Lợi nhuận:
- Khả năng tóm tắt dữ liệu như vắng mặt, quan sát học tập và hành vi với sự hỗ trợ của trí tuệ nhân tạo và chuẩn bị bảng theo dõi và ghi chú quan sát
- Khả năng viết lời nhắc để chuyên gia đưa ra quyết định đồng thời tạo ra các bản tóm tắt giúp phát hiện các mẫu để cảnh báo sớm dễ dàng hơn
- Hiểu rằng trí tuệ nhân tạo khiến học sinh gặp rủi ro và nguy cơ thiên vị, đồng thời có thể thấy rằng cảnh báo sớm phải luôn được kết hợp với quan sát và phỏng vấn của chuyên gia.
Một trong những công việc quan trọng của chuyên gia PDR là theo dõi học sinh theo thời gian: mô hình đi học, tiến độ học tập, quan sát hành vi, mối quan hệ xã hội, lịch sử phỏng vấn. Việc giám sát này nhằm mục đích nhận biết sớm khi nào học sinh có thể cần hỗ trợ; Điều này được gọi là cảnh báo sớm. Cảnh báo sớm có nghĩa là kích hoạt hỗ trợ dựa trên các dấu hiệu có thể quan sát được (sự vắng mặt gia tăng đột ngột, điểm tụt, rút lui) trước khi vấn đề leo thang. Nhưng lĩnh vực này có thể vừa rất hữu ích vừa rất nguy hiểm: nếu được sử dụng tốt, nó cho phép tiếp cận học sinh đúng giờ; Nếu được sử dụng không đúng cách, nó sẽ khiến học sinh rơi vào “nhãn rủi ro”.
Trong phần này, chúng ta sẽ học cách sử dụng AI như một công cụ hỗ trợ tóm tắt dữ liệu theo dõi rải rác và hiển thị mẫu. Nguyên tắc quan trọng nhất: AI có thể chỉ ra mô hình, nhưng nó không thể đánh giá học sinh hoặc tuyên bố học sinh đó "có nguy cơ". Cảnh báo sớm luôn kết hợp với sự quan sát và thảo luận của chuyên gia với học viên; Đánh giá và quyết định cuối cùng thuộc về chuyên gia. Chúng ta cũng hãy nhớ lại ranh giới khủng hoảng: nếu dữ liệu tiếp theo cho thấy một rủi ro nghiêm trọng (ví dụ: tình huống của học sinh cho thấy mối nguy hiểm trước mắt), thì đây là tình huống khủng hoảng và giao thức trong bài 9 có hiệu lực; Không phải AI.
Ranh giới mong manh giữa việc nhìn thấy các mẫu và dán nhãn cho chúng
Chỉ riêng việc theo dõi dữ liệu là không có ý nghĩa; bối cảnh mang lại ý nghĩa. Số lần vắng mặt tăng ba tuần; Nó có thể liên quan đến bệnh tật, hoàn cảnh gia đình hoặc khó khăn ở trường. AI có thể hiển thị mức tăng này trong một bảng hoặc bản tóm tắt (“tình trạng vắng mặt đã tăng đáng kể trong ba tuần qua”); đây là một gợi ý hữu ích thu hút sự chú ý của chuyên gia đến học sinh đó. Điều nguy hiểm là AI (hoặc chuyên gia, dựa trên AI) sẽ chuyển từ tín hiệu này sang phán đoán: “học sinh này đang gặp rủi ro/vấn đề/bị bỏ rơi”. Bước nhảy này có thể vừa sai vừa khiến học sinh bị kỳ thị.
Quy tắc: Tín hiệu AI, chuyên gia xây dựng ý nghĩa. Tóm tắt là lý do để bắt đầu cuộc trò chuyện chứ không phải là kết luận. Không có dấu hiệu nào trở thành sự đánh giá nếu không nói chuyện với học sinh.
