Dobički:
- Sposobnost povzemanja podatkov, kot so odsotnost, akademsko in vedenjsko opazovanje s podporo umetne inteligence ter priprava tabele za spremljanje in opazovanja
- Sposobnost pisanja pozivov, ki prepuščajo odločitev strokovnjaku, medtem ko ustvarjajo povzetke, ki olajšajo odkrivanje vzorcev za zgodnje opozarjanje
- Razumevanje, da umetna inteligenca študenta zmanjša na tveganje in nevarnost pristranskosti, in sposobnost uvida, da je treba zgodnje opozarjanje vedno kombinirati s strokovnim opazovanjem in intervjujem.
Ena od pomembnih nalog strokovnjaka za PDR je spremljanje študentov skozi čas: vzorce prisotnosti, akademski napredek, vedenjska opažanja, socialne odnose, zgodovino intervjujev. Namen tega spremljanja je zgodaj prepoznati, kdaj študent morda potrebuje podporo; To se imenuje zgodnje opozorilo. Zgodnje opozarjanje pomeni aktiviranje podpore na podlagi opaznih znakov (nenaden porast odsotnosti, padanje ocen, odpis), preden se težava stopnjuje. Toda to področje je lahko zelo uporabno in zelo nevarno: če se dobro uporablja, omogoča pravočasno doseganje študenta; Če se uporablja slabo, študenta ujame v »oznako tveganja«.
V tej enoti se bomo naučili uporabljati AI kot pomoč, ki povzema razpršene podatke sledenja in naredi vzorec viden. Najbolj kritično načelo: umetna inteligenca lahko opozori na vzorec, ne more pa študenta oceniti ali ga razglasiti za "ogroženega". Zgodnje opozarjanje je vedno združeno s specialistovim opazovanjem in pogovorom s študentom; Končna ocena in odločitev je v rokah strokovnjaka. Spomnimo se še na krizno mejo: če naknadni podatki kažejo na resno tveganje (npr. situacija študenta nakazuje neposredno nevarnost), je to krizna situacija in pride v poštev protokol v 9. enoti; Ne AI.
Tanka meja med videnjem vzorcev in njihovim označevanjem
Samo sledenje podatkov ni smiselno; kontekst daje pomen. Tritedensko povečanje absentizma; Lahko je povezano z boleznijo, družinskimi razmerami ali težavami v šoli. AI lahko to povečanje prikaže v tabeli ali povzetku (»odsotnost z dela se je v zadnjih treh tednih znatno povečala«); to je uporaben znak, ki strokovnjaka pritegne pozornost na tega študenta. Nevarnost je, da bo umetna inteligenca (ali strokovnjak, ki temelji na umetni inteligenci) preskočil s tega signala na presojo: "ta študent je v nevarnosti/težavi/zanemarjen." Ta skok je lahko napačen in študenta stigmatizira.
Pravilo: AI signalizira, strokovnjak konstruira pomen. Povzetek je utemeljitev za začetek pogovora in ne zaključek. Noben znak ne postane ocena brez pogovora s študentom.
Druga subtilnost je, da bodite previdni pri kombiniranju virov podatkov. Prisotnost, trend ocene in spremljanje vedenja so posamično pomembni, vendar je zavajajoče, če jih AI združi v en sam »rezultat tveganja«. Študentov izostanek od pouka se je morda povečal, ker ima on ali ona kronično zdravstveno stanje; To ni znak akademskega neuspeha. Zgoščevanje različnih vrst podatkov v eno številko zamegli realnost učenca in ustvari napačno prednostno razvrščanje. Pravilen pristop je, da vsako vrsto podatkov vidimo kot ločen »znak« in vse prepustimo interpretaciji strokovnjaka. AI lahko primerja podatke; vendar jih ne bi smel združiti v eno samo sodbo. Prav tako je pomembno, »kako dolgo« traja znak: enotedensko nihanje in trimesečni trend imata zelo različen pomen in to časovno razsežnost je spet stvar strokovnjaka.
