Прибыль:
- Способность обобщать такие данные, как отсутствие, академические и поведенческие наблюдения, с поддержкой искусственного интеллекта, а также готовить последующую таблицу и записи наблюдений.
- Умение писать подсказки, оставляющие решение на усмотрение эксперта, при этом создавая сводки, которые облегчают выявление закономерностей для раннего предупреждения.
- Понимание того, что искусственный интеллект подвергает учащегося риску и опасности предвзятости, а также способность видеть, что раннее предупреждение всегда должно сочетаться с экспертным наблюдением и интервью.
Одной из важных задач специалиста по PDR является постоянное наблюдение за учащимися: посещаемость, академический прогресс, наблюдения за поведением, социальные отношения, история собеседований. Этот мониторинг направлен на раннее определение того, когда учащемуся может потребоваться поддержка; Это называется ранним предупреждением. Раннее предупреждение означает активацию поддержки на основе наблюдаемых признаков (внезапное увеличение прогулов, падение оценок, уход) до того, как проблема обострится. Но это поле может быть как очень полезным, так и очень опасным: при правильном использовании оно позволяет вовремя добраться до студента; При неправильном использовании он ставит студента в ловушку «ярлыка риска».
В этом модуле мы научимся использовать ИИ в качестве вспомогательного средства, которое суммирует разрозненные данные отслеживания и делает закономерность видимой. Самый важный принцип: ИИ может указать на закономерность, но не может оценить ученика или объявить его «находящимся в группе риска». Раннее предупреждение всегда сочетается с наблюдением специалиста и обсуждением его со студентом; Окончательная оценка и решение остается за экспертом. Напомним также границу кризиса: если данные наблюдения указывают на серьезный риск (например, ситуация студента указывает на непосредственную опасность), то это кризисная ситуация и в действие вступает протокол в блоке 9; Не ИИ.
Тонкая грань между наблюдением закономерностей и их маркировкой
Отслеживание данных само по себе не имеет смысла; контекст придает значение. Трехнедельное увеличение прогулов; Это может быть связано с болезнью, семейной ситуацией или трудностями в школе. ИИ может сделать это увеличение видимым в таблице или сводке («прогулы значительно увеличились за последние три недели»); это полезный сигнал, который привлекает внимание профессионала к этому ученику. Опасность в том, что ИИ (или эксперт, основанный на ИИ) от этого сигнала перескочит к суждению: «этот студент находится в группе риска/проблеме/забытом». Этот прыжок может быть как неправильным, так и стигматизировать ученика.
Правило: сигналы ИИ, значение экспертных конструктов. Краткое содержание — это повод для начала разговора, а не заключение. Ни один знак не станет оценкой без разговора с учеником.
Еще одна тонкость — будьте осторожны при объединении источников данных. Посещаемость, динамика оценок и мониторинг поведения имеют индивидуальное значение, но объединение их ИИ в единую «оценку риска» вводит в заблуждение. Число прогулов учащегося могло увеличиться из-за того, что он или она страдает хроническим заболеванием; Это не признак академической неудачи. Сжатие различных типов данных в одно число скрывает реальность учащегося и создает ложную расстановку приоритетов. Правильный подход — рассматривать каждый тип данных как отдельный «знак» и предоставлять интерпретацию эксперту в целом. ИИ может сопоставлять данные; но он не должен объединять их в одно суждение. Точно так же важно и то, «как долго» длится тот или иной знак: недельное колебание и трехмесячный тренд имеют совершенно разные значения, и эксперт снова должен определить это временное измерение.
Внимание: распечатка, в которой учащийся указан как «группа риска», может навсегда повлиять на восприятие этого ребенка в школе. Чтобы предотвратить попадание таких этикеток в обращение, распечатки раннего предупреждения следует сохранять конфиденциальными и использовать только в вспомогательных целях и под наблюдением экспертов.
Предвзятость: имеет значение, кто считается «риском»
Предвзятость в раннем предупреждении является серьезной проблемой правосудия. Если система (или краткий обзор ИИ) непропорционально помечает студентов из определенной социально-экономической группы, определенного района или определенных моделей поведения как «подверженных риску», это институционализирует предвзятость. Эксперт должен различать, какие признаки действительно указывают на поддержку, а какие просто указывают на закономерность; К каждому студенту следует подходить индивидуально и справедливо. Язык «риска», созданный ИИ, не следует принимать без вопросов.
Шаг за шагом: от данных к поддержке
- Собирайте данные анонимно. Организуйте такие данные, как посещаемость, наблюдение и успеваемость, с помощью «Студент A/B/C» вместо идентификационных кодов.
- В заключение с ИИ. Кратко опишите закономерности и заметные изменения на уровне явления.
- Выбирайте знаки. Эксперт решает, какие тезисы заслуживают интервью.
- Мнение. Поговорите с учеником, которому подан сигнал; изучить контекст.
- Оценивайте и планируйте. Эксперт устанавливает смысл и поддержку.
- Держите это в темноте. Совместное использование результатов за пределами целей поддержки; Не распространяйте этикетку.
