Mga nadagdag:
- Kakayahang mag-summarize ng data tulad ng kawalan, pag-obserba sa akademya at pag-uugali na may suporta sa artificial intelligence at maghanda ng isang follow-up na talahanayan at mga tala sa pagmamasid
- Kakayahang magsulat ng mga senyas na ipinauubaya sa eksperto ang desisyon habang gumagawa ng mga buod na nagpapadali sa pagtukoy ng mga pattern para sa maagang babala
- Ang pag-unawa na ang artificial intelligence ay nagpapababa sa mag-aaral sa isang panganib at sa panganib ng bias, at ang kakayahang makita na ang maagang babala ay dapat palaging isama sa pagmamasid ng eksperto at pakikipanayam.
Ang isa sa mga mahalagang trabaho ng propesyonal sa PDR ay ang pagsubaybay sa mga mag-aaral sa paglipas ng panahon: mga pattern ng pagdalo, pag-unlad ng akademiko, mga obserbasyon sa pag-uugali, mga relasyon sa lipunan, kasaysayan ng pakikipanayam. Ang pagsubaybay na ito ay naglalayong kilalanin nang maaga kung kailan maaaring mangailangan ng suporta ang isang mag-aaral; Ito ay tinatawag na maagang babala. Ang maagang babala ay nangangahulugan ng pag-activate ng suporta batay sa mga nakikitang palatandaan (biglang pagtaas ng pagliban, pagbaba ng mga marka, pag-withdraw) bago lumaki ang problema. Ngunit ang larangang ito ay maaaring maging lubhang kapaki-pakinabang at lubhang mapanganib: kung ginamit nang maayos, pinapayagan nitong maabot ang isang estudyante sa oras; Kapag ginamit nang hindi maganda, nakukuha nito ang isang estudyante sa isang "label ng peligro."
Sa unit na ito, matututunan nating gamitin ang AI bilang isang tulong na nagbubuod ng mga nakakalat na data sa pagsubaybay at ginagawang nakikita ang pattern. Ang pinaka-kritikal na prinsipyo: Maaaring ituro ng AI ang pattern, ngunit hindi nito masusuri ang mag-aaral o ideklara siyang "nasa panganib." Ang maagang babala ay palaging pinagsama sa pagmamasid at talakayan ng espesyalista sa mag-aaral; Ang huling pagsusuri at desisyon ay nakasalalay sa eksperto. Alalahanin din natin ang hangganan ng krisis: kung ang isang follow-up na data ay nagpapahiwatig ng isang seryosong panganib (halimbawa, ang sitwasyon ng isang mag-aaral ay nagpapahiwatig ng agarang panganib), ito ay isang sitwasyon ng krisis at ang protocol sa unit 9 ay gumaganap; Hindi AI.
Ang pinong linya sa pagitan ng pagtingin sa mga pattern at pag-label sa kanila
Ang pagsubaybay sa data lamang ay hindi makabuluhan; nagbibigay kahulugan ang konteksto. Tatlong linggong pagtaas ng pagliban; Maaaring may kaugnayan ito sa isang sakit, sitwasyon ng pamilya, o kahirapan sa paaralan. Maaaring gawing nakikita ng AI ang pagtaas na ito sa isang talahanayan o buod ("malaking tumaas ang pagliban sa nakalipas na tatlong linggo"); ito ay isang kapaki-pakinabang na cue na kumukuha ng atensyon ng propesyonal sa estudyanteng iyon. Ang panganib ay ang AI (o ang eksperto, batay sa AI) ay tumalon mula sa senyas na ito patungo sa isang paghatol: "ang estudyanteng ito ay nasa panganib/problema/napabayaan." Ang pagtalon na ito ay maaaring parehong mali at naninira sa mag-aaral.
Panuntunan: Mga signal ng AI, ang eksperto ay gumagawa ng kahulugan. Ang isang buod ay isang katwiran para sa pagsisimula ng isang pag-uusap, hindi isang konklusyon. Walang senyales na nagiging pagsusuri nang hindi nakikipag-usap sa mag-aaral.