Một sự tinh tế khác là phải cẩn thận khi kết hợp các nguồn dữ liệu. Việc đi học chuyên cần, xu hướng điểm số và giám sát hành vi có ý nghĩa riêng biệt, nhưng việc AI kết hợp chúng thành một “điểm rủi ro” duy nhất là sai lầm. Sự vắng mặt của học sinh có thể tăng lên vì học sinh đó có tình trạng sức khỏe mãn tính; Đây không phải là dấu hiệu của sự thất bại trong học tập. Việc nhồi nhét các loại dữ liệu khác nhau vào một con số sẽ che khuất thực tế của người học và tạo ra sự ưu tiên sai lầm. Cách tiếp cận đúng là xem từng loại dữ liệu dưới dạng một "dấu hiệu" riêng biệt và để toàn bộ việc giải thích cho chuyên gia. AI có thể đối chiếu dữ liệu; nhưng nó không nên thực hiện công việc hàn gắn chúng thành một phán đoán duy nhất. Tương tự như vậy, một dấu hiệu kéo dài "trong bao lâu" cũng rất quan trọng: biến động trong một tuần và xu hướng kéo dài ba tháng có ý nghĩa rất khác nhau và một lần nữa, việc đọc chiều thời gian này lại tùy thuộc vào chuyên gia.
Thận trọng: Một bản in liệt kê một học sinh là “có nguy cơ” có thể ảnh hưởng vĩnh viễn đến nhận thức của đứa trẻ đó ở trường. Để ngăn chặn những nhãn như vậy được lưu hành, các bản in cảnh báo sớm phải được giữ bí mật và chỉ được sử dụng cho mục đích hỗ trợ và dưới sự giám sát của chuyên gia.
Thành kiến: ai được coi là "rủi ro" quan trọng
Sự thiên vị trong cảnh báo sớm là một vấn đề công lý nghiêm trọng. Nếu hệ thống (hoặc bản tóm tắt AI) gắn cờ các học sinh từ một nhóm kinh tế xã hội nhất định, một khu vực lân cận nhất định hoặc các kiểu hành vi nhất định là “có nguy cơ” một cách không cân xứng, thì điều này thể chế hóa sự thiên vị. Chuyên gia phải phân biệt được dấu hiệu nào thực sự biểu thị sự hỗ trợ và dấu hiệu nào chỉ chỉ ra một mô hình; Mỗi học sinh cần được tiếp cận riêng lẻ và công bằng. Không nên chấp nhận ngôn ngữ "rủi ro" do AI tạo ra mà không đặt câu hỏi.
Từng bước: từ dữ liệu đến hỗ trợ
- Thu thập dữ liệu ẩn danh. Sắp xếp các dữ liệu như điểm danh, quan sát và tiến độ ghi điểm bằng "A/B/C của học sinh" thay vì mã ID.
- Tóm lại với AI. Tóm tắt mô hình và những thay đổi đáng chú ý ở cấp độ hiện tượng.
- Chọn dấu hiệu. Chuyên gia sẽ quyết định những bài tóm tắt nào xứng đáng được phỏng vấn.
- Ý kiến. Nói chuyện với học sinh được ra hiệu; tìm hiểu bối cảnh.
- Đánh giá và lập kế hoạch. Chuyên gia thiết lập ý nghĩa và hỗ trợ.
- Giữ nó tối. Chia sẻ kết quả đầu ra ngoài mục đích hỗ trợ; Không lưu hành nhãn.
