Tagasiside probleem
Pärast eksamit tahab enamik aineosakondi teha kahte asja korraga: reageerida kiiresti ja reageerida hästi. Just siin protsess sageli laguneb. Õpetajatel on hunnikud parandatud töid, arusaam levinud nõrkustest ja väga vähe aega, et muuta need nõrkused millekski, mida õpilased päriselt kasutada saavad.
Tulemuseks on sageli üldine tagasiside. Kommentaarid nagu „õpi võtmetermineid”, „loe küsimust hoolikalt” või „korda arvutusi” ilmuvad, sest need on osaliselt õiged, kuid harva piisavalt täpsed, et tulevast sooritust muuta. Klass võis samal küsimusel punkte kaotada kolmel täiesti erineval põhjusel. Üks rühm mõistis valesti käsksõna, teine mäletas sisu, kuid rakendas seda halvasti, ja kolmas kasutas liiga vähe täpset ainekeelt. Kui kõik kolm saavad sama nõu, paraneb väga vähe.
Siin saab AI aidata, mitte parandamist asendades, vaid kiirendades sorteerimise ja mustandite koostamise etappi pärast parandamise lõppu. Kui teie osakond kasutab juba pärast proovieksameid struktureeritud ülevaadet, võite ära tunda sama vajaduse, mida kirjeldatakse artiklis AI-kordamise töövoog proovieksamite hooajaks: tegelik väärtus tuleb tõendite muutmisest sihitud järgmisteks sammudeks.
Mida AI teha saab
Hästi kasutatuna on AI tugev mustrite märkamisel õpetajate poolt üles tähendatud vigade kogumis. See võib võtta parandatud töödest lühikesi kirjeldusi ja rühmitada need tõenäolisteks väärarusaamade klastriteks. Seejärel saab see nende mustrite põhjal koostada lühikesi uuesti õpetamise ülesandeid, näidisvastuseid ja kogu klassi tagasisidelehti. See säästab aega just siis, kui õpetajad seda kõige rohkem vajavad.
Mida see aga usaldusväärselt teha ei suuda, on lõplike ainealaste otsuste tegemine iseseisvalt. See ei tohiks otsustada, kas õpilane vääris punkti. See ei tohiks välja mõelda eksamikomisjoni sõnastust. Seda ei tohiks usaldada eristama kahte väga sarnast väärarusaama ilma inimese kontrollita. Mudel võib pakkuda kasulikku esimest mustandit, kuid osakond peab siiski kontrollima täpsust, tooni ja vastavust hindamisskeemile.
See eristus on oluline. Hindamistöös on AI kõige parem kasutada pärast professionaalset otsustust, mitte selle asemel. Kui teie kool täpsustab neid piire laiemalt, on AI-tugi vs väärkasutus kasulik kaaslugemine.
Lihtne töövoog
Hallatav eksamijärgne töövoog algab õpetaja märkmetest, mitte toortöödest. Selle asemel et laadida üles terved tööd, koguge parandatud vastustest väike valim levinud vigadest. Need võivad olla anonüümsed katkendid või lühikesed kodeeritud märkmed nagu: „kasutas selgituse asemel kirjeldust”, „ajas mitoosi segi meioosiga” või „lahendas õigesti, kuid ümardas liiga vara”.
Kui teil on kogu lennu peale 20 kuni 40 näidet, paluge AI-l need rühmadesse sorteerida. Eesmärk ei ole täiuslik taksonoomia. Eesmärk on lühike nimekiri õpetatavatest mustritest. Paljudes osakondades piisab viiest kuni kaheksast klastrist. See annab teile midagi palju kasulikumat kui pika tabeli eraldiseisvate vigadega.
Sealt edasi paluge mudelil koostada iga klastri kohta kolm väljundit: ühe lausega diagnoos, lühike uuesti õpetamise alustav ülesanne ja kogu klassi tagasisidemärkus. See hoiab protsessi praktilisena. Te ei küsi täielikku sekkumisprogrammi. Te küsite materjale, mida õpetajad saavad kasutada järgmises tunnis.
Prompt’imine väiksema andmehulgaga
Kasulike tulemuste saamiseks ei pea te üles laadima tarbetuid õpilasandmeid. Tegelikult saavad osakonnad tavaliselt paremaid väljundeid siis, kui nad annavad vähem tundlikku ja rohkem struktureeritud teavet. Täisvastuste kleepimise asemel andke AI-le anonüümsete veakokkuvõtete loend, küsimuse fookus, klassiaste ning täpsed käsksõnad või hindamisskeemi sõnastus.
Prompt võib öelda, et õpilased vastasid kuuepunktisele explain-küsimusele energia ülekande kohta, ja seejärel loetleda korduvad probleemid. Sellest piisab rühmitamiseks. Mudel ei vaja nimesid, täistöid ega isiklikku tausta. Kui teie osakond vaatab üle oma laiemad AI-protsessid, pakub AI-auditi hindamiskaart osakondadele kasulikku raamistikku otsustamaks, milliseid andmeid tohib ja milliseid ei tohiks jagada.
