വ്യത്യസ്തമായ നിർദ്ദേശം: ലെവൽ, സന്നദ്ധത, ഉൾക്കൊള്ളൽ

നേട്ടങ്ങൾ:

• വ്യത്യസ്തത (ഉള്ളടക്കം, പ്രക്രിയ, ഉൽപ്പന്നം), സന്നദ്ധത എന്നിവയുടെ ആശയങ്ങൾ മനസിലാക്കാനും ഒരേ ഫലം വ്യത്യസ്ത തലങ്ങളിലേക്ക് പൊരുത്തപ്പെടുത്തുന്ന മെറ്റീരിയൽ സെറ്റുകൾ നിർമ്മിക്കാനുമുള്ള കഴിവ്.
• പിന്തുണ ആവശ്യമുള്ള വിദ്യാർത്ഥികൾക്കും വിപുലമായ ലെവലുകൾക്കും ഭാഷാ പിന്തുണ ആവശ്യമുള്ള വിദ്യാർത്ഥികൾക്കും കൃത്രിമ ഇൻ്റലിജൻസ് പിന്തുണയോടെ ലേയേർഡ് ടാസ്‌ക്കുകളും സ്കാർഫോൾഡിംഗും രൂപകൽപ്പന ചെയ്യാനുള്ള കഴിവ്.
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ അപകടസാധ്യത മനസ്സിലാക്കുക, വിദ്യാർത്ഥിയെ ഒരു ലേബലിലേയ്ക്കും പക്ഷപാതത്തിലേയ്ക്കും താഴ്ത്തുകയും വ്യത്യസ്തതയെ അധ്യാപകൻ വിദ്യാർത്ഥിയെ അംഗീകരിക്കുകയും ചെയ്യണമെന്ന് കാണുക.

ഒരു ക്ലാസ് മുറിയിൽ രണ്ട് വിദ്യാർത്ഥികളും ഒരുപോലെയല്ല. ചിലർക്ക് വിഷയം ആദ്യമായി വിശദീകരിക്കുമ്പോൾ തന്നെ മനസ്സിലാകും, ചിലർക്ക് മൂന്ന് ഉദാഹരണങ്ങൾ കൂടി വേണം; ചിലർ വിപുലമായ ചോദ്യത്തിനായി ദാഹിക്കുന്നു, ചിലർ അടിസ്ഥാന ആശയത്തിൽ കുടുങ്ങിക്കിടക്കുന്നു; ചിലർ ടർക്കിഷ് പഠിക്കുന്നു, ചിലർ ഡിസ്ലെക്സിയയോടെ വായിക്കുന്നു. വ്യത്യസ്ത രീതികളിൽ ഒരേ ഫലം നേടാൻ അനുവദിക്കുന്ന ഒരു അധ്യാപന സമീപനമാണ് ഡിഫറൻഷ്യേറ്റഡ് ഇൻസ്ട്രക്ഷൻ. വ്യത്യാസം മൂന്ന് തലങ്ങളിലാണ് നിർമ്മിച്ചിരിക്കുന്നത്: ഉള്ളടക്കം (പഠിച്ചത്/ഏത് ബുദ്ധിമുട്ടിലാണ്), പ്രോസസ്സ് (അത് എങ്ങനെ പഠിച്ചു/ഏത് പ്രവർത്തനത്തിലൂടെ), ഉൽപ്പന്നം (വിദ്യാർത്ഥി താൻ പഠിച്ചത് എങ്ങനെ പ്രകടിപ്പിക്കുന്നു). ഒരേ ഫലത്തെ ഒന്നിലധികം തലങ്ങളിലേക്ക് വേഗത്തിൽ പൊരുത്തപ്പെടുത്തിക്കൊണ്ട് AI വ്യത്യാസം പ്രായോഗികമായി സാധ്യമാക്കുന്നു. എന്നാൽ ഈ യൂണിറ്റിലെ ഏറ്റവും നിർണായകമായ മുന്നറിയിപ്പ്: AI-ക്ക് വിദ്യാർത്ഥിയെ ഒരു ലേബലായി ചുരുക്കാൻ കഴിയും; അധ്യാപകൻ്റെ വിദ്യാർത്ഥിയുടെ അംഗീകാരവുമായി സംയോജിപ്പിച്ചില്ലെങ്കിൽ വ്യത്യാസം അനീതിയായി മാറുന്നു.