Mẫu có thể sao chép
1) Tóm tắt dữ liệu theo dõi:
Vai trò của bạn: Trợ lý chỉnh sửa dữ liệu PDR. THÊM PHÁN XÉT, nhãn "rủi ro" hoặc khuyến nghị. Nhiệm vụ: Tóm tắt dữ liệu quan sát/vắng mặt ẩn danh sau đây ở cấp độ SỰ THẬT của học sinh; Nêu rõ những THAY ĐỔI đáng chú ý (tăng/giảm). Việc đánh giá và quyết định là của tôi; bạn chỉ cần hiển thị mẫu. Dữ liệu: [dán dữ liệu ẩn danh]
2) Danh sách lý do họp:
Từ những bản tóm tắt ẩn danh bên dưới, hãy liệt kê các sự kiện có thể tạo thành cơ sở để bắt đầu MỘT CUỘC TRÒ CHUYỆN HỖ TRỢ. Viết một câu lý do TRUNG LẬP cho mỗi lý do (chẳng hạn như "tình trạng vắng mặt đã tăng lên trong ba tuần qua"). Đừng sử dụng những nhãn hiệu như "rủi ro/có vấn đề". Tóm tắt: [tóm tắt ẩn danh]
3) Chỉnh sửa bảng theo dõi:
Sắp xếp các ghi chú theo dõi ẩn danh sau đây vào một bảng có các cột ghi ngày tháng, hiện tượng quan sát được, bước lập kế hoạch và kết quả. Đừng thêm nhận xét, hãy giữ nguyên sự thật. Ghi chú: [ghi chú ẩn danh]
4) Chuẩn bị trước phỏng vấn:
Vai trò của bạn: Trợ lý PDR. Tôi đang chuẩn bị cho một cuộc họp HỖ TRỢ với một học sinh 14 tuổi có số lượng học sinh đi học ngày càng tăng. Gợi ý 8 câu hỏi chuẩn bị không mang tính phán xét, mở, không khiến học sinh phòng thủ.
Dấu nhắc yếu / Dấu nhắc mạnh
yếu:
Nhìn vào danh sách vắng học của lớp này, đánh dấu những học sinh có nguy cơ.
Nó khiến AI trở thành thẩm phán, yêu cầu nó đưa ra nhãn “rủi ro”, không có bối cảnh và không có cuộc trò chuyện.
Mạnh mẽ:
Vai trò của bạn: Trợ lý chỉnh sửa dữ liệu PDR, thêm nhãn "rủi ro". Trong dữ liệu vắng mặt ẩn danh dưới đây, hãy tóm tắt (ở cấp độ hiện tượng) những học sinh đã cho thấy SỰ THAY ĐỔI ĐÁNG KỂ trong 3 tuần qua. Với mỗi mục, chỉ cần viết những gì đã thay đổi; Tôi sẽ đưa ra nhận xét và quyết định. Dữ liệu: [dữ liệu ẩn danh]
Nó báo hiệu, nó không dán nhãn; Quyết định nằm trong tay chuyên gia.
ba trường hợp nhỏ
Trường hợp 1 - Dấu hiệu hữu ích. Một chuyên gia gặp khó khăn trong việc theo dõi những lần vắng mặt của từng cá nhân trong một lớp học 200 học sinh. Anh ta đã có dữ liệu ẩn danh được AI tóm tắt; Một học sinh thường không được chú ý, người đã thể hiện sự vắng mặt gia tăng một cách lặng lẽ nhưng đều đặn, đã trở nên nổi bật. Chuyên gia lên tiếng; Anh ấy được biết rằng buổi sáng anh sinh viên gặp vấn đề về giao thông và đưa ra một giải pháp thiết thực. AI đưa ra dấu hiệu, chuyên gia và sinh viên xây dựng giải pháp.
Trường hợp 2 - Trả lại từ nhãn. Một bản tóm tắt về AI đã mô tả một học sinh là “có nguy cơ cao về hành vi”; trong khi đó trong dữ liệu của chuyên gia chỉ có hiện tượng “yêu cầu chuyển lớp hai lần”. Chuyên gia đã từ chối nhãn hiệu này, nói chuyện với sinh viên và nhận thấy rằng yêu cầu này xuất phát từ mong muốn giữ khoảng cách với một nhóm bạn. Việc dán nhãn có thể bêu xấu đứa trẻ một cách không công bằng; bộ lọc chuyên gia đã ngăn chặn điều này.
Trường hợp 3 - Kiểm tra độ lệch. Một chuyên gia nhận thấy rằng danh sách "rủi ro" mà AI đưa ra bao gồm các sinh viên từ một khu vực lân cận cụ thể một cách không cân đối. Anh ấy không sử dụng danh sách vì nghĩ rằng điều này có thể phản ánh sự thiên vị; thay vào đó, nó áp dụng các tiêu chí công bằng, dựa trên thực tế cho tất cả học sinh. Như vậy, sự hỗ trợ được phân bổ theo nhu cầu thực tế chứ không phải theo sự kỳ thị.