Oluline on ka prompt’i kvaliteet. Paluge klastreid, mis on „spetsiifilised, õpetatavad ja üksteisest eristatavad”. Paluge mudelil vältida ebamääraseid kategooriaid nagu „nõrgad teadmised”, välja arvatud juhul, kui tõendid seda tõesti toetavad. Paluge tal tsiteerida käsksõna ja säilitada eksamikomisjoni terminoloogia, kui see on ette antud. Need väikesed juhised muudavad väljundi palju kasutatavamaks.
Mustrite muutmine alustavateks ülesanneteks
Kui klastrid on selged, on järgmine samm muuta need lühikesteks uuesti õpetamise alustavateks ülesanneteks, mille õpilased saavad teha viie kuni kümne minutiga. Just siin võib AI säästa üllatavalt palju aega. Tugev alustav ülesanne ei ole lihtsalt järjekordne küsimus. See isoleerib väärarusaama ja annab õpilastele võimaluse see kiiresti parandada.
Näiteks kui üks klaster näitab, et õpilased kirjeldavad protsessi siis, kui küsimus palub neil selgitada põhjust ja tagajärge, võib alustav ülesanne esitada kaks näidisvastust ja paluda õpilastel tuvastada, kumb neist tegelikult selgitab. Kui teine klaster näitab segadust sarnaste terminite vahel, võib alustav ülesanne olla lühike sorteerimis- ja põhjendamisülesanne. Kui õpilased kaotavad punkte tõendite ebatäpse kasutamise tõttu, võib alustav ülesanne paluda neil parandada nõrka vastust, lisades ühe võtmefraasi hindamisskeemist.
Parimad alustavad ülesanded mõjuvad diagnostiliselt, mitte karistuslikult. Need ütlevad sisuliselt: „Siin on täpne mõtlemisviga; nüüd paranda see.” Sama põhimõte on üldisemalt tugeva hindamiskavandi taga, nagu käsitletakse artiklis AI-kindel hindamiskavand.
Avastage Automated Education võimsus, liitudes meie õpetajate kogukonnaga, kes võtavad tagasi oma aja ja rikastavad oma klassiruume. Meie intuitiivse platvormiga saate automatiseerida administratiivseid ülesandeid, isikupärastada õpilaste õppimist ja suhelda oma klassiga nagu kunagi varem.
Ärge laske administratiivsetel ülesannetel varjutada oma kirge õpetamise vastu. Registreeruge täna ja muutke oma hariduskeskkond Automated Education abil.
🎓 Registreeru TASUTA!
Kogu klassi tagasisidelehed
Kogu klassi tagasisidelehed on sageli kasulikud, sest need annavad klasside vahel järjepidevuse, kuid liiga kiiresti koostades võivad need kõlada lamedalt. Just siin on osakonna hääl oluline. Hea leht kõlab nagu teie aine meeskond, mitte nagu üldine õpijuhend.
Üks lihtne meetod on anda AI-le lühike näidis teie osakonna tavapärasest toonist. See võib sisaldada seda, kuidas te sõnastate tugevusi, kuidas viitate käsksõnadele ja kas eelistate „parandamiseks” suunavaid üleskutseid, läbi töötatud näiteid või ümber kirjutatud näidisvastuseid. Seejärel paluge mudelil koostada ühe lehekülje pikkune tagasisideleht selles stiilis.
Tugev leht sisaldab tavaliselt seda, mida õpilased tegid hästi, kõige levinumaid väärarusaamu, üht või kaht näidisparandust ning selget tegevusülesannet. See ei tohiks muutuda kõigi töös nähtud probleemide prügikastiks. Lühidus hoiab selle õpetatavaks. Kui mustand kõlab liiga laialt, kärpige seda tagasi, kuni iga punkt seostub selgelt töödes nähtud tegeliku mustriga.
Keele täpsena hoidmine
Eksamikomisjoni keel, käsksõnad ja hindamisskeemi täpsus on kohad, kus nõrk AI kasutus kõige sagedamini silma paistab. Mudelid kipuvad keelt siluma millekski usutavaks, kuid vähem täpseks. See võib olla abitu ainetes, kus üks sõna muudab vastuse tähendust.
Selle triivi vältimiseks kleepige sisse täpsed käsksõnade definitsioonid või hindamisskeemi fraasid, mida soovite säilitada. Öelge mudelile, et ta ei parafraseeriks neid, kui seda pole palutud. Seejärel kontrollige iga mustandit algallika vastu. Humanitaarainetes võib see tähendada kontrollimist, et „analyse” ei oleks libisenud „describe”-iks. Loodusainetes võib see tähendada tehniliselt ebatäpse lihtsustuse tabamist. Matemaatikas võib see tähendada märkamist, et meetod on tõhus, kuid mitte punktijaotuse jaoks arvestatav meetod.