സന്നദ്ധത, താൽപ്പര്യം, പഠന പ്രൊഫൈൽ

ആ പഠന ഫലത്തിനായി വിദ്യാർത്ഥിക്ക് ഉള്ള മുൻകൂർ അറിവിൻ്റെയും നൈപുണ്യത്തിൻ്റെയും തലമാണ് സന്നദ്ധത - അത് "സ്മാർട്ട്/സ്മാർട്ടല്ല" അല്ല, ആ നിമിഷം അവർ എവിടെയാണ്, അത് മാറുന്നു. വ്യത്യാസം മൂന്ന് കാര്യങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: സന്നദ്ധത (അടിസ്ഥാന/ഇൻ്റർമീഡിയറ്റ്/വിപുലമായത്), താൽപ്പര്യം (വിദ്യാർത്ഥിയുടെ ജിജ്ഞാസ പിടിച്ചെടുക്കൽ), പഠന പ്രൊഫൈൽ (വിഷ്വൽ, ഓഡിറ്ററി, ഹാൻഡ്-ഓൺ മുൻഗണനകൾ - ഇവയെ വഴക്കമുള്ള മുൻഗണനകളായി എടുക്കുക, കർശനമായ പാറ്റേണുകളല്ല).

സ്‌കാഫോൾഡിംഗ് ബുദ്ധിമുട്ടുന്ന വിദ്യാർത്ഥിക്ക് താൽക്കാലിക പിന്തുണ സജ്ജീകരിക്കുന്നു: ക്ലൂ കാർഡ്, ഘട്ടം ഘട്ടമായുള്ള ഉദാഹരണം, പദ പട്ടിക, അപൂർണ്ണമായ പരിഹാരം. വിദ്യാർത്ഥി പുരോഗമിക്കുമ്പോൾ പിന്തുണ നീക്കംചെയ്യുന്നു-കെട്ടിടം പൂർത്തിയാകുമ്പോൾ സ്കാർഫോൾഡിംഗ് നീക്കം ചെയ്യുന്നതുപോലെ. ഒരേ ടാസ്‌ക്കിൻ്റെ സ്കാർഫോൾഡ്, അൺസ്‌കാഫോൾഡ് പതിപ്പുകൾ AI എളുപ്പത്തിൽ നിർമ്മിക്കുന്നു.

ശ്രദ്ധിക്കുക: വ്യത്യാസം എന്നാൽ "ദുർബലനായ വിദ്യാർത്ഥിക്ക് എളുപ്പമുള്ള ജോലിയും നല്ല വിദ്യാർത്ഥിക്ക് ബുദ്ധിമുട്ടുള്ള ജോലിയും നൽകുക" എന്നല്ല അർത്ഥമാക്കുന്നത്. എല്ലാവരും ഒരേ നേട്ടം കൈവരിക്കുന്നു; മാറുന്ന പാത പിന്തുണയുടെയും പ്രയാസത്തിൻ്റെയും തലമാണ്. സമനിലയല്ല, എല്ലാവരേയും മുന്നോട്ട് നയിക്കുകയാണ് ലക്ഷ്യം.

