Zyski:
- Możliwość podsumowania danych, takich jak nieobecności, obserwacje akademickie i behawioralne przy wsparciu sztucznej inteligencji oraz przygotowania tabeli uzupełniającej i notatek z obserwacji
- Umiejętność pisania podpowiedzi, które pozostawiają decyzję ekspertowi, a jednocześnie tworzenia podsumowań ułatwiających dostrzeżenie wzorców w celu wczesnego ostrzegania
- Zrozumienie, że sztuczna inteligencja naraża ucznia na ryzyko i niebezpieczeństwo stronniczości, oraz świadomość, że wczesne ostrzeganie powinno zawsze być połączone z fachową obserwacją i wywiadem.
Jednym z ważnych zadań specjalisty PDR jest monitorowanie uczniów w czasie: wzorców frekwencji, postępów w nauce, obserwacji behawioralnych, relacji społecznych, historii rozmów kwalifikacyjnych. Monitorowanie to ma na celu wczesne rozpoznanie, kiedy uczeń może potrzebować wsparcia; Nazywa się to wczesnym ostrzeganiem. Wczesne ostrzeganie oznacza aktywowanie wsparcia w oparciu o zauważalne oznaki (nagły wzrost absencji, pogorszenie ocen, wycofanie się z pracy), zanim problem nabierze tempa. Ale ta dziedzina może być zarówno bardzo przydatna, jak i bardzo niebezpieczna: dobrze wykorzystana pozwala na dotarcie do ucznia na czas; Źle użyte, więzi ucznia w „etykiecie ryzyka”.
W tej części nauczymy się wykorzystywać sztuczną inteligencję jako pomoc, która podsumowuje rozproszone dane śledzenia i sprawia, że wzór staje się widoczny. Najważniejsza zasada: sztuczna inteligencja może wskazać wzór, ale nie może ocenić ucznia ani uznać go za „zagrożonego”. Wczesne ostrzeganie zawsze łączy się z obserwacją specjalisty i dyskusją ze studentem; Ostateczna ocena i decyzja należy do eksperta. Przypomnijmy także granicę kryzysu: jeśli dalsze dane wskazują na poważne ryzyko (np. sytuacja ucznia wskazuje na bezpośrednie niebezpieczeństwo), jest to sytuacja kryzysowa i wchodzi w grę protokół z rozdziału 9; Nie sztuczna inteligencja.
Cienka granica pomiędzy dostrzeganiem wzorców a ich etykietowaniem
Same dane śledzenia nie mają znaczenia; kontekst nadaje znaczenie. Trzytygodniowy wzrost absencji; Może to być związane z chorobą, sytuacją rodzinną lub trudnościami w szkole. AI może uwidocznić ten wzrost w tabeli lub podsumowaniu („absencja znacząco wzrosła w ciągu ostatnich trzech tygodni”); jest to przydatna wskazówka, która zwraca uwagę profesjonalisty na tego ucznia. Niebezpieczeństwo polega na tym, że sztuczna inteligencja (lub ekspert oparty na sztucznej inteligencji) przeskoczy od tego sygnału do oceny: „ten uczeń jest zagrożony/problem/zaniedbany”. Ten skok może być zarówno niewłaściwy, jak i stygmatyzujący ucznia.
Zasada: sygnały AI, eksperci konstruują znaczenie. Podsumowanie jest uzasadnieniem rozpoczęcia rozmowy, a nie zakończeniem. Żaden znak nie staje się oceną bez rozmowy z uczniem.
Kolejną subtelnością jest ostrożność podczas łączenia źródeł danych. Obecność, tendencje w ocenach i monitorowanie zachowania mają indywidualne znaczenie, ale połączenie ich przez sztuczną inteligencję w jedną „ocenę ryzyka” wprowadza w błąd. Absencja ucznia mogła wzrosnąć ze względu na przewlekłą chorobę; Nie jest to oznaką niepowodzeń w nauce. Upchanie różnych typów danych w jedną liczbę zaciemnia rzeczywistość ucznia i tworzy fałszywe ustalanie priorytetów. Właściwym podejściem jest traktowanie każdego rodzaju danych jako osobnego „znaku” i pozostawienie całości interpretacji eksperta. Sztuczna inteligencja może gromadzić dane; nie powinien jednak skupiać się na łączeniu ich w jeden wyrok. Podobnie ważne jest również „jak długo” trwa znak: tygodniowa fluktuacja i trend trwający trzy miesiące mają bardzo różne znaczenia, a odczytanie tego wymiaru czasowego ponownie należy do eksperta.
