Een computerwetenschapper van de Universiteit van Nebraska-Lincoln gebruikt de kracht van kunstmatige intelligentie om studenten te helpen STANG studenten verbeteren hun academische prestaties. Zijn project zal de pijplijn van afgestudeerden versterken die zijn voorbereid op: STANG banen, waarvan het aantal in de Verenigde Staten tegen 2030 naar verwachting met ongeveer 10% zal toenemen.

Met een driejarige subsidie ​​van $ 600.000 van de National Science Foundation, ontwikkelt Mohammad Hasan een op machine learning gebaseerde app, genaamd Messages from a Future You, die bedoeld is om studenten gerichte, realtime interventies te bieden die hun prestaties verbeteren in STANG rassen. Met behulp van de app kunnen studenten in dialoog gaan met hun ‘toekomstige zelf’ – een avatar afgeleid van de foto van de student – over hoe ze hun cijfer kunnen verhogen.

De app zou de eerste zijn die een kunstmatige agent gebruikt om op maat gemaakte interventies te bieden die rekening houden met de talloze factoren die van invloed zijn op het eindcijfer van een student.

“De bestaande benaderingen zijn voornamelijk gericht op academische verbetering op basis van alleen academische prestaties”, zegt Hasan, assistent-professor big data en kunstmatige intelligentie bij de afdeling Electrical and Computer Engineering. “Maar de prestaties aan het einde van het semester worden niet alleen beïnvloed door academische activiteiten tijdens het semester. Het wordt gevormd door andere dingen: familieachtergrond, sociaaleconomische status, interacties met leeftijdsgenoten, interacties met de instructeur, wetenschappelijke identiteit en meer.”

De app zou een kosteneffectieve, draagbare tool zijn om een ​​nationaal verloop tegen te gaan van STANG majors die rond de 50% schommelt, grotendeels gedreven door de slechte academische prestaties van studenten. Door zijn zeven jaar ervaring met het geven van grote introductiecursussen in Nebraska, wist Hasan uit de eerste hand waarom studenten al vroeg in een STANG belangrijk.

“Studenten in grote klassen helpen is niet gemakkelijk, omdat je niet het hele semester met iedereen kunt praten, en studenten zouden niet naar je toe komen tenzij ze echt in de problemen zitten”, zei hij. “En meestal als ze komen, is het helemaal aan het einde van het semester, wanneer het niet echt mogelijk is om ze zinvol te helpen.”

Hasan begon te brainstormen over manieren waarop hij de prestaties van leerlingen kon verbeteren. Hoewel verandering op institutioneel niveau misschien de meeste kracht heeft om de naald te verplaatsen, geloofde Hasan dat er kleinere, goedkopere manieren waren om studenten te helpen.

Hij herkende de kracht van machine learning om een ​​app aan te sturen die studenten zou helpen slagen: de app zou kunnen ‘leren’ over het gedrag en de achtergrond van de student, en die gegevens vervolgens kunnen gebruiken om toekomstige prestaties te voorspellen en advies te geven om dat traject te veranderen.

Via de app zouden studenten die terughoudend zijn om een ​​instructeur om hulp te vragen – zij die introvert zijn of zich bijvoorbeeld geïntimideerd voelen – een weg hebben om toegang te krijgen tot persoonlijke hulp.

“Het is net als een proxy van mij,” zei hij. De proxy zou op het scherm vorm krijgen als de dubbelganger van een student uit de toekomst, wat volgens Hasan sterker zou resoneren dan eenvoudige sms-berichten.

Om een ​​pilot-app te bouwen, verzamelde hij academische prestatiegegevens van ongeveer 300 Husker-studenten in een informaticacursus en bouwde hij een app voor het voorspellen van cijfers. Hij lanceerde de piloot in een tweede klas.

De app verhoogde het aantal geslaagden. Maar de resultaten toonden aan dat ondanks het feit dat ze op een bepaald moment op een vergelijkbaar academisch traject zaten en op die momenten dezelfde berichten van de app ontvingen, de eindcijfers van studenten niet hetzelfde waren.