ഘട്ടം ഘട്ടമായി: AI ഉപയോഗിച്ച് ലേയേർഡ് ടാസ്‌ക് ഡിസൈൻ

1. ഒരൊറ്റ നേട്ടത്തോടെ ആരംഭിക്കുക. ഒരേ നേട്ടത്തെ ചുറ്റിപ്പറ്റിയാണ് വ്യത്യാസം സംഭവിക്കുന്നത്.
2. മൂന്ന് പാളികൾ നിർവ്വചിക്കുക. അടിസ്ഥാന (സ്കാർഫോൾഡ്), ഇൻ്റർമീഡിയറ്റ് (സ്റ്റാൻഡേർഡ്), വിപുലമായ (ഡീപ്പനിംഗ്) പതിപ്പുകൾ അഭ്യർത്ഥിക്കുക.
3. ഉള്ളടക്കം/പ്രക്രിയ/ഉൽപ്പന്നം വേർതിരിക്കുക. ഏത് അളവിലാണ് നിങ്ങൾ വ്യത്യാസപ്പെടുത്തേണ്ടതെന്ന് വ്യക്തമാക്കുക (ഉദാ. ഒരേ ഉള്ളടക്കം, വ്യത്യസ്ത ഉൽപ്പന്ന ഓപ്ഷൻ).
4. ക്രാഫ്റ്റ് സ്കാർഫോൾഡിംഗ്. ബുദ്ധിമുട്ടുന്ന വിദ്യാർത്ഥികൾക്കുള്ള നുറുങ്ങുകൾ, ഉദാഹരണങ്ങൾ, പദാവലി പിന്തുണ; വികസിത പഠിതാക്കൾക്കായി തുറന്ന വിപുലീകരണം.
5. ഭാഷാ പിന്തുണ ചേർക്കുക. ടർക്കിഷ് കഴിവുകൾ വികസിപ്പിച്ചുകൊണ്ടിരിക്കുന്ന വിദ്യാർത്ഥികൾക്കുള്ള ഒരു ദൃശ്യപരവും ഹ്രസ്വവുമായ വാക്യ പതിപ്പ്.
6. ലേബൽ നിയന്ത്രണം. ഔട്ട്‌പുട്ട് ഒരു വിദ്യാർത്ഥിയെ രൂപപ്പെടുത്തുന്നുണ്ടോ; ഇത് വഴക്കമുള്ളതും താൽക്കാലികവുമാണോ എന്ന് പരിശോധിക്കുക.
7. വിദ്യാർത്ഥികളുടെ അറിവ് ഉൾപ്പെടുത്തുക. നിങ്ങളുടെ സ്വന്തം നിരീക്ഷണത്തിൻ്റെ അടിസ്ഥാനത്തിൽ ആരാണ് ഏത് ലെയറിൽ ഉള്ളതെന്ന് നിങ്ങൾ തീരുമാനിക്കുക.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - മൂന്ന് മടങ്ങ് വായന. ഒരു ക്ലാസ്റൂം ടീച്ചറുടെ ക്ലാസ്റൂമിലെ വായനാ നിലവാരം വളരെ വ്യത്യസ്തമായിരുന്നു. അദ്ദേഹം AI-ക്ക് ഒരു വിവര വാചകം നൽകുകയും മൂന്ന് പതിപ്പുകൾ ആവശ്യപ്പെടുകയും ചെയ്തു: സ്കാർഫോൾഡ് (ഹ്രസ്വ വാക്യം + ഇമേജ് + വേഡ് ബോക്സ്), സ്റ്റാൻഡേർഡ്, അഡ്വാൻസ്ഡ് (അധിക നിർണായക ചോദ്യം). എല്ലാവരും ഒരേ 40 മിനിറ്റിൽ ഒരേ ലക്ഷ്യം നേടാൻ ശ്രമിച്ചു; AI ഉപയോഗിച്ച് തയ്യാറെടുപ്പ് 20 മിനിറ്റായി കുറച്ചു. തനിക്ക് അറിയാവുന്ന വിദ്യാർത്ഥികളെ അടിസ്ഥാനമാക്കി ആർക്കാണ് ഏത് പതിപ്പ് ലഭിക്കേണ്ടതെന്ന് ടീച്ചർ നിർണ്ണയിച്ചു.

