收集学生数据是唯一的出路

作为斯坦福大学的教授，我经常发现自己在一个大教室里看着一大堆面孔，试图弄清楚我的学生——个人还是集体——是否理解了这些材料。我应该花更多时间在哪些概念上?可以从额外关注中受益的学生?通常，只有在学期末，当我看到我的学生在期末考试中的表现以及他们对课程调查的反应时，才能看到这种可见性。

多年来，教师、课程设计人员和管理人员开发了多种数据收集方法，从问卷调查到实时评估，以评估学生的参与度和对课程材料的理解。然而，要获得关于学生参与、参与和理解的清晰、及时和可操作的见解仍然是一个很大的挑战。在高等教育中尤其如此，因为班级规模大，教师几乎不可能在为时已晚之前识别和干预正在苦苦挣扎的学生。

到目前为止。随着技术与课堂的整合——无论是面对面的、混合的还是完全在线的——我们可以收集和分析前所未有的学生数据水平。我们正在进入一个新的可能性领域，我们可以实时衡量每个学生如何参与他们的学习空间、他们与同龄人的互动类型以及他们对课堂上所提出主题的反应。

人们越来越认识到，数据分析提供的见解对于学生学习之旅的短期和长期支持至关重要。借助最近出现的新的、专门构建的数字学习平台，对瞬时和纵向数据的访问使教师能够确定哪些学生正在关注内容并参与材料，哪些没有。

例如，我们可以跟踪哪些学生正在做笔记、参与小组讨论、回答测验等等。这种可见性可以实现清晰、可操作、及时的干预，以帮助陷入困境的学生。这些数据还可以为更加动态和协作的虚拟教室环境做出贡献。教师可以利用他们对个别学生的更多了解，根据共同兴趣、专业领域、优势和劣势、不同的参与偏好等更好地对他们进行分组。

通过分析数据的趋势，教师还可以识别更广泛的模式并使用它们来改善整体课堂体验，为积极和协作的学习实践提供信息，并评估教学环境的有效性。例如，如果学生没有掌握和执行特定模块中的概念，教师可以识别问题并调整课程材料或教学风格。

作为一个更广泛的例子，在乔治亚格威内特学院，该机构正在努力解决学生参与度低的问题，因此教师们仔细查看了数据，这些数据揭示了学生学习习惯的一些细节。他们发现许多人从凌晨 1 点到 5 点在网上完成课程作业。因此，学院实施了一些举措，通过指派同伴导师在学生学习期间与他们进行虚拟互动来帮助改善学习成果。此外，教师现在每周与学生进行一次检查，以帮助确定优先事项，协助时间管理并衡量整体健康状况。

在整个高等教育领域，机构正在继续投资于优质的数字学习计划。随着整个行业对技术的利用增加，我们自然会看到数据收集的显着增加。

然而，收集数据的行为是不够的。有效的课堂数据需要对学生的学习成果和教师的行为进行详细测量，最终帮助教师确定有效的教学干预措施。

在最近的一次虚拟峰会上，我与 Argos Education 的首席学习官 Michael Feldstein讨论了如何使用数据来改进教学策略并支持混合世界中的主动学习。在那次讨论中，我认为无处不在的数据收集将产生大型、高质量、密集的数据集，这将使机器学习能够应用于改善我们所有学生的教育成果，尤其是那些最需要帮助的学生.

但是，为了实现这一机会，我们必须保持警惕，以确保我们的机器学习模型和推荐的干预措施能够抵消不公平和减少偏见，而不是放大它们。正在进行的关于人工智能公平性和可解释性的工作在教育领域尤为重要，在教育领域，缺乏平等的机会、机会和鼓励使某些群体边缘化，并极大地加剧了就业、监禁、医疗保健等方面的更广泛的社会不公正。虽然这里的护理至关重要，但我相信严格衡量结果的机会将为解决这些问题开辟道路。

2012 年，在谈到大规模开放在线课程 (Moocs) 的推出时，Thomas Friedman 说：“当突然间可能的东西遇到迫切需要的东西时，就会出现重大突破。” 随着过去几年大流行加速了数字学习和教师实验的大规模采用，“突然可能”现在就在我们身上。“迫切需要”是教育程度和生活机会之间日益明显和普遍的相关性。

如果机构、教师、平台开发人员和技术人员共同努力，我们可以在教育方面取得真正的重大突破，并为更多学生创造更美好的生活。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！