Ang isa pang subtlety ay ang maging maingat kapag pinagsasama-sama ang mga pinagmumulan ng data. Ang pagdalo, takbo ng grado, at pagsubaybay sa pag-uugali ay indibidwal na makabuluhan, ngunit ang pagkakaroon ng AI ay pagsamahin ang mga ito bilang isang solong "marka ng peligro" ay nakaliligaw. Maaaring tumaas ang pagliban ng isang mag-aaral dahil mayroon siyang talamak na kondisyon sa kalusugan; Hindi ito senyales ng akademikong kabiguan. Ang pag-cram ng iba't ibang uri ng data sa isang solong numero ay nakakubli sa katotohanan ng nag-aaral at lumilikha ng maling pag-prioritize. Ang tamang diskarte ay upang makita ang bawat uri ng data bilang isang hiwalay na "sign" at ipaubaya ang kabuuan sa interpretasyon ng eksperto. Ang AI ay maaaring mag-collate ng data; ngunit hindi nito dapat gawin ang gawain ng pag-welding sa kanila sa iisang paghatol. Gayundin, mahalaga din ang "gaano katagal" ang isang senyales: ang isang linggong pagbabagu-bago at isang trend na tumatagal ng tatlong buwan ay may ibang kahulugan, at ito ay muli sa eksperto na basahin ang dimensyon ng oras na ito.
Babala: Ang isang printout na naglilista ng isang mag-aaral bilang "nasa panganib" ay maaaring permanenteng makaapekto sa pananaw ng bata sa paaralan. Upang maiwasan ang mga naturang label na pumasok sa sirkulasyon, ang mga printout ng maagang babala ay dapat panatilihing kumpidensyal at gamitin lamang para sa mga layunin ng suporta at sa ilalim ng pangangasiwa ng eksperto.
Bias: kung sino ang itinuturing na isang "panganib" ay mahalaga
Ang bias sa maagang babala ay isang seryosong isyu ng hustisya. Kung ang system (o ang AI brief) ay hindi proporsyonal na nagba-flag ng mga mag-aaral mula sa isang partikular na socioeconomic na grupo, isang partikular na kapitbahayan, o ilang partikular na pattern ng pag-uugali bilang "nanganganib," ito ay naglalagay ng bias. Dapat tukuyin ng eksperto kung aling mga palatandaan ang tunay na nagpapahiwatig ng suporta at kung alin ang tumuturo lamang sa isang pattern; Ang bawat mag-aaral ay dapat lapitan nang paisa-isa at patas. Ang "panganib" na wika na ginawa ng AI ay hindi dapat gamitin nang walang pagtatanong.
Hakbang-hakbang: mula sa data hanggang sa suporta
- Mangolekta ng data nang hindi nagpapakilala. Ayusin ang data tulad ng pagdalo, pagmamasid, at pag-unlad ng grado gamit ang "Student A/B/C" sa halip na mga ID code.
- Sa buod ng AI. Ibuod ang pattern at mga kapansin-pansing pagbabago sa antas ng phenomenon.
- Pumili ng mga palatandaan. Ang eksperto ang magpapasya kung aling mga abstract ang nararapat sa isang pakikipanayam.
- Opinyon. Makipag-usap sa nagsenyas na mag-aaral; alamin ang konteksto.
- Suriin at magplano. Ang dalubhasa ay nagtatatag ng kahulugan at suporta.
- Panatilihin itong madilim. Pagbabahagi ng mga output sa labas ng mga layunin ng suporta; Huwag i-circulate ang label.
