Winst:
- Mogelijkheid om gegevens zoals afwezigheid, academische en gedragsobservatie samen te vatten met ondersteuning van kunstmatige intelligentie en een vervolgtabel en observatienotities voor te bereiden
- Mogelijkheid om aanwijzingen te schrijven die de beslissing aan de expert overlaten, terwijl u samenvattingen kunt maken die het gemakkelijker maken om patronen te ontdekken voor vroegtijdige waarschuwing
- Begrijpen dat kunstmatige intelligentie de student tot een risico en het gevaar van vooringenomenheid reduceert, en in staat zijn om te zien dat vroege waarschuwing altijd gecombineerd moet worden met deskundige observatie en interview.
Een van de belangrijke taken van de PDR-professional is het monitoren van studenten in de loop van de tijd: aanwezigheidspatronen, academische vooruitgang, gedragsobservaties, sociale relaties, interviewgeschiedenis. Deze monitoring heeft tot doel vroegtijdig te onderkennen wanneer een leerling mogelijk ondersteuning nodig heeft; Dit wordt vroegtijdige waarschuwing genoemd. Vroegtijdig waarschuwen betekent het activeren van ondersteuning op basis van waarneembare signalen (plotseling stijgend ziekteverzuim, dalende cijfers, terugtrekking) voordat een probleem escaleert. Maar dit vakgebied kan zowel heel nuttig als heel gevaarlijk zijn: als het goed wordt gebruikt, kan het een leerling op tijd bereiken; Als het slecht wordt gebruikt, wordt een leerling gevangen in een ‘risicolabel’.
In deze unit leren we AI te gebruiken als hulpmiddel dat verspreide trackinggegevens samenvat en het patroon zichtbaar maakt. Het meest kritische principe: AI kan het patroon aanwijzen, maar kan de leerling niet evalueren of hem of haar ‘in gevaar’ verklaren. Vroegtijdige waarschuwing wordt altijd gecombineerd met observatie door de specialist en discussie met de student; De uiteindelijke beoordeling en beslissing ligt bij de deskundige. Laten we ook de crisisgrens in herinnering brengen: als vervolggegevens wijzen op een ernstig risico (de situatie van een leerling duidt bijvoorbeeld op direct gevaar), dan is er sprake van een crisissituatie en komt het protocol uit unit 9 in beeld; Niet AI.
De dunne grens tussen het zien van patronen en het labelen ervan
Het bijhouden van gegevens alleen heeft geen zin; context geeft betekenis. Verhoging verzuim met drie weken; Het kan te maken hebben met een ziekte, een gezinssituatie of een probleem op school. AI kan deze stijging zichtbaar maken in een tabel of samenvatting (“het ziekteverzuim is de afgelopen drie weken flink toegenomen”); dit is een nuttig signaal dat de aandacht van de professional op die student vestigt. Het gevaar is dat de AI (of de deskundige, op basis van de AI) van dit signaal overspringt naar een oordeel: “deze leerling loopt risico/probleem/verwaarloosd.” Deze sprong kan zowel verkeerd zijn als de leerling stigmatiseren.
Regel: AI-signalen, expert construeert betekenis. Een samenvatting is een rechtvaardiging voor het starten van een gesprek, geen conclusie. Geen teken wordt een evaluatie zonder met de student te praten.
Een andere subtiliteit is dat je voorzichtig moet zijn bij het combineren van gegevensbronnen. Aanwezigheid, cijfertrend en gedragsmonitoring zijn individueel betekenisvol, maar het is misleidend om de AI deze te laten combineren als één enkele ‘risicoscore’. Het ziekteverzuim van een student kan zijn toegenomen omdat hij of zij een chronische ziekte heeft; Dit is geen teken van academisch falen. Door verschillende soorten gegevens in één getal te proppen, wordt de realiteit van de leerling verdoezeld en ontstaat er een valse prioriteitstelling. De juiste aanpak is om elk type gegevens als een afzonderlijk ‘teken’ te zien en het geheel aan de interpretatie van de deskundige over te laten. AI kan gegevens verzamelen; maar het zou niet het werk moeten zijn om ze tot één enkel oordeel samen te smelten. Op dezelfde manier is ook ‘hoe lang’ een teken aanhoudt van belang: een fluctuatie van één week en een trend die drie maanden duurt, hebben heel verschillende betekenissen, en het is opnieuw aan de deskundige om deze tijdsdimensie te lezen.