Pozor: Izpis, ki učenca navaja kot »ogroženega«, lahko trajno vpliva na otrokovo dojemanje v šoli. Da bi preprečili, da bi takšne nalepke prišle v obtok, je treba izpise zgodnjih opozoril hraniti zaupne in jih uporabljati samo za namene podpore in pod strokovnim nadzorom.
Pristranskost: pomembno je, kdo šteje za "tveganje".
Pristranskost pri zgodnjem opozarjanju je resno vprašanje pravosodja. Če sistem (ali navodilo za umetno inteligenco) študente iz določene socialno-ekonomske skupine, določene soseske ali določene vedenjske vzorce nesorazmerno označi kot »ogrožene«, to institucionalizira pristranskost. Strokovnjak mora razlikovati, kateri znaki resnično kažejo podporo in kateri zgolj kažejo na vzorec; Do vsakega učenca je treba pristopiti individualno in pošteno. Jezika "tveganja", ki ga ustvarja umetna inteligenca, ne bi smeli sprejeti brez dvoma.
Korak za korakom: od podatkov do podpore
- Podatke zbirajte anonimno. Organizirajte podatke, kot so prisotnost, opazovanje in napredek pri ocenah, z "Študent A/B/C" namesto ID kod.
- Če povzamemo z AI. Povzemite vzorec in opazne spremembe na ravni pojava.
- Izberite znake. Strokovnjak se odloči, kateri povzetki si zaslužijo razgovor.
- Mnenje. Pogovorite se s signaliziranim študentom; naučite se konteksta.
- Ocenite in načrtujte. Strokovnjak vzpostavlja pomen in podporo.
- Naj bo temno. Deljenje rezultatov zunaj podpornih namenov; Etikete ne razširjajte.
Kopirane predloge
1) Povzetek podatkov o sledenju:
Vaša vloga: pomočnik pri urejanju PDR podatkov. DODAJTE SODBO, oznako "tveganja" ali priporočilo. Naloga: Povzemite naslednje anonimne podatke o odsotnosti/opazanju na ravni DEJSTVA po učencu; Navedite morebitne opazne SPREMEMBE (povečanje/zmanjšanje). Ocena in odločitev sta moji; samo naredite vzorec viden. Podatki: [prilepite anonimne podatke]
2) Seznam razlogov za srečanje:
Iz spodnjih anonimnih povzetkov naštejte dejstva, ki bi lahko bila podlaga za začetek POGOVORA O PODPORI. Za vsakega napišite NEVTRALNI razlog v enem stavku (kot je "odsotnost z dela se je v zadnjih treh tednih povečala"). Ne uporabljajte oznak, kot je "tvegano/problematično". Povzetki: [anonimni povzetki]
3) Urejanje sledilne tabele:
Naslednje anonimne opombe o spremljanju razporedite v tabelo s stolpci za datum, opazovani pojav, načrtovani korak in izid. Ne dodajajte komentarjev, ohranite dejstva. Opombe: [anonimne opombe]
4) Priprava pred razgovorom:
Vaša vloga: PDR asistent. Pripravljam se na PODPORNO srečanje s 14-letnim dijakom, katerega obisk se je povečal. Predlagajte 8 pripravljalnih vprašanj, ki niso obsojajoča, so odprta in učenca ne obrambno zavzamejo.
Šibek poziv/močan poziv
Šibko:
Poglejte seznam odsotnosti tega razreda, označite ogrožene učence.
Umetna inteligenca postane sodnik, od nje zahteva, da ustvari oznako »tvegano«, brez konteksta in pogovora.
Močno:
Vaša vloga: pomočnik pri urejanju PDR podatkov, dodajanje oznake "tveganje". V spodnjih anonimnih podatkih o odsotnosti povzemite (na ravni pojava) študente, ki so pokazali POMEMBNO SPREMEMBO v zadnjih 3 tednih. Za vsako samo napišite, kaj se je spremenilo; Bom podal komentar in odločitev. Podatki: [anonimni podatki]
Signalizira, ne označuje; Odločitev je v rokah strokovnjaka.
trije mini kovčki
1. primer – Koristni znak. Specialist je imel težave pri sledenju posameznih odsotnosti v razredu 200 učencev. Anonimne podatke je dal povzeti AI; Izstopal je učenec, ki bi sicer ostal neopažen in ki je pokazal tiho, a vztrajno rast odsotnosti. Spregovoril je strokovnjak; Izvedel je, da je imel študent zjutraj težave s prevozom, in ponudil praktično rešitev. AI je dal znak, strokovnjak in študent sta zgradila rešitev.