See on ka põhjus, miks osakonnad peaksid jääma mudeli valiku suhtes realistlikuks. Kiiremad tööriistad on kasulikud sorteerimiseks ja mustandite koostamiseks, kuid erialase keele kasutamisel võivad need vajada hoolikamat kontrolli. Tööriistu võrdlevad meeskonnad võivad pidada kasulikuks lugeda õpetaja töövoo teste või klassiruumi kiirus vs sügavus, kui nad otsustavad, mida sellise ülesande jaoks kasutada.
Ainespetsiifilised kontrollid
Hallutsinatsioonid ja liigne üldistamine hiilivad tavaliselt sisse etteaimatavates kohtades. Mudel võib järeldada väärarusaama, mida tegelikult olemas ei ole. See võib liita kaks lähestikku olevat viga üheks ebamääraseks kategooriaks. Või võib see toota kena õpetusliku mõtte, mis kõlab mõistlikult, kuid ei vasta küsimusele, millele õpilased vastasid.
Kiire ainespetsiifiline kontroll suudab suurema osa sellest tabada. Paluge ühel õpetajal kontrollida klastri silte tegelike tööde tõendite vastu. Paluge teisel kontrollida terminoloogiat õppekava ja hindamisskeemi vastu. Võimaluse korral paluge kolmandal üle vaadata, kas uuesti õpetamise ülesanne diagnoosiks probleemi tõesti vähem kui kümne minutiga. Sellest piisab tavaliselt kvaliteedi kõrgel hoidmiseks, ilma et tekiks uus koormav protsess.
Kiire modereerimisrutiin
Kõige tõhusamad osakonnad loovad korduva prompt’i ja toimetamise rutiini. Üks inimene valmistab ette anonüümse vigade loendi. Üks inimene käivitab prompt’i. Seejärel kulutab meeskond kümme kuni viisteist minutit väljundite ühiseks toimetamiseks. See kohtumine toimib kõige paremini siis, kui küsimused on lihtsad: kas need klastrid on eristatavad? Kas keel on täpne? Kas me kasutaksime seda alustavat ülesannet päriselt juba homme? Kas see kõlab nagu meie?
Salvestage lõplik prompt, toimetatud väljundid ja märkus selle kohta, mida oli vaja parandada. Aja jooksul muutub see osakonna varamuks. Kahe või kolme eksamitsükli järel on teil taaskasutatavad prompt’i mallid, levinud väärarusaamade kategooriad ja tagasiside näidissõnastus, mis peegeldab teie meeskonna standardeid. Kui loote osakondade vahel ühist praktikat, pakub praktiline AI igale osakonnale ideid, kuidas seda tööd mõistlikult laiendada.
Vaadates ettepoole
Tegelik kasu ilmneb siis, kui osakonnad kasutavad neid mustreid ka väljaspool vahetut tagasisidetundi. Kui sama väärarusaam ilmub mitmes töös, ei ole see enam lihtsalt parandamise küsimus. See on õppekava signaal. Võib-olla vajab teema teistsugust selgitusjärjestust. Võib-olla vajab mõni käsksõna selgemat õpetamist. Võib-olla vajavad õpilased rohkem harjutamist segaküsimustega, mitte eraldiseisva sisu meenutamisega.
Seepärast ei tohiks eksamijärgne ülevaade lõppeda tagasisidelehega. Kõige tugevamad osakonnad kannavad need mustrid edasi järgmise teema, järgmise proovieksami ja järgmise klassiastme planeerimisse. Töö on läbi, kuid tõendid on endiselt kasulikud.
Prompt’i mallid
Hea algusmall on lihtne: andke AI-le küsimuse fookus, käsksõnad, säilitatav hindamisskeemi sõnastus ja anonüümsete veamärkmete loend. Paluge tal rühmitada märkmed viieks kuni kaheksaks spetsiifiliseks väärarusaamade klastriks. Seejärel paluge iga klastri kohta lühikest diagnoosi, viieminutilist alustavat ülesannet ja kogu klassi tagasisidepunkti. Lõpuks öelge talle, et ta märgiks ära kõik valdkonnad, kus ainealane kontroll on eriti oluline.
Seejärel saate sama struktuuri kohandada eri ainetele. Matemaatikas rõhutage meetodit ja vea tüüpi. Loodusainetes rõhutage täpset terminoloogiat ja põhjuslikku selgitust. Kirjalikes ainetes rõhutage argumendi ülesehitust, tõendite kasutamist ja vastamist käsksõnale. Sõnastus muutub, kuid protsess jääb stabiilseks.
Selline taaskasutatav töövoog ei pane eksamijärgset tööd kaduma. Küll aga muudab see selle sihitumaks. Selle asemel et korrata sama käsitsi kirjutatud kommentaari kolmkümmend korda, saavad osakonnad tuvastada, mis tegelikult valesti läks, õpetada seda otse ja kanda selle õppimise järgmisse hindamistsüklisse.
Täpsema tagasiside ja rahulikuma osakondliku ülevaate nimel,
The Automated Education Team