Let op: een afdruk waarop een leerling als 'risicovol' wordt vermeld, kan de perceptie van dat kind op school permanent beïnvloeden. Om te voorkomen dat dergelijke etiketten in omloop komen, moeten afdrukken van vroegtijdige waarschuwingen vertrouwelijk worden gehouden en alleen worden gebruikt voor ondersteunende doeleinden en onder deskundig toezicht.
Vooroordeel: wie als ‘risico’ geldt, doet er toe
Vooringenomenheid bij vroegtijdige waarschuwing is een ernstig rechtsprobleem. Als het systeem (of de AI-opdracht) studenten uit een bepaalde sociaal-economische groep, een bepaalde buurt of bepaalde gedragspatronen disproportioneel markeert als ‘in gevaar’, dan wordt een vooroordeel geïnstitutionaliseerd. De deskundige moet onderscheiden welke tekens werkelijk op steun wijzen en welke slechts op een patroon wijzen; Elke leerling moet individueel en eerlijk worden benaderd. De door AI geproduceerde ‘risicotaal’ mag niet zonder twijfel worden overgenomen.
Stap voor stap: van data naar ondersteuning
- Verzamel gegevens anoniem. Organiseer gegevens zoals aanwezigheid, observatie en cijfervoortgang met "Student A/B/C" in plaats van ID-codes.
- Kortom met AI. Vat het patroon en de opmerkelijke veranderingen op fenomeenniveau samen.
- Kies borden. De deskundige bepaalt welke abstracts een interview verdienen.
- Mening. Praat met de gesignaleerde leerling; leer de context.
- Evalueer en plan. Deskundige zorgt voor betekenis en draagvlak.
- Houd het donker. Het delen van resultaten buiten ondersteuningsdoeleinden; Laat het etiket niet circuleren.
Kopieerbare sjablonen
1) Samenvatting van trackinggegevens:
Jouw rol: assistent voor het bewerken van PDR-gegevens. VOEG OORDEEL toe, label "risico" of aanbeveling. Taak: Vat de volgende anonieme verzuim-/observatiegegevens samen op FACT-niveau per leerling; Vermeld eventuele opmerkelijke WIJZIGINGEN (toename/afname). De evaluatie en beslissing zijn van mij; je maakt gewoon het patroon zichtbaar. Gegevens: [plakken anonieme gegevens]
2) Lijst met redenen voor een bijeenkomst:
Noem uit onderstaande anonieme samenvattingen feiten die aanleiding kunnen zijn voor het starten van een STEUNGESPREK. Schrijf voor elk een NEUTRALE reden van één zin (zoals 'het ziekteverzuim is de afgelopen drie weken toegenomen'). Gebruik geen labels als 'riskant/problematisch'. Samenvattingen: [anonieme samenvattingen]
3) Bewerken van de trackingtabel:
Rangschik de volgende anonieme vervolgaantekeningen in een tabel met kolommen voor datum, waargenomen fenomeen, geplande stap en resultaat. Voeg geen commentaar toe, behoud de feiten. Opmerkingen: [anonieme opmerkingen]
4) Voorbereiding vóór het interview:
Jouw rol: PDR-assistent. Ik bereid me voor op een ONDERSTEUNENDE bijeenkomst met een 14-jarige student wiens aanwezigheid is toegenomen. Stel acht voorbereidingsvragen voor die niet veroordelend zijn, een open einde hebben en de leerling niet defensief maken.
Zwakke prompt/sterke prompt
Zwak:
Kijk naar de afwezigheidslijst van deze klas en markeer leerlingen die risico lopen.
Het maakt de AI tot rechter, vraagt hem om een ‘riskant’ label te produceren, geen context en geen gesprek.
Sterk:
Jouw rol: assistent voor het bewerken van PDR-gegevens, toevoegen van het label "risico". Geef in de onderstaande anonieme verzuimgegevens een samenvatting (op fenomeenniveau) van de leerlingen die in de afgelopen drie weken SIGNIFICANTE VERANDERING hebben laten zien. Schrijf voor elk wat er is veranderd; Ik zal de opmerking en beslissing maken. Gegevens: [anonieme gegevens]
Het signaleert, het labelt niet; De beslissing ligt in handen van de deskundige.
drie minikoffers
Geval 1 — Nuttig teken. Een specialist had problemen met het bijhouden van individuele afwezigheden in een klas van 200 leerlingen. Hij liet de anonieme gegevens samenvatten door de AI; Een student die normaal gesproken onopgemerkt zou blijven en die een stille maar gestage stijging van het ziekteverzuim liet zien, viel op. De deskundige sprak; Hij ontdekte dat de student 's ochtends een transportprobleem had en kwam met een praktische oplossing. AI gaf het teken, de expert en de student bouwden de oplossing.