2. primer — vrnitev z etikete. En povzetek AI je enega študenta opisal kot "visoko tveganje za vedenje"; medtem ko je v podatkih izvedenca obstajal le pojav "dvakratna zahteva za spremembo razreda". Strokovnjak je to oznako zavrnil, se pogovoril s študentom in ugotovil, da zahteva izhaja iz želje po oddaljitvi od skupine prijateljev. Oznaka bi lahko nepravično stigmatizirala otroka; strokovni filter je to preprečil.
Primer 3 – Preverjanje pristranskosti. Strokovnjak je opazil, da je seznam "tveganja", ki ga je izdelal AI, nesorazmerno vključeval študente iz določene soseske. Seznama ni uporabil, saj je menil, da bi to lahko odražalo pristranskost; namesto tega je za vse študente uporabil poštena merila, ki temeljijo na dejstvih. Tako je bila podpora razdeljena glede na dejanske potrebe, ne glede na stigmo.
Pogoste napake
- Označevanje AI kot "tvegano". Podiranje sodstva v orodje. Rešitev: AI pokaže pojav/spremembo, strokovnjak presodi.
- Ocena brez razgovora. Ne samo vpogled v podatke in pogovor s študentom. Rešitev: vsak znak skozi pogovor pridobi kontekst.
- Ignoriranje pristranskosti. Sprejetje seznama "tveganja", ki temelji na vzorcu. Rešitev: nadzor nad pravičnostjo in individualnostjo.
- Kroženje etikete. Deljenje seznama "tveganih študentov". Rešitev: omejitev namena zasebnosti in podpore.
- Zamenjati s krizo. Obravnava znaka resnega tveganja kot rutinsko spremljanje. Rešitev: aktiviran je krizni protokol (enota 9).
Tabela: znak ali sodba?
izhod
Vrsta
kaj narediti
"Absentizem se je v zadnjih 3 tednih povečal"
Znak (pojav)
Razlog za srečanje
"Ta študent je tvegan"
Sodba (oznaka)
Zavrnitev, vrnitev v realnost
"Ocene padajo že dva semestra"
Znak (pojav)
Razlog za srečanje
"Njegova družina ga zanemarja"
sodba/sklep
Zavrnitev, vrnitev na opazovanje
"Frekvenca srečanj se je zmanjšala"
Znak (pojav)
Strokovnjak ocenjuje
Če povzamem
Pri sledenju študentom je umetna inteligenca koristen pripomoček, ki povzema razpršene podatke in naredi vzorce vidne; Ne more pa študenta oceniti ali ga razglasiti za "ogroženega". AI daje signale, strokovnjak konstruira pomen. Kontekstualizirajte vsak znak s pogovorom, preverite pristranskost, razdelite oznake in ob znakih resnega tveganja preklopite na krizni protokol. Namen zgodnjega opozarjanja ni stigmatizacija, temveč pravočasna in pravična podpora.
Aplikacijska naloga
Ustvarite anonimne podatke o prisotnosti/opazovanju za izmišljeno učilnico. Naj AI povzema na ravni dejstev s predlogo »povzetek podatkov o sledenju«. Preglejte rezultat: Ali je umetna inteligenca dodala kakšne oznake ali presoje »tveganje/težava«? Označite, odstranite in ustvarite samo dejstva, nevtralen seznam razlogov za razpravo. Nato postavite pristransko vprašanje: ali se seznam zlaga po določenem vzorcu?
kontrolni seznam
- [ ] Podatke sem anonimiziral, preden sem jih dal orodju.
- [ ] V poziv sem napisal omejitev "dodaj oznako tveganja/presojo".
- [ ] Izhod umetne inteligence sem ohranil na ravni dejstva/znaka in sam presodil.
- [ ] Vsak znak sem kontekstualiziral z intervjujem.
- [ ] Preveril sem pristranskost in ohranil zasebnost nalepk.