Vinster:
- Förmåga att sammanfatta data som frånvaro, akademisk och beteendeobservation med stöd av artificiell intelligens och förbereda en uppföljningstabell och observationsanteckningar
- Förmåga att skriva uppmaningar som överlåter beslutet till experten samtidigt som de producerar sammanfattningar som gör det lättare att upptäcka mönster för tidig varning
- Att förstå att artificiell intelligens reducerar eleven till en risk och faran för partiskhet och att kunna se att tidig varning alltid ska kombineras med expertobservation och intervju.
En av de viktiga jobben för PDR-proffsen är att övervaka studenter över tid: närvaromönster, akademiska framsteg, beteendeobservationer, sociala relationer, intervjuhistorik. Denna övervakning syftar till att tidigt upptäcka när en elev kan behöva stöd; Detta kallas tidig varning. Tidig varning innebär att aktivera stöd baserat på observerbara tecken (plötslig ökad frånvaro, fallande betyg, abstinens) innan ett problem eskalerar. Men det här fältet kan vara både mycket användbart och mycket farligt: om det används väl kan det nå en elev i tid; Dåligt använda, fångar den en student i en "risketikett".
I den här enheten kommer vi att lära oss att använda AI som ett hjälpmedel som sammanfattar spridd spårningsdata och gör mönstret synligt. Den mest kritiska principen: AI kan peka ut mönstret, men den kan inte utvärdera eleven eller förklara honom eller henne "i riskzonen". Tidig varning kombineras alltid med specialistens observation och diskussion med eleven; Den slutliga utvärderingen och beslutet ligger hos experten. Låt oss också påminna om krisgränsen: om en uppföljningsdata indikerar en allvarlig risk (till exempel en elevs situation indikerar omedelbar fara), är detta en krissituation och protokollet i enhet 9 spelar in; Inte AI.
Den fina gränsen mellan att se mönster och att märka dem
Att spåra data enbart är inte meningsfullt; sammanhang ger mening. Tre veckors ökning av frånvaro; Det kan vara relaterat till en sjukdom, en familjesituation eller en svårighet i skolan. AI kan göra denna ökning synlig i en tabell eller sammanfattning ("frånvaro har ökat markant under de senaste tre veckorna"); detta är en användbar pekpinne som drar den professionelles uppmärksamhet till den eleven. Faran är att AI (eller experten, baserat på AI) kommer att hoppa från denna signal till en bedömning: "denna elev är i riskzonen/problemet/försummad." Detta hopp kan vara både fel och stigmatiserar eleven.
Regel: AI signalerar, expert konstruerar mening. En sammanfattning är en motivering för att starta ett samtal, inte en slutsats. Inget tecken blir en utvärdering utan att prata med eleven.
En annan subtilitet är att vara försiktig när du kombinerar datakällor. Närvaro, betygstrend och beteendeövervakning är individuellt meningsfulla, men att ha AI:n som kombinerar dem som en enda "riskpoäng" är missvisande. En elevs frånvaro kan ha ökat på grund av att han eller hon har ett kroniskt hälsotillstånd; Detta är inte ett tecken på akademiskt misslyckande. Att klämma in olika typer av data i ett enda nummer döljer elevens verklighet och skapar en falsk prioritering. Det korrekta tillvägagångssättet är att se varje typ av data som ett separat "tecken" och överlåta helheten till expertens tolkning. AI kan samla data; men det borde inte göra arbetet med att svetsa dem till en enda dom. Likaså är "hur länge" ett tecken varar också viktigt: en veckas fluktuation och en trend som varar i tre månader har väldigt olika betydelser, och det är återigen upp till experten att läsa denna tidsdimension.
Varning: En utskrift som listar en elev som "risk" kan permanent påverka barnets uppfattning i skolan. För att förhindra att sådana etiketter kommer ut i omlopp bör utskrifter av tidiga varningar hållas konfidentiella och endast användas i stödsyfte och under sakkunnig övervakning.
Bias: vem som räknas som en "risk" spelar roll
Bias i tidig varning är en allvarlig rättvisa fråga. Om systemet (eller AI-briefen) oproportionerligt flaggar studenter från en viss socioekonomisk grupp, en viss stadsdel eller vissa beteendemönster som "i riskzonen", institutionaliserar detta en partiskhet. Experten måste urskilja vilka tecken som verkligen indikerar stöd och vilka som bara pekar på ett mönster; Varje elev bör bemötas individuellt och rättvist. Det "riskspråk" som produceras av AI bör inte antas utan att ifrågasättas.
Steg för steg: från data till support
- Samla in data anonymt. Organisera data som närvaro, observation och betygsframsteg med "Student A/B/C" istället för ID-koder.
- Sammanfattningsvis med AI. Sammanfatta mönstret och anmärkningsvärda förändringar på fenomennivå.
- Välj tecken. Experten avgör vilka abstracts som förtjänar en intervju.
- Omdöme. Prata med den signalerade eleven; lär dig sammanhanget.
- Utvärdera och planera. Expert etablerar mening och stöd.
- Håll det mörkt. Dela resultat utanför stödsyfte; Cirkulera inte etiketten.