Thee NSF project is gericht op het lokaliseren van de factoren die deze verschillende resultaten aansturen. Hasans vermoeden is dat het eendimensionale karakter van het proefinstrument – de basis ervan alleen in academische gegevens – een onvolledig beeld schetste van het verhaal van een student, waarbij belangrijke factoren ontbraken die de verschillende resultaten zouden verklaren.

Om die leemte op te vullen, werkte hij samen met mede-onderzoeker van het project en voormalig Husker-onderzoeker Bilal Khan, ontwikkelaar van het Open Dynamic Interaction Network. De … gebruiken ODIN softwareplatform, verzamelen ze negen dimensies van academische, sociale en psychologische gegevens om het model te trainen.

Hasan zal vervolgens een machine learning-techniek gebruiken die clustering wordt genoemd – het automatisch groeperen van gegevens – om de trajecten van de studenten in verschillende ‘verhaaltypen’ te organiseren.

Het identificeren van deze verhaaltypes is de spil van het project: door te “weten” tot welke groep een bepaalde student behoort, zal de app de juiste berichten en advies geven.

“Als een student tot verhaaltype A behoort, zullen we begrijpen dat de student in een bepaald gedragspatroon valt”, zei Hasan. “Door dat patroon te kennen, kunnen we de leerling gerichter ingrijpen.”

Mede-onderzoeker Neeta Kantamneni, universitair hoofddocent en directeur van het programma Counseling Psychology van de universiteit, leidt de inspanningen om de interventies te ontwikkelen. Haar team zal berichten opstellen die op bepaalde momenten aan studenten kunnen worden verspreid, afhankelijk van hoe hun verhaal zich ontvouwt.

De interventies zullen een afspiegeling zijn van het type advies dat wordt gegeven in face-to-face counseling. Studenten kunnen worden aangemoedigd om deel te nemen aan mindfulness-activiteiten om stress of zorgen te verminderen, om samen te werken met leeftijdsgenoten om het gemeenschapsgevoel te vergroten of om extra hulp te zoeken tijdens kantooruren.

Een groot voordeel is dat de interventies in realtime bij studenten komen, zodat ze hulp krijgen wanneer ze die het meest nodig hebben. Dit is een voordeel ten opzichte van persoonlijke begeleiding, die vaak gebeurt nadat studenten ontevreden zijn over hun major.

De app zou ook de toegang van studenten tot hulp versterken in een tijd van lange wachtlijsten voor persoonlijke begeleiding, zowel op de universiteit als op nationaal niveau. Kantamneni is optimistisch dat virtueel geleverde interventies die kloof kunnen helpen overbruggen.

“We willen niet dat mensen een heel carrièredomein verlaten, simpelweg omdat ze één moeilijke klas hadden”, zei Kantamneni. “Dat is wat we soms zien. En mijn doel is dat dat niet gebeurt, vooral niet voor studenten die ondervertegenwoordigd zijn in deze klassen – dus vrouwen, studenten van kleur, eerste-generatiestudenten.”

Het ontwerp van de app heeft potentieel buiten het gebied van STANG onderwijs, zei Hasan. Mensen laten ‘zien’ hoe het gedrag van vandaag van invloed is op morgen, kan met name van belang zijn voor de volksgezondheid. Je toekomstige zelf als ziek zien kan een krachtig duwtje zijn om medische aanbevelingen op te volgen, zoals het dragen van een masker, sporten of meer slapen.

Hasan hoopt ook dat de app een licht werpt op het positieve potentieel van intelligente machines.

“Ik weet dat mensen tegenwoordig erg ongerust zijn over de rol van HEBBEN,” hij zei. “Maar door gebruik te maken van HEBBEN voor sociaal welzijn kunnen we laten zien dat er een andere kant is van HEBBEN, wat niet is om geld te verdienen of om gewoon zaken te doen. We kunnen gebruiken HEBBEN om het leven van de studenten te verbeteren. Binnen de universiteit is dit een zeer nuttige toevoeging om de kwaliteit van het onderwijs te verbeteren.”


0 Comments

Leave a Reply

Avatar placeholder

Your email address will not be published.