കേസ് 2 - സ്കാർഫോൾഡിംഗ് ഉള്ള ഗണിതശാസ്ത്രം. പ്രശ്നം പരിഹരിക്കാൻ ബുദ്ധിമുട്ടുന്ന 5 വിദ്യാർത്ഥികൾക്കായി, ഒരു അധ്യാപകൻ AI-യോട് "അതേ പ്രശ്നത്തിൻ്റെ ഘട്ടം ഘട്ടമായുള്ള സൂചന പതിപ്പ്" ആവശ്യപ്പെട്ടു: ഓരോ ഘട്ടത്തിലും ഒരു ചെറിയ മാർഗ്ഗനിർദ്ദേശം, ആദ്യ ഘട്ട ഉദാഹരണം പരിഹരിച്ചു. വികസിത വിദ്യാർത്ഥികൾക്ക്, "ഒന്നിൽ കൂടുതൽ പരിഹാരങ്ങൾ കണ്ടെത്തുക" എന്ന് അദ്ദേഹം അതേ പ്രശ്നം വിശദീകരിച്ചു. രണ്ടാഴ്ചയ്ക്ക് ശേഷം, ബുദ്ധിമുട്ടുന്ന ഗ്രൂപ്പിലെ 4 പേർ ക്ലൂലെസ് പതിപ്പിലേക്ക് മാറി - അവർ സ്കാർഫോൾഡിംഗ് ആയി പ്രവർത്തിക്കുകയും പൊളിക്കുകയും ചെയ്തു.

കേസ് 3 - ലേബൽ കെണിയിൽ നിന്ന് മടങ്ങുന്നു. ഒരു അധ്യാപകൻ AI-യോട് ഒരു കൂട്ടം വിദ്യാർത്ഥികളെ "വിജയിക്കാത്ത വിദ്യാർത്ഥികൾ" എന്ന് വിശേഷിപ്പിക്കുകയും മെറ്റീരിയലുകൾ ആവശ്യപ്പെടുകയും ചെയ്തു. AI നിരന്തരം ഈ ഗ്രൂപ്പിന് ലളിതവും ഏകതാനവുമായ ജോലികൾ വാഗ്ദാനം ചെയ്തു, വിദ്യാർത്ഥികളെ "ചെയ്യാൻ കഴിയില്ല" എന്ന അവസ്ഥയിൽ പരോക്ഷമായി നിർത്തുന്നു. ടീച്ചർ ഇത് ശ്രദ്ധിക്കുകയും "ഈ ഫലത്തിൽ ഇപ്പോഴും അടിസ്ഥാന തലത്തിലുള്ള വിദ്യാർത്ഥികൾക്കായി മുന്നോട്ട് പോകുന്ന സ്കഫോൾഡ് ടാസ്‌ക്കുകൾ" എന്നതിലേക്ക് നിർദ്ദേശം മാറ്റുകയും ചെയ്തു. ഭാഷ മാറിയപ്പോൾ നിർദ്ദേശങ്ങളും വർദ്ധിച്ചു. ലേബൽ പ്രതീക്ഷകൾ കുറച്ചു.

പകർത്താവുന്ന ടെംപ്ലേറ്റുകൾ

1) ത്രീ-ലെയർ ടാസ്‌ക് സെറ്റ്:

നിങ്ങളുടെ റോൾ: [വിഷയം] അധ്യാപകൻ. നേട്ടം: "[നേട്ടം]", [X. ക്ലാസ്]. ഈ ഒരു ഫലത്തിനായി മൂന്ന് ലെയറുകൾ ടാസ്‌ക്കുകൾ സൃഷ്‌ടിക്കുക: (1) അടിസ്ഥാനം: സ്റ്റെപ്പ്-ക്യൂഡ്, സ്കാർഫോൾഡ്; (2) ഇൻ്റർമീഡിയറ്റ്: സ്റ്റാൻഡേർഡ്; (3) വിപുലമായത്: തുറന്നത്, ആഴമേറിയത്. മൂന്നും ഒരേ ഫലത്തിൽ എത്തട്ടെ. ഒരു വിദ്യാർത്ഥിയെയും ലേബൽ ചെയ്യരുത്; "നിലവിൽ ഈ നിലയിലുള്ളവർ" എന്ന് ലെയറുകളെ താൽക്കാലികമായി നിർവ്വചിക്കുക.