Przestroga: Wydruk wymieniający ucznia jako „zagrożonego” może trwale wpłynąć na jego postrzeganie w szkole. Aby zapobiec przedostaniu się takich etykiet do obiegu, wydruki wczesnego ostrzegania powinny być traktowane jako poufne i wykorzystywane wyłącznie w celach pomocniczych i pod nadzorem ekspertów.
Błąd: liczy się to, kto liczy się jako „ryzyko”.
Stronniczość we wczesnym ostrzeganiu jest poważnym problemem związanym z wymiarem sprawiedliwości. Jeśli system (lub brief dotyczący sztucznej inteligencji) w nieproporcjonalny sposób oznaczy uczniów z określonej grupy społeczno-ekonomicznej, określonego sąsiedztwa lub określonych wzorców zachowań jako „zagrożonych”, instytucjonalizuje to uprzedzenia. Ekspert musi rozróżnić, które znaki rzeczywiście wskazują na wsparcie, a które jedynie na wzór; Do każdego ucznia należy podchodzić indywidualnie i sprawiedliwie. Nie należy przyjmować bez kwestionowania języka „ryzyka” stworzonego przez sztuczną inteligencję.
Krok po kroku: od danych do wsparcia
- Zbieraj dane anonimowo. Organizuj dane, takie jak frekwencja, obserwacje i postępy w ocenach, używając „Student A/B/C” zamiast kodów identyfikacyjnych.
- Podsumowując z AI. Podsumuj wzór i zauważalne zmiany na poziomie zjawiska.
- Wybierz znaki. Ekspert decyduje, które streszczenia zasługują na wywiad.
- Opinia. Porozmawiaj z sygnalizowanym uczniem; naucz się kontekstu.
- Oceniaj i planuj. Ekspert ustala znaczenie i wsparcie.
- Zachowaj ciemność. Udostępnianie wyników poza celami wsparcia; Nie rozpowszechniaj etykiety.
Szablony do kopiowania
1) Podsumowanie danych śledzenia:
Twoja rola: Asystent edycji danych PDR. DODAJ OCEnę, etykietę „ryzyko” lub zalecenie. Zadanie: Podsumuj następujące anonimowe dane dotyczące nieobecności/obserwacji na poziomie FAKTÓW według ucznia; Podaj wszelkie zauważalne ZMIANY (wzrost/spadek). Ocena i decyzja należą do mnie; po prostu sprawiasz, że wzór staje się widoczny. Dane: [wklej anonimowe dane]
2) Lista powodów spotkania:
Z anonimowych podsumowań poniżej wypisz fakty, które mogą stanowić podstawę do rozpoczęcia ROZMOWY WSPARCIA. Dla każdego z nich napisz jedno zdanie NEUTRALNY powód (np. „wzrosła absencja w ciągu ostatnich trzech tygodni”). Nie używaj etykiet takich jak „ryzykowny/problematyczny”. Streszczenia: [anonimowe streszczenia]
3) Edycja tabeli śledzenia:
Ułóż poniższe anonimowe notatki uzupełniające w tabeli zawierającej kolumny zawierające datę, zaobserwowane zjawisko, planowany krok i wynik. Nie dodawaj komentarzy, zachowaj fakty. Uwagi: [notatki anonimowe]
4) Przygotowanie przed rozmową kwalifikacyjną:
Twoja rola: asystent PDR. Przygotowuję się do spotkania WSPARCIA z 14-letnim uczniem, którego frekwencja wzrosła. Zaproponuj 8 pytań przygotowawczych, które nie są oceniające, otwarte i nie powodują, że uczeń przyjmuje postawę obronną.
Słaba zachęta/silna zachęta
Słabe:
Spójrz na listę nieobecności tej klasy i zaznacz uczniów zagrożonych.
Czyni to sztuczną inteligencję sędzią, prosi ją o stworzenie „ryzykownej” etykiety, bez kontekstu i bez rozmowy.
Mocny:
Twoja rola: Asystent edycji danych PDR, dodawanie etykiety „ryzyko”. W anonimowych danych dotyczących nieobecności poniżej podsumuj (na poziomie zjawiska) uczniów, którzy wykazali ZNACZĄCĄ ZMIANĘ w ciągu ostatnich 3 tygodni. Dla każdego napisz, co się zmieniło; Podejmę decyzję i komentarz. Dane: [dane anonimowe]
Sygnalizuje, nie etykietuje; Decyzja jest w rękach eksperta.
trzy mini etui
Przypadek 1 – Pomocny znak. Specjalista miał trudności ze śledzeniem poszczególnych nieobecności w klasie liczącej 200 uczniów. Miał anonimowe dane podsumowane przez sztuczną inteligencję; Wyróżniał się student, który normalnie pozostałby niezauważony i który wykazywał cichy, ale stały wzrost absencji. Ekspert mówił; Rano dowiedział się, że uczeń miał problem z transportem i przedstawił praktyczne rozwiązanie. AI dała znak, ekspert i uczeń zbudowali rozwiązanie.