Geval 2 — Retourzending vanaf etiket. In één AI-samenvatting werd één leerling beschreven als “hoog risico op gedrag”; terwijl in de gegevens van de deskundige alleen het fenomeen van "verzoek om twee keer van klasse te veranderen" voorkwam. De deskundige wees dit label af, sprak met de student en ontdekte dat het verzoek voortkwam uit de wens om afstand te nemen van een groep vrienden. Het etiket zou het kind op oneerlijke wijze kunnen stigmatiseren; deskundig filter verhinderde dit.
Geval 3 — Controle van bias. Een deskundige merkte op dat de ‘risico’-lijst die de AI opstelde, onevenredig veel studenten uit een bepaalde buurt omvatte. Hij gebruikte de lijst niet, omdat hij dacht dat dit een weerspiegeling zou kunnen zijn van vooringenomenheid; in plaats daarvan paste het eerlijke, op feiten gebaseerde criteria toe op alle studenten. De steun werd dus verdeeld op basis van de werkelijke behoefte, en niet op basis van het stigma.
Veel voorkomende fouten
- De AI als ‘riskant’ bestempelen. Het ondermijnen van de rechterlijke macht naar het instrument. Oplossing: AI laat het fenomeen/de verandering zien, de expert oordeelt.
- Evaluatie zonder interview. Niet alleen maar naar de data kijken en met de student praten. Oplossing: elk teken krijgt context door een gesprek.
- Vooroordelen negeren. Het aannemen van een op patronen gebaseerde ‘risico’-lijst. Oplossing: controle over rechtvaardigheid en individualiteit.
- Het etiket verspreiden. Het delen van de lijst met "risicovolle studenten". Oplossing: beperking van privacy- en ondersteuningsdoel.
- Verwar het met een crisis. Een teken van ernstig risico behandelen als routinematige controle. Oplossing: crisisprotocol (unit 9) wordt geactiveerd.
Tabel: Teken of oordeel?
uitgang
Typ
wat te doen
"Het ziekteverzuim is de afgelopen 3 weken toegenomen"
Teken (fenomeen)
Reden voor ontmoeting
‘Deze student is riskant’
Oordeel (label)
Afwijzen, terugkeren naar de realiteit
'Cijfers dalen al twee semesters'
Teken (fenomeen)
Reden voor ontmoeting
"Zijn familie verwaarloost hem"
oordeel/gevolgtrekking
Afwijzen, terugkeren naar observatie
‘De vergaderfrequentie is afgenomen’
Teken (fenomeen)
Deskundige beoordeelt
Samengevat
Bij het volgen van studenten is AI een nuttig hulpmiddel dat verspreide gegevens samenvat en patronen zichtbaar maakt; Maar het kan de student niet beoordelen of ‘in gevaar’ verklaren. AI geeft signalen, expert construeert betekenis. Contextualiseer elk bord met een gesprek, controleer op vooringenomenheid, verspreid labels en schakel over op het crisisprotocol bij tekenen van ernstig risico. Het doel van vroegtijdige waarschuwing is niet om te stigmatiseren, maar om tijdige en eerlijke steun te bieden.
Applicatie taak
Creëer anonieme aanwezigheids-/observatiegegevens voor een fictief klaslokaal. Laat de AI samenvatten op feitenniveau met de template ‘tracking data summary’. Onderzoek de output: heeft de AI labels of oordelen over ‘risico’s/problemen’ toegevoegd? Markeer, verwijder en creëer een op feiten gebaseerde, neutrale lijst met redenen om te bespreken. Stel vervolgens de bias-vraag: stapelt de lijst zich op in een bepaald patroon?
controlelijst
- [ ] Ik heb de gegevens geanonimiseerd voordat ik ze aan de tool gaf.
- [ ] Ik heb de limiet "risicolabel/oordeel toevoegen" aan de prompt geschreven.
- [ ] Ik hield de output van de AI op feit-/tekenniveau en oordeelde zelf.
- [ ] Ik contextualiseerde elk bord met een interview.
- [ ] Ik controleerde op bias en hield de labels privé.