2) സ്കാർഫോൾഡിംഗ് (സ്കഫോൾഡിംഗ്) ഉത്പാദനം:

വിഷയവുമായി മല്ലിടുന്ന ഒരു വിദ്യാർത്ഥിക്ക് ഇനിപ്പറയുന്ന ടാസ്ക്ക് സ്കാർഫോൾഡ് ചെയ്യുക: ഒരു ഉദാഹരണമായി ആദ്യ ഘട്ടം പരിഹരിക്കുക, ഓരോ ഘട്ടത്തിലും ഒരു ചെറിയ സൂചന ചേർക്കുക, ഒരു ബോക്സിൽ ആവശ്യമായ കീവേഡുകൾ നൽകുക. ദൗത്യത്തിൻ്റെ ബുദ്ധിമുട്ട് കുറയ്ക്കരുത്, ബൂസ്റ്റ് വർദ്ധിപ്പിക്കുക. ടാസ്ക്: [ഒട്ടിക്കുക]

3) ഭാഷാ പിന്തുണ പതിപ്പ്:

ടർക്കിഷ് വികസിക്കുന്ന ഒരു വിദ്യാർത്ഥിക്കായി ഇനിപ്പറയുന്ന മെറ്റീരിയൽ പൊരുത്തപ്പെടുത്തുക: ഹ്രസ്വ വാക്യങ്ങൾ, പതിവായി ഉപയോഗിക്കുന്ന വാക്കുകൾ, ഒരു ദൃശ്യ നിർദ്ദേശം, സാധ്യമെങ്കിൽ ഓരോ ഘട്ടത്തിനും ഒരു ഉദാഹരണം. ഉള്ളടക്കവും സന്ദർഭവും നിലനിർത്തുക, ഭാഷ ആക്സസ് ചെയ്യാവുന്നതാക്കി മാറ്റുക. മെറ്റീരിയൽ: [ഒട്ടിക്കുക]

4) വിപുലമായ പഠിതാക്കൾക്കുള്ള വിപുലീകരണം:

"[നേട്ടം]" വിഷയത്തെക്കുറിച്ച് നേരത്തെ മനസ്സിലാക്കുന്ന വിദ്യാർത്ഥികൾക്ക്, അതേ വിഷയത്തെ ആഴത്തിലാക്കുന്ന 3 ഓപ്പൺ-എൻഡ് ടാസ്ക്കുകൾ നിർദ്ദേശിക്കുക: യഥാർത്ഥ ജീവിത ആപ്ലിക്കേഷൻ, താരതമ്യം/വിശകലനം, ഒരു ചെറിയ പ്രൊഡക്ഷൻ ടാസ്ക്ക്. ചിന്തയെ വെല്ലുവിളിക്കുന്ന ജോലികൾ ഉണ്ടാകട്ടെ, അധിക "തിരക്കിലുള്ള ജോലി" അല്ല.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ദുർബലരായ വിദ്യാർത്ഥികൾക്ക് എളുപ്പമുള്ള ചോദ്യങ്ങൾ എഴുതുക.

ലേബൽ ചെയ്യുക, പ്രതീക്ഷകൾ കുറയ്ക്കുക, നേട്ടത്തിൽ നിന്ന് വിച്ഛേദിക്കുക; "എളുപ്പം" എന്നത് അവ്യക്തമാണ്, അത് ഒരേ നേട്ടം കൈവരിക്കുന്നില്ല.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: ഗണിത അധ്യാപകൻ. ലക്ഷ്യം: "വിദ്യാർത്ഥി രണ്ട് അക്ക സംഖ്യകളെ ഗുണിക്കുന്നു." ഈ നേട്ടത്തിൽ, നിലവിൽ അടിസ്ഥാന തലത്തിലുള്ള വിദ്യാർത്ഥികൾക്ക്, സ്കാർഫോൾഡിംഗിൽ 4 പ്രശ്നങ്ങൾ സൃഷ്ടിക്കുന്നു, അതിൻ്റെ ആദ്യ ഘട്ടം ഒരു ഉദാഹരണമായി പരിഹരിച്ചു, ഓരോ ഘട്ടത്തിലും സൂചനകൾ ഉണ്ട്. ബുദ്ധിമുട്ട് കുറയ്ക്കുക; പിന്തുണ വർദ്ധിപ്പിക്കുക. അവർ ഒരേ നേട്ടത്തിൽ എത്തട്ടെ.