Kopierbara mallar
1) Sammanfattning av spårningsdata:
Din roll: PDR-dataredigeringsassistent. LÄGG TILL DOM, "risk"-etikett eller rekommendation. Uppgift: Sammanfatta följande anonyma frånvaro-/observationsdata på FAKTA-nivå per elev; Ange några anmärkningsvärda FÖRÄNDRINGAR (öka/minska). Utvärderingen och beslutet är mitt; du gör bara mönstret synligt. Data: [klistra in anonym data]
2) Lista över anledningar till mötet:
Lista fakta från de anonyma sammanfattningarna nedan som kan utgöra skäl för att inleda ett SUPPORTSAMTAL. Skriv en NEUTRAL orsak med en mening för varje (som "frånvaro har ökat de senaste tre veckorna"). Använd inte etiketter som "risk/problematisk". Sammanfattningar: [anonyma sammanfattningar]
3) Redigera spårningstabell:
Ordna följande anonyma uppföljningsanteckningar i en tabell med kolumner för datum, observerat fenomen, planerat steg och resultat. Lägg inte till kommentarer, håll fakta.Anteckningar: [anonyma anteckningar]
4) Förberedelser inför intervjun:
Din roll: PDR-assistent. Jag förbereder ett STÖDJANDE möte med en 14-årig elev vars närvaro har ökat. Föreslå 8 förberedande frågor som är icke-dömande, öppna och inte gör eleven defensiv.
Svag prompt / Stark prompt
Svag:
Titta på den här klassens frånvarolista, markera riskelever.
Det gör AI till domare, ber den att producera en "riskabel" etikett, inget sammanhang och ingen konversation.
Stark:
Din roll: PDR-dataredigeringsassistent, lägger till "risk"-etikett. I de anonyma frånvarodata nedan, sammanfatta (på fenomennivå) elever som visat BETYDLIG FÖRÄNDRING under de senaste 3 veckorna. För varje, skriv bara vad som har förändrats; Jag kommer att göra kommentaren och beslutet. Data: [anonyma uppgifter]
Den signalerar, den märker inte; Beslutet ligger i expertens händer.
tre minifodral
Fall 1 — Hjälptecken. En specialist hade svårt att spåra individuell frånvaro i en klass med 200 elever. Han hade de anonyma uppgifterna sammanfattade av AI; En elev som normalt skulle gå obemärkt förbi, som visade en stilla men stadigt ökad frånvaro, stack ut. Experten talade; Han fick veta att eleven hade ett transportproblem på morgonen och tog fram en praktisk lösning. AI gav tecknet, experten och studenten byggde lösningen.
Fall 2 — Retur från etikett. En sammanfattning av AI beskrev en elev som "hög risk för beteende"; medan det i expertens uppgifter endast förekom fenomenet "begäran om att byta klass två gånger". Experten avvisade denna etikett, pratade med studenten och fann att begäran härrörde från en önskan att ta avstånd från en grupp vänner. Etiketten kan orättvist stigmatisera barnet; expertfilter förhindrade detta.
Fall 3 – Bias check. En expert märkte att "risk"-listan som den AI producerade oproportionerligt inkluderade studenter från en viss stadsdel. Han använde inte listan eftersom han tänkte att detta kunde återspegla partiskhet; istället tillämpade den rättvisa, faktabaserade kriterier på alla studenter. Stödet fördelades alltså efter faktiska behov, inte efter stigma.
Vanliga misstag
- Att göra AI-märket "riskfullt". Att undergräva rättsväsendet till verktyget. Lösning: AI visar fenomenet/förändringen, experten gör bedömningen.
- Utvärdering utan intervju. Inte bara titta på data och prata med eleven. Lösning: varje tecken får sammanhang genom en konversation.
- Ignorera partiskhet. Att anta en mönsterbaserad "risk"-lista. Lösning: kontroll över rättvisa och individualitet.
- Cirkulerar etiketten. Delar listan "riskiga studenter". Lösning: gräns för integritets- och supportändamål.
- Blandar ihop det med en kris. Att behandla tecken på allvarlig risk som rutinövervakning. Lösning: krisprotokoll (enhet 9) är aktiverat.
Tabell: Sign eller dom?
utgång
Typ
vad man ska göra
"Frånvaron har ökat under de senaste 3 veckorna"
Tecken (fenomen)
Anledning till möte
"Den här studenten är riskabel"
Dom (etikett)
Avvisa, återgå till verkligheten
"Betygen har sjunkit i två terminer"
Tecken (fenomen)
Anledning till möte
"Hans familj försummar honom"
bedömning/slutledning
Avvisa, återgå till observation
"Mötefrekvensen har minskat"
Tecken (fenomen)
Expert utvärderar
Sammanfattningsvis
I elevspårning är AI ett användbart hjälpmedel som sammanfattar spridd data och gör mönster synliga; Men den kan inte utvärdera eleven eller förklara den "i riskzonen". AI ger signaler, expert konstruerar mening. Kontextualisera varje tecken med en konversation, kontrollera för partiskhet, cirkulera etiketter och byt till krisprotokoll vid tecken på allvarlig risk. Syftet med tidig varning är inte att stigmatisera, utan att ge rättvist stöd i rätt tid.
Applikationsuppgift
Skapa anonym närvaro/observationsdata för ett fiktivt klassrum. Få AI:n att sammanfatta på faktanivå med mallen "sammanfattning av spårningsdata". Undersök resultatet: Har AI:n lagt till några "risk/problem"-etiketter eller bedömningar? Markera, ta bort och skapa en neutral lista med enbart fakta att diskutera. Ställ sedan bias-frågan: ligger listan i ett visst mönster?
checklista
- [ ] Jag anonymiserade uppgifterna innan jag gav den till verktyget.
- [ ] Jag skrev "lägg till risketikett/bedömning"-gränsen till prompten.
- [ ] Jag höll AI:s utdata på fakta/teckennivå, och gjorde bedömningen själv.
- [ ] Jag kontextualiserade varje tecken med en intervju.
- [ ] Jag kontrollerade för partiskhet och höll etiketterna privata.