Những lỗi thường gặp
- Làm dấu AI trở nên "rủi ro". Lật đổ ngành tư pháp thành công cụ. Giải pháp: AI thể hiện hiện tượng/thay đổi, chuyên gia đưa ra nhận định.
- Đánh giá không cần phỏng vấn. Không chỉ nhìn vào dữ liệu và nói chuyện với học sinh. Giải pháp: mọi dấu hiệu đều có được bối cảnh thông qua cuộc trò chuyện.
- Bỏ qua sự thiên vị. Áp dụng danh sách “rủi ro” dựa trên mô hình. Giải pháp: kiểm soát công lý và cá nhân.
- Lưu hành nhãn. Chia sẻ danh sách "sinh viên nguy hiểm". Giải pháp: giới hạn mục đích hỗ trợ và quyền riêng tư.
- Nhầm lẫn nó với một cuộc khủng hoảng. Xử lý dấu hiệu nguy cơ nghiêm trọng bằng việc theo dõi định kỳ. Giải pháp: giao thức xử lý khủng hoảng (đơn vị 9) được kích hoạt.
Bảng: Dấu hiệu hay sự phán xét?
đầu ra
loại
phải làm gì
"Tình trạng vắng mặt đã tăng lên trong 3 tuần qua"
Dấu hiệu (hiện tượng)
Lý do họp mặt
"Học sinh này thật nguy hiểm"
Phán quyết (nhãn)
Từ chối, trở về thực tế
"Điểm số đã giảm trong hai học kỳ"
Dấu hiệu (hiện tượng)
Lý do họp mặt
"Gia đình anh ấy bỏ mặc anh ấy"
phán đoán/suy luận
Từ chối, quay lại quan sát
"Tần suất các cuộc họp đã giảm"
Dấu hiệu (hiện tượng)
Chuyên gia đánh giá
Tóm lại
Trong việc theo dõi học sinh, AI là một công cụ hỗ trợ hữu ích giúp tóm tắt dữ liệu rải rác và hiển thị các mẫu; Nhưng nó không thể đánh giá học sinh hoặc tuyên bố nó "có nguy cơ". AI đưa ra tín hiệu, chuyên gia xây dựng ý nghĩa. Bối cảnh hóa từng dấu hiệu bằng một cuộc trò chuyện, kiểm tra thành kiến, lưu hành các nhãn và chuyển sang quy trình xử lý khủng hoảng khi có dấu hiệu rủi ro nghiêm trọng. Mục đích của việc cảnh báo sớm không phải là bêu xấu mà là để hỗ trợ kịp thời và công bằng.
Nhiệm vụ ứng dụng
Tạo dữ liệu tham dự/quan sát ẩn danh cho một lớp học hư cấu. Yêu cầu AI tóm tắt ở cấp độ thực tế với mẫu “tóm tắt dữ liệu theo dõi”. Kiểm tra đầu ra: AI có thêm bất kỳ nhãn hoặc phán đoán “rủi ro/vấn đề” nào không? Đánh dấu, loại bỏ và tạo một danh sách các lý do trung lập, chỉ dựa trên thực tế để thảo luận. Sau đó đặt câu hỏi thiên vị: danh sách có xếp chồng lên nhau theo một mẫu nhất định không?
danh sách kiểm tra
- [ ] Tôi đã ẩn danh dữ liệu trước khi đưa nó vào công cụ.
- [ ] Tôi đã viết giới hạn "thêm nhãn rủi ro/phán quyết" vào lời nhắc.
- [ ] Tôi giữ kết quả đầu ra của AI ở mức độ thực tế/dấu hiệu, tự mình đưa ra phán đoán.
- [ ] Tôi đã ngữ cảnh hóa từng dấu hiệu bằng một cuộc phỏng vấn.
- [ ] Tôi đã kiểm tra độ lệch và giữ kín nhãn.