വലിപ്പം

എന്ത് മാറ്റങ്ങൾ?

AI-യോടുള്ള സാമ്പിൾ അഭ്യർത്ഥന

അപകടസാധ്യത സൂക്ഷിക്കുക

ഉള്ളടക്കം

ബുദ്ധിമുട്ട്, വായന നില

"റിലീസിൻ്റെ മൂന്ന് തലങ്ങൾ"

വരുമാനം കുറയ്ക്കാനല്ല

പ്രക്രിയ

ഇവൻ്റ് തരം, സ്കാർഫോൾഡിംഗ്

"സൂചന പതിപ്പ് നിർമ്മിക്കുക"

സ്വാതന്ത്ര്യം പുനഃസ്ഥാപിക്കുന്നു

ഉൽപ്പന്നം

ഡിസ്പ്ലേ ഫോർമാറ്റ്

"പോസ്റ്റർ / വാക്കാലുള്ള / രേഖാമൂലമുള്ള ഓപ്ഷൻ"

അളവ് സ്ഥിരമായി നിലനിർത്തുക

ഭാഷ

പ്രവേശനക്ഷമത

"ചെറിയ വാചകം + ദൃശ്യം"

ഉള്ളടക്കം നേർപ്പിക്കരുത്

സാധാരണ തെറ്റുകൾ

• വിദ്യാർത്ഥിയെ ലേബൽ ചെയ്യുക. "പാവം/അലസമായ/ഉന്നതമായത്" പോലെയുള്ള പാറ്റേണുകൾ AI ഔട്ട്പുട്ടിനെയും പ്രതീക്ഷയെയും വികലമാക്കുന്നു; ലെവൽ താൽക്കാലികവും നേട്ടത്തിന് പ്രത്യേകവുമാണ്.
• നേട്ടം കുറയ്ക്കുന്നു. വ്യത്യാസം "ഒരു എളുപ്പമുള്ള ജോലി" ആണെന്ന് ചിന്തിക്കുന്നു; എല്ലാവരും ഒരേ ലക്ഷ്യത്തിലെത്തണം.
• സ്കാർഫോൾഡിംഗ് ഒരിക്കലും പൊളിക്കരുത്. നിരന്തരമായ സൂചനകൾ സ്വാതന്ത്ര്യത്തെ തടയുന്നു; പിന്തുണ ക്രമേണ നീക്കംചെയ്യുന്നു.
• പഠനശൈലി കർശനമായ പാറ്റേണിലേക്ക് മാറ്റുന്നു. "ഈ കുട്ടി വിഷ്വൽ ആണ്" എന്ന് പറഞ്ഞ് അതിനെ ഒരു വഴിയിൽ മാത്രം പരിമിതപ്പെടുത്തുന്നു; മുൻഗണനകൾ വഴക്കമുള്ളതാണ്.
• വിദ്യാർത്ഥിയുടെ നിർവചനം AI-ക്ക് വിടുന്നു. ആരാണ് എവിടെയെന്ന് അധ്യാപകൻ തീരുമാനിക്കുന്നു; AI വിദ്യാർത്ഥിയെ അറിയില്ല.

നുറുങ്ങ്: "മൂന്ന് പതിപ്പുകൾ നിർമ്മിക്കുക, ഞാൻ വിതരണം ചെയ്യും" എന്ന് വ്യത്യസ്തത ഫ്രെയിം ചെയ്യുക. മെറ്റീരിയൽ പകർത്താൻ AI അനുവദിക്കുക; ഏത് പതിപ്പാണെന്ന് അറിയാവുന്ന ഒരേയൊരു വ്യക്തി എന്ന നിലയിൽ, ഏത് പതിപ്പ് ഏത് വിദ്യാർത്ഥിയിലേക്ക് പോകണമെന്ന് നിങ്ങൾ തീരുമാനിക്കുന്നു.

