zisky:
- Schopnosť sumarizovať údaje, ako je absencia, akademické pozorovanie a pozorovanie správania s podporou umelej inteligencie a pripraviť tabuľku a poznámky k pozorovaniu
- Schopnosť písať výzvy, ktoré nechávajú rozhodnutie na odborníkovi a zároveň vytvárať súhrny, ktoré uľahčujú rozpoznanie vzorcov pre včasné varovanie
- Pochopenie, že umelá inteligencia redukuje študenta na riziko a nebezpečenstvo zaujatosti, a schopnosť vidieť, že včasné varovanie by malo byť vždy spojené s odborným pozorovaním a rozhovorom.
Jednou z dôležitých úloh profesionála PDR je sledovať študentov v priebehu času: vzorce dochádzky, akademický pokrok, pozorovanie správania, sociálne vzťahy, históriu rozhovorov. Cieľom tohto monitorovania je včas rozpoznať, kedy môže študent potrebovať podporu; Toto sa nazýva včasné varovanie. Včasné varovanie znamená aktivovať podporu na základe pozorovateľných znakov (náhly nárast absencií, klesajúce známky, odstúpenie od zmluvy) pred eskaláciou problému. Ale toto pole môže byť veľmi užitočné a zároveň veľmi nebezpečné: ak sa dobre používa, umožňuje zastihnúť študenta včas; Ak sa používa zle, uväzňuje študenta v „rizikovej nálepke“.
V tejto jednotke sa naučíme používať AI ako pomôcku, ktorá sumarizuje rozptýlené údaje o sledovaní a zviditeľňuje vzor. Najkritickejší princíp: AI môže poukázať na vzorec, ale nemôže študenta hodnotiť ani ho vyhlásiť za „ohrozeného“. Včasné varovanie je vždy spojené s pozorovaním odborníka a diskusiou so študentom; Konečné hodnotenie a rozhodnutie je na odborníkovi. Pripomeňme si aj hranicu krízy: ak následný údaj naznačuje vážne riziko (napríklad situácia študenta naznačuje bezprostredné nebezpečenstvo), ide o krízovú situáciu a prichádza na rad protokol v 9. bloku; Nie AI.
Tenká hranica medzi videním vzorov a ich označovaním
Samotné sledovanie údajov nemá zmysel; kontext dáva zmysel. Trojtýždňový nárast absencií; Môže to súvisieť s chorobou, rodinnou situáciou alebo ťažkosťami v škole. AI môže tento nárast zviditeľniť v tabuľke alebo zhrnutí („absencia sa výrazne zvýšila za posledné tri týždne“); toto je užitočná narážka, ktorá upriami pozornosť odborníka na daného študenta. Nebezpečenstvo spočíva v tom, že AI (alebo odborník na základe AI) preskočí z tohto signálu na úsudok: „tento študent je ohrozený/problém/zanedbaný“. Tento skok môže byť chybný a zároveň môže študenta stigmatizovať.
Pravidlo: AI signály, expertné konštrukcie význam. Zhrnutie je odôvodnením začatia rozhovoru, nie záverom. Žiadny znak sa nestane hodnotením bez rozhovoru so študentom.
Ďalšou jemnosťou je byť opatrný pri kombinovaní zdrojov údajov. Dochádzka, trend známok a monitorovanie správania sú individuálne zmysluplné, ale ak ich AI kombinuje ako jediné „skóre rizika“, je zavádzajúce. Absencia študenta sa mohla zvýšiť, pretože má chronický zdravotný stav; To nie je znak akademického zlyhania. Vtesnanie rôznych typov údajov do jedného čísla zatemňuje realitu učiaceho sa a vytvára nesprávne priority. Správny prístup je vidieť každý typ údajov ako samostatné „znamenie“ a nechať celok na výklad odborníka. AI môže porovnávať údaje; ale nemalo by to robiť prácu, ktorá by ich zvarila do jedného rozsudku. Rovnako dôležité je aj to, „ako dlho“ znamenie vydrží: týždenný výkyv a trend trvajúci tri mesiace majú veľmi rozdielne významy a je opäť na odborníkovi, či tento časový rozmer prečíta.