Mga nakopyang template
1) Buod ng data ng pagsubaybay:
Ang iyong tungkulin: PDR data editing assistant. MAGDAGDAG NG HATOL, "panganib" na label o rekomendasyon.Gawain: Ibuod ang sumusunod na hindi kilalang data ng pagliban/pagmamasid sa antas ng FACT ng mag-aaral; Sabihin ang anumang kapansin-pansing PAGBABAGO (pagtaas/pagbaba). Ang pagsusuri at desisyon ay akin; gagawin mo lang nakikita ang pattern.Data: [paste anonymous data]
2) Listahan ng mga dahilan para sa pagpupulong:
Mula sa mga anonymous na buod sa ibaba, ilista ang mga katotohanan na maaaring maging batayan para sa pagpapasimula ng SUPPORT CONVERSATION. Sumulat ng isang pangungusap na NEUTRAL na dahilan para sa bawat isa (tulad ng "tumaas ang pagliban sa nakalipas na tatlong linggo"). Huwag gumamit ng mga label tulad ng "peligro/problema." Mga buod: [mga hindi kilalang buod]
3) Pagsubaybay sa pag-edit ng talahanayan:
Ayusin ang mga sumusunod na hindi kilalang follow-up na tala sa isang talahanayan na may mga column para sa petsa, naobserbahang phenomenon, nakaplanong hakbang, at kinalabasan. Huwag magdagdag ng mga komento, panatilihin ang katotohanan. Mga Tala: [anonymous na mga tala]
4) Paghahanda bago ang panayam:
Ang iyong tungkulin: PDR assistant. Naghahanda ako para sa isang SUPPORTIVE na pagpupulong kasama ang isang 14-anyos na estudyante na tumaas ang attendance. Magmungkahi ng 8 tanong sa paghahanda na hindi mapanghusga, bukas, at hindi ginagawang defensive ang mag-aaral.
Mahinang prompt / Malakas na prompt
mahina:
Tingnan ang listahan ng pagliban ng klase na ito, markahan ang mga estudyanteng nasa panganib.
Ginagawa nitong hukom ang AI, hinihiling ito na gumawa ng isang "peligroso" na label, walang konteksto at walang pag-uusap.
malakas:
Ang iyong tungkulin: PDR data editing assistant, pagdaragdag ng "panganib" na label. Sa anonymous na data ng pagliban sa ibaba, ibuod (sa antas ng phenomenon) ang mga mag-aaral na nagpakita ng MALAKING PAGBABAGO sa nakalipas na 3 linggo. Para sa bawat isa, isulat lamang kung ano ang nagbago; Ako ang gagawa ng komento at desisyon.Data: [anonymous data]
Nagsenyas ito, hindi naglalagay ng label; Nasa kamay ng eksperto ang desisyon.
tatlong mini case
Kaso 1 — Nakakatulong na palatandaan. Nahihirapan ang isang espesyalista sa pagsubaybay sa mga indibidwal na pagliban sa isang klase ng 200 estudyante. Mayroon siyang hindi kilalang data na ibinubuod ng AI; Isang estudyante na karaniwang hindi napapansin, na nagpakita ng tahimik ngunit patuloy na pagtaas ng pagliban, ay namumukod-tangi. Nagsalita ang dalubhasa; Nalaman niya na ang estudyante ay may problema sa transportasyon sa umaga at gumawa ng praktikal na solusyon. Ibinigay ng AI ang senyales, ang dalubhasa at ang mag-aaral ang gumawa ng solusyon.
Case 2 — Bumalik mula sa label. Inilarawan ng isang buod ng AI ang isang mag-aaral bilang "mataas na panganib para sa pag-uugali"; samantalang sa datos ng dalubhasa ay nagkaroon lamang ng kababalaghan ng "paghiling na magpalit ng klase ng dalawang beses". Tinanggihan ng eksperto ang label na ito, nakipag-usap sa estudyante, at nalaman na ang kahilingan ay nagmula sa pagnanais na ilayo ang kanyang sarili sa isang grupo ng mga kaibigan. Ang etiketa ay maaaring hindi patas na stigmatize ang bata; Pinigilan ito ng ekspertong filter.