ചുരുക്കത്തിൽ

ഉള്ളടക്കം, പ്രോസസ്സ്, ഉൽപ്പന്ന അളവുകൾ എന്നിവയിൽ വ്യത്യസ്ത രീതികളിൽ ഒരേ ഫലം കൈവരിക്കുക എന്നതാണ് ഡിഫറൻഷ്യേഷൻ അർത്ഥമാക്കുന്നത്. AI മൂന്ന് ലെയർ ടാസ്‌ക്കുകളുടെ ഉത്പാദനം, സ്കഫോൾഡ് പതിപ്പുകൾ, ഭാഷാ പിന്തുണ എന്നിവ ഒരൊറ്റ ഏറ്റെടുക്കലിൽ നിന്ന് മിനിറ്റുകളിലേക്ക് കുറയ്ക്കുന്നു; ഇത് വ്യത്യാസം പ്രായോഗികമായി സാധ്യമാക്കുന്നു. എന്നിരുന്നാലും, AI വിദ്യാർത്ഥിയെ ഒരു ലേബലിലേക്ക് ചുരുക്കുകയും പ്രതീക്ഷകൾ കുറയ്ക്കുകയും ചെയ്തേക്കാം. ലയറുകൾ താൽക്കാലികമായും നേട്ടത്തിന് പ്രത്യേകമായും നിർവ്വചിക്കുക, നേട്ടം ഒരിക്കലും താഴ്ത്തരുത്, ഏത് വിദ്യാർത്ഥി എവിടെയാണെന്ന് നിങ്ങളുടെ സ്വന്തം നിരീക്ഷണത്തിലൂടെ തീരുമാനിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു നേട്ടം തിരഞ്ഞെടുത്ത് "ത്രീ-ടയർ ടാസ്‌ക് സെറ്റ്" ടെംപ്ലേറ്റുള്ള അടിസ്ഥാന-ഇൻ്റർമീഡിയറ്റ്-അഡ്വാൻസ്ഡ് പതിപ്പുകൾക്കായി AI-യോട് ആവശ്യപ്പെടുക. രണ്ട് വീക്ഷണകോണുകളിൽ നിന്ന് ഔട്ട്‌പുട്ട് പരിശോധിക്കുക: (1) മൂന്ന് പതിപ്പുകളും ഒരേ നേട്ടം കൈവരിക്കുന്നുണ്ടോ, (2) ഏതെങ്കിലും പതിപ്പ് ഒരു ഗ്രൂപ്പിനെ പരോക്ഷമായി "കഴിയില്ല" എന്ന സ്ഥാനത്ത് നിർത്തുന്നുണ്ടോ. തുടർന്ന് അടിസ്ഥാന പതിപ്പിനെ ഒരു പ്ലാനിലേക്ക് ബന്ധിപ്പിക്കുക, ക്രമേണ സൂചനകൾ നീക്കം ചെയ്ത് 3 വാക്യങ്ങളിൽ എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] മൂന്ന് പാളികളും ഒരേ നേട്ടം കൈവരിക്കുന്നുണ്ടോ?
• [ ] വിദ്യാർത്ഥികളെ ലേബൽ ചെയ്യുന്നതിന് പകരം "ഇപ്പോൾ ഈ നിലയിലാണ്" എന്ന് ഞാൻ വിവരിച്ചോ?
• [ ] സ്കാർഫോൾഡിംഗ് ക്രമേണ നീക്കം ചെയ്യുന്നതിനുള്ള ഒരു പദ്ധതി ഞാൻ സ്ഥാപിച്ചിട്ടുണ്ടോ?
• [ ] ഭാഷാ പിന്തുണ പതിപ്പിൽ ലയിപ്പിക്കാതെ തന്നെ ഞാൻ ഉള്ളടക്കം ആക്‌സസ് ചെയ്യാവുന്നതാക്കിയിട്ടുണ്ടോ?
• [ ] എൻ്റെ സ്വന്തം നിരീക്ഷണത്തിൻ്റെ അടിസ്ഥാനത്തിൽ ഏത് വിദ്യാർത്ഥിക്ക് ഏത് പതിപ്പ് പോകണമെന്ന് ഞാൻ തീരുമാനിച്ചോ?