Upozornenie: Výtlačok, ktorý uvádza študenta ako „ohrozeného“, môže trvalo ovplyvniť vnímanie dieťaťa v škole. Aby sa takéto štítky nedostali do obehu, výtlačky včasného varovania by sa mali uchovávať v tajnosti a mali by sa používať iba na účely podpory a pod odborným dohľadom.
Zaujatosť: záleží na tom, kto sa považuje za „riziko“.
Zaujatosť včasného varovania je vážnym problémom spravodlivosti. Ak systém (alebo skratka AI) neúmerne označí študentov z určitej sociálno-ekonomickej skupiny, určitého susedstva alebo určitých vzorcov správania ako „ohrozených“, inštitucionalizuje to zaujatosť. Odborník musí rozlíšiť, ktoré znaky skutočne naznačujú podporu a ktoré iba poukazujú na vzor; Ku každému žiakovi treba pristupovať individuálne a férovo. „Rizikový“ jazyk produkovaný AI by sa nemal osvojiť bez otázok.
Krok za krokom: od údajov k podpore
- Zbierajte údaje anonymne. Usporiadajte údaje, ako je dochádzka, pozorovanie a postup v známke, pomocou „Študent A/B/C“ namiesto ID kódov.
- V súhrne s AI. Zhrňte vzorec a pozoruhodné zmeny na úrovni javu.
- Vyberte si znamenia. Odborník rozhodne, ktoré abstrakty si zaslúžia rozhovor.
- Stanovisko. Porozprávajte sa so signalizovaným študentom; naučiť sa súvislosti.
- Hodnotiť a plánovať. Expert stanovuje význam a podporu.
- Udržujte v tme. Zdieľanie výstupov mimo podporných účelov; Nedávajte štítok do obehu.
Kopírovateľné šablóny
1) Súhrn údajov sledovania:
Vaša úloha: Asistent úpravy údajov PDR. PRIDAJTE ÚSUDOK, označenie „riziko“ alebo odporúčanie. Úloha: Zhrňte nasledujúce anonymné údaje o absencii/pozorovaní na úrovni FACT podľa študentov; Uveďte všetky významné ZMENY (zvýšenie/zníženie). Hodnotenie a rozhodnutie sú moje; iba zviditeľníte vzor. Údaje: [prilepiť anonymné údaje]
2) Zoznam dôvodov stretnutia:
Z nižšie uvedených anonymných súhrnov uveďte skutočnosti, ktoré môžu byť dôvodom na začatie KONVERZÁCIE PODPORY. Ku každému napíšte NEUTRÁLNY dôvod v jednej vete (napríklad „neprítomnosť sa za posledné tri týždne zvýšila“). Nepoužívajte označenia ako „rizikové/problémové“. Súhrny: [anonymné súhrny]
3) Úprava tabuľky sledovania:
Usporiadajte nasledujúce anonymné poznámky o následných opatreniach do tabuľky so stĺpcami pre dátum, pozorovaný jav, plánovaný krok a výsledok. Nepridávajte komentáre, zachovávajte fakty.Poznámky: [anonymné poznámky]
4) Príprava pred pohovorom:
Vaša úloha: asistent PDR. Pripravujem sa na PODPORNÉ stretnutie so 14-ročnou študentkou, ktorej návštevnosť sa zvýšila. Navrhnite 8 prípravných otázok, ktoré nesúdia, sú otvorené a nenútia študenta brániť sa.
Slabá výzva / Silná výzva
slabé:
Pozrite si zoznam absencií tejto triedy a označte rizikových študentov.
Robí z AI sudcu, žiada ju, aby vytvorila „rizikové“ označenie, bez kontextu a bez konverzácie.
Silný:
Vaša rola: Asistent úpravy údajov PDR, pridanie štítku „riziko“. V nižšie uvedených anonymných údajoch o absencii zhrňte (na úrovni javov) študentov, u ktorých sa za posledné 3 týždne prejavila VÝZNAMNÁ ZMENA. Ku každému stačí napísať, čo sa zmenilo; Urobím komentár a rozhodnutie. Údaje: [anonymné údaje]
Signalizuje, neoznačuje; Rozhodnutie je v rukách odborníka.
tri mini prípady
Prípad 1 – Užitočné znamenie. Špecialista mal problém sledovať jednotlivé absencie v triede 200 študentov. Anonymné údaje nechal zosumarizovať AI; Študent, ktorý by za normálnych okolností zostal nepovšimnutý, ktorý vykazoval tichý, ale stabilný nárast absencií, vyčnieval. Expert hovoril; Dozvedel sa, že študent mal ráno problém s dopravou a vytvoril praktické riešenie. AI dala znamenie, expert a študent vytvorili riešenie.
