų; Tai nėra akademinės nesėkmės požymis. Įvairių tipų duomenų sugrūdimas į vieną skaičių užtemdo besimokančiojo tikrovę ir sukuria klaidingą prioritetų nustatymą. Teisingas požiūris – kiekvieną duomenų tipą vertinti kaip atskirą „ženklą“, o visumą palikti eksperto interpretacijai. AI gali lyginti duomenis; bet tai neturėtų atlikti jų suvirinimo į vieną sprendimą. Taip pat svarbu, „kiek ilgai“ trunka ženklas: vienos savaitės svyravimas ir trijų mėnesių tendencija turi labai skirtingas reikšmes, ir vėlgi ekspertas turi perskaityti šią laiko dimensiją.
Įspėjimas: spaudinys, kuriame mokinys nurodomas kaip „rizikos grupė“, gali visam laikui paveikti to vaiko suvokimą mokykloje. Kad tokios etiketės nepatektų į apyvartą, išankstinio įspėjimo spaudiniai turėtų būti laikomi konfidencialiais ir naudojami tik pagalbiniais tikslais ir prižiūrint specialistui.
Šališkumas: svarbu, kas laikomas „rizika“.
Ankstyvojo įspėjimo šališkumas yra rimta teisingumo problema. Jei sistema (arba AI santrauka) neproporcingai pažymi studentus iš tam tikros socialinės ir ekonominės grupės, tam tikros kaimynystės ar tam tikrų elgesio modelių kaip „riziką“, tai institucionalizuoja šališkumą. Ekspertas turi atskirti, kurie ženklai iš tikrųjų rodo atramą, o kurie tik nurodo modelį; Su kiekvienu mokiniu turi būti elgiamasi individualiai ir sąžiningai. AI sukurta „rizikos“ kalba neturėtų būti priimta be abejonių.
Žingsnis po žingsnio: nuo duomenų iki palaikymo
- Duomenis rinkti anonimiškai. Tvarkykite tokius duomenis kaip lankomumas, stebėjimas ir pažymių pažanga naudodami „Studento A/B/C“, o ne ID kodus.
- Apibendrinant su AI. Apibendrinkite modelį ir reikšmingus pokyčius reiškinio lygmeniu.
- Pasirinkite ženklus. Ekspertas nusprendžia, kurios santraukos vertos interviu.
- Nuomonė. Pasikalbėkite su signalizuotu mokiniu; išmokti konteksto.
- Įvertink ir planuok. Ekspertas nustato prasmę ir paramą.
- Laikykite tamsoje. Dalijimasis rezultatais ne paramos tikslais; Neplatinkite etiketės.
Kopijuojami šablonai
1) Stebėjimo duomenų suvestinė:
Jūsų vaidmuo: PDR duomenų redagavimo asistentas. PRIDĖTI SPRENDIMĄ, „rizikos“ etiketę ar rekomendaciją.Užduotis: Apibendrinkite šiuos anoniminius mokinio nebuvimo/stebėjimo duomenis FAKT lygiu; Nurodykite visus reikšmingus PAKEITIMUS (padidinti / sumažinti). Įvertinimas ir sprendimas yra mano; jūs tiesiog padarote šabloną matomą.Duomenys: [įklijuoti anoniminius duomenis]
2) Susitikimo priežasčių sąrašas:
Iš toliau pateiktų anoniminių santraukų išvardykite faktus, kurie gali būti pagrindas pradėti PALAIKIMĄ. Kiekvienam užrašykite vieno sakinio NEUTRALIĄ priežastį (pvz., „Per pastarąsias tris savaites padaugėjo pravaikštų“). Nenaudokite tokių etikečių kaip „rizikinga / problemiška“. Santraukos: [anoniminės santraukos]
3) Stebėjimo lentelės redagavimas:
Išdėstykite toliau pateiktas anonimines pastabas į lentelę su data, pastebėtu reiškiniu, planuojamu žingsniu ir rezultatu. Nepridėkite komentarų, laikykitės faktų.Pastabos: [anoniminės pastabos]
4) Pasiruošimas prieš pokalbį:
Jūsų vaidmuo: PDR asistentas. Ruošiuosi PALAIKIAMam susitikimui su 14 metų studente, kurios lankomumas išaugo. Pasiūlykite 8 pasirengimo klausimus, kurie nėra vertinami, atviri ir neverčia mokinio apsiginti.
Silpnas raginimas / Stiprus raginimas
Silpnas:
Pažvelkite į šios klasės nedalyvavimo sąrašą, pažymėkite rizikos grupės mokinius.
Tai paverčia dirbtinį intelektą teisėju, prašo jo pateikti „rizikingą“ etiketę, be konteksto ir jokio pokalbio.