Przypadek 2 – Powrót z etykiety. W jednym podsumowaniu AI opisano jednego ucznia jako „wysokiego ryzyka w zachowaniu”; natomiast w opinii biegłego wystąpiło jedynie zjawisko „dwukrotnej prośby o zmianę klasy”. Ekspert odrzucił tę etykietę, rozmawiał ze studentką i stwierdził, że prośba wynikała z chęci zdystansowania się od grupy znajomych. Etykieta mogłaby niesprawiedliwie napiętnować dziecko; filtr ekspercki zapobiegł temu.
Przypadek 3 – Kontrola stronniczości. Ekspert zauważył, że lista „ryzyka” tworzona przez sztuczną inteligencję w nieproporcjonalny sposób obejmowała uczniów z określonej dzielnicy. Nie korzystał z tej listy, uważając, że może to odzwierciedlać stronniczość; zamiast tego wobec wszystkich uczniów zastosował uczciwe, oparte na faktach kryteria. W ten sposób wsparcie było rozdzielane według rzeczywistych potrzeb, a nie piętna.
Typowe błędy
- Czynienie znaku AI „ryzykownym”. Przekształcenie wymiaru sprawiedliwości w narzędzie. Rozwiązanie: AI pokazuje zjawisko/zmianę, ekspert dokonuje oceny.
- Ocena bez rozmowy kwalifikacyjnej. Nie tylko przeglądanie danych i rozmowa z uczniem. Rozwiązanie: każdy znak zyskuje kontekst poprzez rozmowę.
- Ignorowanie uprzedzeń. Przyjęcie listy „ryzyka” opartej na wzorcach. Rozwiązanie: kontrola sprawiedliwości i indywidualności.
- Rozpowszechnianie etykiety. Udostępnianie listy „ryzykownych uczniów”. Rozwiązanie: limit celu dotyczący prywatności i wsparcia.
- Mylisz to z kryzysem. Traktowanie oznak poważnego zagrożenia jako rutynowego monitorowania. Rozwiązanie: aktywowano protokół kryzysowy (jednostka 9).
Tabela: Znak czy wyrok?
wyjście
Wpisz
co robić
„W ciągu ostatnich 3 tygodni wzrosła absencja”
Znak (zjawisko)
Powód spotkania
„Ten uczeń jest ryzykowny”
Wyrok (etykieta)
Odrzuć, wróć do rzeczywistości
„Oceny spadają od dwóch semestrów”
Znak (zjawisko)
Powód spotkania
„Rodzina go zaniedbuje”
osąd/wnioskowanie
Odrzuć, wróć do obserwacji
„Spadła częstotliwość spotkań”
Znak (zjawisko)
Ekspert ocenia
Podsumowując
W śledzeniu uczniów sztuczna inteligencja jest użyteczną pomocą, która podsumowuje rozproszone dane i uwidacznia wzorce; Nie może jednak ocenić ucznia ani stwierdzić, że jest on „zagrożony”. AI daje sygnały, eksperci konstruują znaczenie. Dostosuj każdy znak do kontekstu za pomocą rozmowy, sprawdź, czy nie ma stronniczości, rozpowszechniaj etykiety i przełącz się na protokół kryzysowy w przypadku oznak poważnego ryzyka. Celem wczesnego ostrzegania nie jest stygmatyzacja, ale zapewnienie terminowego i sprawiedliwego wsparcia.
Zadanie aplikacji
Twórz anonimowe dane dotyczące obecności/obserwacji dla fikcyjnej klasy. Poproś sztuczną inteligencję o podsumowanie na poziomie faktów za pomocą szablonu „podsumowania danych śledzenia”. Sprawdź wyniki: czy sztuczna inteligencja dodała jakieś etykiety lub oceny „ryzyka/problemu”? Zaznacz, usuń i utwórz opartą wyłącznie na faktach, neutralną listę powodów do dyskusji. Następnie zadaj pytanie o stronniczość: czy lista układa się według określonego wzoru?
lista kontrolna
- [ ] Zanonimizowałem dane przed przekazaniem ich do narzędzia.
- [ ] W wierszu napisałem limit „dodaj etykietę/ocenę ryzyka”.
- [ ] Zachowałem wyniki sztucznej inteligencji na poziomie faktu/znaku i samodzielnie dokonuję oceny.
- [ ] Opisałem każdy znak w kontekście wywiadu.
- [ ] Sprawdziłem, czy nie ma stronniczości i zachowałem poufność etykiet.