收益：
- 能够定期收集基于成就的进度数据（百分比、尝试次数、独立水平）并用人工智能进行总结和解释
- 能够创建决策规则，通过查看数据来决定是否维持、调整或改变目标
- 能够坚持认为人工智能解释是建议，继续的决定应基于专家评估和实际观察。
您制定了 IEP 目标并开始教学。那么孩子有进步吗？这个问题的答案不能是“我认为进展顺利”这样的印象。通过定期衡量来监测特殊教育的进展；这称为基于数据的决策：通过查看基于结果的数据来做出维持、调整或更改目标的决策。进步记录保存不当可能会导致孩子在一段时间内徒劳无功；保存完好的记录有助于早期干预和正确的适应。在本单元中，我们将了解如何使用人工智能来组织、总结、绘制图表和解释进度数据。从一开始就限制：AI建议评论；是否继续进行的决定基于专家判断和实际观察。
测量什么，如何记录
每项成就都有一个可衡量的方面。常见测量类型：
- 正确百分比：正确反应/总试验次数（例如 10 次试验中有 7 次正确 = 70%）。
- 尝试次数/频率：某一行为在特定时间内发生的次数。
- 独立程度：学生做了多少提示。经常使用提示的层次结构：完全身体协助→部分身体→建模→言语提示→手势→独立。目标是逐渐减少提示并实现独立。
- 持续时间：完成一项任务或维持一种行为所需的时间。
在教学期间或教学结束后，记录应简洁一致地保存。一致性是关键：始终用相同的标准衡量相同的成就，以便数据具有可比性。
提示：将“独立程度”转换为数字（完全物理=1…独立=6）。因此，您甚至可以在图表中看到质的改进，例如“用更少的线索来做事”。人工智能擅长总结这个数字序列。
下表显示了为期 4 周的数据示例及其读数：
周
准确度%
独立（1-6）
评论趋势
1
40
2（部分体力）
初级水平
2
55
3（型号）
有上升
3
58
3（型号）
减速、平台期
4
72
4（口头线索）
重大进展
看看这个表，说“保持目标”是合理的：准确性和独立性都增加了。但如果平台期持续存在，例如第三周，则需要考虑适应。
决策规则
您可以查看数据并制定简单的规则来系统地决定要做什么。例如：“如果连续三次测量（稳定）没有改善，则调整教学方法”； “如果满足标准（连续 3 次达到 80%），则继续下一步”； “如果出现显着的倒退，请审查目的和条件”。人工智能可以将这些决策规则应用于您的数据并产生建议；但真正的观察（孩子是否生病、环境是否改变、材料是否不适合）只有你自己。决定权在你。
三个迷你箱子
案例1——赶上平台期。一位老师已经将阅读成绩的数据保存了四个星期，但无法清楚地看到进展情况。他把匿名数据给了AI，并说道：“总结趋势，做出决策建议。” AI 显示，在过去 3 次测量中，准确度稳定在 58-59-58%，并建议调整该方法。老师意识到材料中的视觉负荷太大，对其进行了简化，两周后数据再次增加。数据显示了人们忽视的平台期。
案例 2——让独立性变得可见。一名学生的准确率连续几周稳定在 70%，家人担心“没有任何进展”。老师还量化并绘制了独立水平的图表（精确的身体→语言提示）。 AI总结道，虽然准确率保持不变，但提示明显下降，这意味着孩子更独立地执行相同的任务。用这张图向家人解释了这一点；焦虑被真实的进步所取代。
案例3——盲目相信AI解读的错误。一位老师在查看了两周的不良数据后，几乎毫无疑问地接受了人工智能“改变目标”的建议。然而，孩子在那两周内因流感频繁缺勤；低的原因是缺勤，而不是目的。老师既然知道了这一点，就没有改变目的，又跟踪了一周，数据就收集好了。错误：依赖人工智能的解释，没有上下文，没有结合实际观察。
案例 4 — 多增益总结。一个老师有八个学生，每个学生都有三到四项成就；期末评估中，我们花了好几天的时间将所有数据一一解读。 Anonymous 将数据表（学生代码、成绩、周值）交给 AI，并要求提供每项成绩的单线趋势摘要和“警告”标志（平稳/回归）。几分钟之内，人工智能扫描并标记了五场需要突出显示的胜利。老师把时间花在这五个关键情况上；他满足于审查其余的内容。在这里，人工智能的工作方式就像一个“预警扫描仪”；老师再次决定哪种情况紧急以及该怎么做。
弱提示/强提示
弱提示：
这个学生有进步吗？
该提示不包含数据； AI只能猜测。答案要么是空的，要么是编造的。
强力提示：
您的角色：特殊教育教师的助理数据助理。以下是匿名进度数据（增益、周数、准确度%、独立性 1-6）。任务：1）总结趋势（上升/稳定/回归，准确性和独立性）。 2) 根据我应用的决策规则提供建议： - 3 次连续测量稳定→适应 - 3 次连续测量 80% → 下一步 - 显着回归 → 审查 3) 如果您不确定指定位置；我提供缺勤/生病等背景信息。请勿捏造数据；只需使用我给出的数字即可。[匿名数据表]
在这个请求中，数据、决策规则和“不得捏造”的限制都明确。当您将其与您的观察相结合时，输出将成为可靠的决定。
附加模板：家庭数据汇总和图表解读
根据这个进度数据为家人写一个简单的评论段落： - 不要使用技术术语，给出具体例子 - 以平衡的方式解释稳定和进步的方向 - 现实一点，不要夸大改进的承诺 - 最后，添加 1 个可以在家里支持的小建议 注：该段落将由老师验证。
提示：您不需要昂贵的工具来“绘制”数据。您可以将您的匿名数字系列提供给人工智能，并请求基于文本的趋势图或用于简单绘图的现成数据布局。可视化进度让您和您的家人一目了然。请记住：图表仅反映您输入的实际数据；不要让人工智能等捏造的东西“补充趋势”或填补缺失的几周，让空的一周继续空着。
常见错误
- 根据印象做出决定。 “我认为进展顺利”不是数据，而是数据。定期测量至关重要。
- 只看准确率。独立的进展往往出现得更早。
- 测量不一致。用不同的标准衡量相同的成果，数据就没有可比性。
- 在不向人工智能提供上下文的情况下征求意见。缺勤、生病、环境变化影响数据；这些事情只有你自己知道。
- 认为AI解读才是最终决定。人工智能产生建议；您通过真实的观察做出决定。
- 伪造数据。不要让人工智能“合理地”填写未给出的数字。
总之
进度是通过常规数据而不是印象来跟踪的。准确度百分比、频率、持续时间，尤其是独立程度是成就的可衡量方面。决策规则（稳定→适应、满足标准→继续、回归→修订）将基于数据的决策系统化。人工智能总结数据，显示趋势，建议图表和解释，并为家庭简化；但你提供了背景，你通过真实的观察做出了决定。数据是最强大的工具，可以让肉眼看不见的东西变得可见。
应用任务
将至少三到四个星期的进度数据（准确性和独立性）倒入匿名电子表格中以获得成就。通过本单元的“强力提示”，获取AI的趋势总结和决策建议。将建议与您自己的观察（缺席、材料、环境）进行比较，并为您的最终决定（维持/适应/改变）写下理由。
清单
- [ ] 我用定期且一致的标准来衡量我的收获。
- [ ] 我记录了准确性和独立性水平。
- [ ] 我已经定义了我的决策规则。
- [ ] 我向人工智能提供了上下文（缺席/环境）。
- [ ] 我只处理实数，没有编造数据。
- [ ] 我是经过真实的观察和论证才做出的最终决定。