Копируемые шаблоны
1) Сводка данных отслеживания:
Ваша роль: Помощник по редактированию данных PDR. ДОБАВИТЬ СУЖДЕНИЕ, ярлык «риск» или рекомендацию. Задача: Обобщить следующие анонимные данные об отсутствии/наблюдении на уровне ФАКТА учащимся; Укажите любые заметные ИЗМЕНЕНИЯ (увеличение/уменьшение). Оценка и решение принадлежат мне; вы просто делаете шаблон видимым. Данные: [вставить анонимные данные]
2) Список причин встречи:
Из приведенных ниже анонимных резюме перечислите факты, которые могут послужить основанием для начала РАЗГОВОРА В ПОДДЕРЖКУ. Напишите НЕЙТРАЛЬНУЮ причину в одном предложении для каждого из них (например, «участилось количество прогулов за последние три недели»). Не используйте ярлыки типа «рискованно/проблемно». Резюме: [анонимные резюме]
3) Редактирование таблицы отслеживания:
Составьте следующие анонимные последующие заметки в таблицу с столбцами для даты, наблюдаемого явления, запланированного шага и результата. Не добавляйте комментарии, сохраняйте факты. Примечания: [анонимные примечания]
4) Подготовка перед собеседованием:
Ваша роль: помощник PDR. Готовлюсь к ПОДДЕРЖИВАТЕЛЬНОЙ встрече с учеником 14 лет, посещаемость которого увеличилась. Предложите 8 подготовительных вопросов, которые не являются осуждающими, открытыми и не заставляют учащегося защищаться.
Слабая подсказка / Сильная подсказка
Слабый:
Посмотрите на список пропусков этого класса, отметьте учеников из группы риска.
Он делает ИИ судьей, просит его дать ярлык «рискованно», без контекста и без разговоров.
Сильный:
Ваша роль: Помощник по редактированию данных PDR, добавление метки «риск». В приведенных ниже анонимных данных об отсутствии суммируйте (на уровне феномена) учащихся, у которых наблюдались ЗНАЧИТЕЛЬНЫЕ ИЗМЕНЕНИЯ за последние 3 недели. По каждому просто напишите, что изменилось; Я вынесу комментарий и решение.Данные: [анонимные данные]
Оно сигнализирует, а не навешивает ярлыки; Решение находится в руках эксперта.
три мини-кейса
Случай 1 — Полезный знак. У специалиста возникли трудности с отслеживанием индивидуальных пропусков занятий в классе из 200 учеников. У него были анонимные данные, обобщенные ИИ; Выделился студент, который обычно оставался бы незамеченным и который демонстрировал тихий, но устойчивый рост пропусков занятий. Эксперт говорил; Он узнал, что утром у студента возникла проблема с транспортом, и предложил практическое решение. ИИ дал знак, эксперт и ученик выстроили решение.
Случай 2 — Возврат с метки. В одном из обзоров ИИ один студент описывался как «высокий риск поведения»; тогда как в данных эксперта имелся лишь феномен «двойной просьбы сменить класс». Эксперт отверг этот ярлык, поговорил со студентом и обнаружил, что просьба вызвана желанием дистанцироваться от группы друзей. Ярлык может несправедливо стигматизировать ребенка; Экспертный фильтр предотвратил это.
Случай 3 — Проверка смещения. Эксперт заметил, что список «рисков», составленный ИИ, непропорционально включает студентов из определенного района. Он не использовал список, полагая, что это может отражать предвзятость; вместо этого ко всем учащимся применялись справедливые, основанные на фактах критерии. Таким образом, поддержка распределялась в соответствии с реальными потребностями, а не стигмой.
Распространенные ошибки
- Ставить ИИ пометку «рискованно». Превращение судебной власти в инструмент. Решение: ИИ показывает явление/изменение, эксперт выносит суждение.
- Оценка без собеседования. Не просто смотреть на данные и разговаривать со студентом. Решение: каждый знак приобретает контекст посредством разговора.
- Игнорирование предвзятости. Принятие списка «рисков» на основе шаблонов. Решение: контроль справедливости и индивидуальности.
- Распространение этикетки. Делюсь списком «рискованных студентов». Решение: ограничение целей конфиденциальности и поддержки.
- Спутать это с кризисом. Относитесь к признаку серьезного риска как к обычному мониторингу. Решение: активирован кризисный протокол (блок 9).
Таблица: Знак или приговор?
вывод
Тип
что делать
«За последние 3 недели увеличилось количество прогулов»
Знак (явление)
Причина встречи
«Этот студент опасен»
Решение (ярлык)
Отвергнуть, вернуться в реальность
«Оценки падают уже два семестра»
Знак (явление)
Причина встречи
«Его семья пренебрегает им»
суждение/вывод
Отклонить, вернуться к наблюдению
«Частота встреч снизилась»
Знак (явление)
Эксперт оценивает
В заключение
При отслеживании учащихся ИИ является полезным помощником, который суммирует разрозненные данные и делает видимыми закономерности; Но он не может оценить студента или объявить его «находящимся в группе риска». ИИ подает сигналы, эксперт конструирует смысл. Контекстуализируйте каждый признак в ходе беседы, проверяйте на предмет предвзятости, распространяйте ярлыки и переключайтесь на кризисный протокол при признаках серьезного риска. Цель раннего предупреждения – не стигматизировать, а обеспечить своевременную и справедливую поддержку.
Задача приложения
Создайте анонимные данные о посещаемости/наблюдении для вымышленного класса. Попросите ИИ подвести итоги на уровне фактов с помощью шаблона «сводка данных отслеживания». Изучите выходные данные: добавил ли ИИ какие-либо ярлыки или суждения «риск/проблема»? Отметьте, удалите и создайте нейтральный список причин для обсуждения, содержащий только факты. Затем задайте предвзятый вопрос: составлен ли список по определенному шаблону?
контрольный список
- [ ] Я анонимизировал данные перед передачей их инструменту.
- [ ] Я написал в приглашении ограничение «добавить метку риска/суждение».
- [ ] Я сохранил вывод ИИ на уровне фактов/знаков, принимая решение самостоятельно.
- [ ] Я контекстуализировал каждый знак в интервью.
- [ ] Я проверял на предвзятость и сохранял конфиденциальность ярлыков.