Prípad 2 – Návrat zo štítku. Jedno zhrnutie AI opísalo jedného študenta ako „vysoké riziko správania“; pričom v údajoch odborníka sa vyskytol len fenomén „požiadavka na zmenu triedy dvakrát“. Odborník toto označenie odmietol, porozprával sa so študentom a zistil, že požiadavka pramení z túžby dištancovať sa od skupiny priateľov. Označenie by mohlo dieťa nespravodlivo stigmatizovať; expertný filter tomu zabránil.
Prípad 3 – Kontrola zaujatosti. Expert si všimol, že „rizikový“ zoznam, ktorý vytvorila AI, neúmerne zahŕňal študentov z konkrétnej štvrte. Nepoužil zoznam, pretože si myslel, že by to mohlo odrážať zaujatosť; namiesto toho uplatňovala na všetkých študentov spravodlivé kritériá založené na faktoch. Podpora sa teda rozdeľovala podľa skutočnej potreby, nie podľa stigmy.
Časté chyby
- Označenie AI je „rizikové“. Podvracanie súdnictva nástrojom. Riešenie: AI ukazuje jav/zmenu, úsudok robí odborník.
- Hodnotenie bez rozhovoru. Nielen pozerať sa na dáta a rozprávať sa so študentom. Riešenie: každý znak získava kontext prostredníctvom rozhovoru.
- Ignorovanie zaujatosti. Prijatie zoznamu „rizikov“ založeného na vzoroch. Riešenie: kontrola spravodlivosti a individuality.
- Obeh štítku. Zdieľanie zoznamu „rizikových študentov“. Riešenie: obmedzenie účelu ochrany súkromia a podpory.
- Zamieňať si to s krízou. Liečba príznaku vážneho rizika ako rutinné monitorovanie. Riešenie: krízový protokol (jednotka 9) je aktivovaný.
Tabuľka: Znamenie alebo súd?
výstup
Typ
čo robiť
"Neprítomnosť sa za posledné 3 týždne zvýšila"
znamenie (fenomén)
Dôvod stretnutia
"Tento študent je riskantný"
Rozsudok (štítok)
Odmietnuť, vrátiť sa do reality
"Známky klesajú už dva semestre"
znamenie (fenomén)
Dôvod stretnutia
"Jeho rodina ho zanedbáva"
úsudok/úsudok
Odmietnuť, vrátiť sa k pozorovaniu
"Frekvencia stretnutí sa znížila"
znamenie (fenomén)
Expert hodnotí
V súhrne
Pri sledovaní študentov je AI užitočnou pomôckou, ktorá sumarizuje rozptýlené údaje a zviditeľňuje vzory; Ale nemôže študenta hodnotiť ani ho vyhlásiť za „rizikového“. AI dáva signály, expert vytvára význam. Kontextualizujte každý znak konverzáciou, skontrolujte zaujatosť, rozšírte štítky a prepnite na krízový protokol pri príznakoch vážneho rizika. Účelom včasného varovania nie je stigmatizovať, ale poskytnúť včasnú a spravodlivú podporu.
Aplikačná úloha
Vytvorte anonymné údaje o dochádzke/pozorovaní pre fiktívnu triedu. Nechajte AI zhrnúť na úrovni faktov pomocou šablóny „súhrn údajov sledovania“. Preskúmajte výstup: Pridala AI nejaké označenia alebo úsudky „riziko/problém“? Označte, odstráňte a vytvorte neutrálny zoznam dôvodov na diskusiu založený len na faktoch. Potom položte zaujatú otázku: skladá sa zoznam podľa určitého vzoru?
kontrolný zoznam
- [ ] Údaje som pred odovzdaním nástroju anonymizoval.
- [ ] Do výzvy som napísal limit „pridať označenie rizika/rozsudok“.
- [ ] Ponechal som výstup AI na úrovni fakt/znamenie, pričom som si urobil úsudok sám.
- [ ] Každý znak som uviedol do kontextu rozhovorom.
- [ ] Skontroloval som zaujatosť a ponechal som štítky ako súkromné.