Kaso 3 — Pagsusuri ng bias. Napansin ng isang dalubhasa na ang listahan ng "panganib" na ginawa ng AI ay hindi katumbas ng mga mag-aaral mula sa isang partikular na kapitbahayan. Hindi niya ginamit ang listahan, iniisip na maaaring magpakita ito ng pagkiling; sa halip, naglapat ito ng patas, batay sa katotohanan na pamantayan sa lahat ng mag-aaral. Kaya, ang suporta ay ipinamahagi ayon sa aktwal na pangangailangan, hindi stigma.
Mga karaniwang pagkakamali
- Ang paggawa ng marka ng AI na "peligro". Ibinabagsak ang hudikatura sa kasangkapan. Solusyon: Ipinapakita ng AI ang kababalaghan/pagbabago, ang eksperto ang gumagawa ng paghatol.
- Pagsusuri nang walang panayam. Hindi lamang tumitingin sa datos at nakikipag-usap sa estudyante. Solusyon: bawat tanda ay nakakakuha ng konteksto sa pamamagitan ng isang pag-uusap.
- Hindi pinapansin ang bias. Pag-ampon ng isang pattern-based na "panganib" na listahan. Solusyon: kontrol sa katarungan at indibidwalidad.
- Pag-ikot ng label. Pagbabahagi ng listahan ng "mapanganib na mag-aaral." Solusyon: limitasyon sa layunin ng privacy at suporta.
- Nalilito ito sa isang krisis. Pagtuturing ng isang senyales ng malubhang panganib bilang regular na pagsubaybay. Solusyon: ang crisis protocol (unit 9) ay isinaaktibo.
Talahanayan: Lagda o paghatol?
output
Uri
ano ang gagawin
"Nadagdagan ang pagliban sa nakalipas na 3 linggo"
Sign (phenomenon)
Dahilan ng pagkikita
"Delikado ang estudyanteng ito"
Paghuhukom (label)
Tanggihan, bumalik sa realidad
"Ang mga grado ay bumabagsak sa loob ng dalawang semestre"
Sign (phenomenon)
Dahilan ng pagkikita
"Hindi siya pinapansin ng pamilya niya"
paghatol/hinuha
Tanggihan, bumalik sa pagmamasid
"Nabawasan ang dalas ng mga pagpupulong"
Sign (phenomenon)
Sinusuri ng eksperto
Sa buod
Sa pagsubaybay ng mag-aaral, ang AI ay isang kapaki-pakinabang na tulong na nagbubuod ng mga nakakalat na data at ginagawang nakikita ang mga pattern; Ngunit hindi nito maaaring suriin ang estudyante o ideklara itong "nasa panganib". Nagbibigay ang AI ng mga signal, ang eksperto ay gumagawa ng kahulugan. I-contextualize ang bawat sign gamit ang isang pag-uusap, tingnan kung may bias, i-circulate ang mga label, at lumipat sa crisis protocol sa mga palatandaan ng seryosong panganib. Ang layunin ng maagang babala ay hindi upang stigmatize, ngunit upang magbigay ng napapanahon at patas na suporta.
Gawain ng aplikasyon
Gumawa ng hindi kilalang data ng pagdalo/pagmamasid para sa isang kathang-isip na silid-aralan. Ipabuod ang AI sa antas ng katotohanan gamit ang template na "buod ng data ng pagsubaybay". Suriin ang output: Nagdagdag ba ang AI ng anumang mga label o hatol na "panganib/isyu"? Markahan, alisin, at gumawa ng fact-only, neutral na listahan ng mga dahilan upang pag-usapan. Pagkatapos ay tanungin ang bias na tanong: nakasalansan ba ang listahan sa isang tiyak na pattern?
checklist
- [ ] Ginawa kong anonymize ang data bago ito ibigay sa tool.
- [ ] Isinulat ko ang limitasyong "magdagdag ng label/paghuhusga" sa prompt.
- [ ] Iningatan ko ang output ng AI sa antas ng katotohanan/sign, ako mismo ang gumagawa ng paghatol.
- [ ] Ibinigay ko sa konteksto ang bawat senyas sa isang panayam.
- [ ] Sinuri ko kung may bias at pinananatiling pribado ang mga label.