Stiprus:
Jūsų vaidmuo: PDR duomenų redagavimo asistentas, pridedant etiketę „rizika“. Toliau pateiktuose anoniminių neatvykimo į pamokas duomenis apibendrinkite (reiškinio lygmeniu) mokinius, kurie per paskutines 3 savaites parodė REIŠKIMUS POKYČIUS. Kiekvienam tiesiog parašykite, kas pasikeitė; Pateiksiu komentarą ir sprendimą.Duomenys: [anoniminiai duomenys]
Signalizuoja, neženklina; Sprendimas yra eksperto rankose.
trys mini dėklai
1 atvejis – naudingas ženklas. Specialistui buvo sunku stebėti individualius neatvykimus į 200 mokinių klasėje. Jis turėjo anoniminius duomenis, kuriuos apibendrino AI; Išsiskyrė studentas, kuris paprastai likdavo nepastebėtas ir kurio tyliai, bet nuolat daugėjo pravaikštų. Ekspertas kalbėjo; Jis sužinojo, kad studentas ryte turėjo transporto problemų ir pateikė praktinį sprendimą. AI davė ženklą, ekspertas ir studentas sukūrė sprendimą.
2 atvejis – grąžinimas iš etiketės. Vienoje AI santraukoje vienas studentas buvo apibūdintas kaip „didelė elgesio rizika“; tuo tarpu eksperto duomenyse buvo tik „prašymo pakeisti klasę du kartus“ fenomenas. Ekspertas atmetė šią etiketę, kalbėjosi su studentu ir nustatė, kad prašymas kilo dėl noro atsiriboti nuo draugų grupės. Etiketė gali nesąžiningai stigmatizuoti vaiką; ekspertų filtras to užkirto kelią.
3 atvejis – šališkumo patikrinimas. Ekspertas pastebėjo, kad AI sudarytame „rizikos“ sąraše buvo neproporcingai daug studentų iš tam tikros apylinkės. Jis nesinaudojo sąrašu, manydamas, kad tai gali atspindėti šališkumą; vietoj to visiems studentams taikė teisingus, faktais pagrįstus kriterijus. Taigi parama buvo skirstoma pagal faktinį poreikį, o ne stigmą.
Dažnos klaidos
- Padaryti AI ženklą „rizikingu“. Teismų pavertimas įrankiu. Sprendimas: AI rodo reiškinį / pokytį, ekspertas priima sprendimą.
- Vertinimas be interviu. Ne tik žiūrint duomenis ir kalbant su mokiniu. Sprendimas: kiekvienas ženklas pokalbio metu įgyja kontekstą.
- Šališkumo ignoravimas. Modeliu pagrįsto „rizikos“ sąrašo priėmimas. Sprendimas: teisingumo ir individualumo kontrolė.
- Etiketės cirkuliacija. Dalinamės „rizikingų studentų“ sąrašu. Sprendimas: privatumo ir palaikymo paskirties apribojimas.
- Supainioti tai su krize. Rimtos rizikos požymis traktuojamas kaip įprastas stebėjimas. Sprendimas: aktyvuojamas krizės protokolas (9 blokas).
Lentelė: ženklas ar sprendimas?
išvestis
Tipas
ką daryti
„Per pastarąsias 3 savaites padaugėjo pravaikštų“
Ženklas (reiškinys)
Susitikimo priežastis
„Šis studentas rizikingas“
Nuosprendis (etiketė)
Atmesti, grįžti į realybę
„Pažymiai krinta jau du semestrus“
Ženklas (reiškinys)
Susitikimo priežastis
„Jo šeima jo nepaiso“
sprendimas/išvada
Atmesti, grįžti prie stebėjimo
„Susitikimų dažnis sumažėjo“
Ženklas (reiškinys)
Ekspertas vertina
Apibendrinant
Stebint mokinius AI yra naudinga pagalbinė priemonė, kuri apibendrina išsklaidytus duomenis ir padaro matomus šablonus; Tačiau ji negali įvertinti studento ar paskelbti, kad jis „rizikuoja“. AI duoda signalus, ekspertas sukuria prasmę. Kontekstuokite kiekvieną ženklą su pokalbiu, patikrinkite, ar nėra šališkumo, platinkite etiketes ir pereikite prie krizės protokolo, kai atsiranda rimtos rizikos požymių. Ankstyvojo įspėjimo tikslas yra ne stigmatizuoti, o laiku ir sąžiningai teikti pagalbą.
Taikymo užduotis
Sukurkite anoniminius išgalvotos klasės lankomumo / stebėjimo duomenis. Leiskite AI apibendrinti faktų lygiu naudodami „stebėjimo duomenų suvestinės“ šabloną. Išnagrinėkite rezultatą: ar AI pridėjo kokių nors „rizikos / problemos“ etikečių ar sprendimų? Pažymėkite, pašalinkite ir sukurkite tik faktų neutralų sąrašą priežasčių, kurias verta aptarti. Tada užduokite šališką klausimą: ar sąrašas susideda iš tam tikro modelio?
kontrolinis sąrašas
- [ ] Duomenis anonimizuojau prieš pateikdamas juos įrankiui.
- [ ] Į raginimą parašiau ribą „pridėti rizikos etiketę/sprendimą“.
- [ ] Dirbinio intelekto išvestį išlaikiau fakto/ženklo lygyje ir pats priimdamas sprendimą.
- [ ] Kiekvieną ženklą kontekstualizavau interviu.
- [ ] Patikrinau, ar nėra šališkumo, ir palikau etiketes privačias.