تحلیل بحث کلاسی با هوش مصنوعی
از یادداشتها و پاسخهای بینام یک کلاس، سوالهای پرتکرار و برداشتهای متفاوت را پیدا کنید و برای جلسه بعد تصمیم آموزشی مشخصی بگیرید.
تحلیل بحث کلاسی با هوش مصنوعی وقتی به درد مدرس میخورد که چند پاسخ متفاوت پشت یک نتیجه ظاهرا مشترک پنهان شده باشند. شاید بیشتر گروهها جواب تمرین را درست داده باشند ولی در توضیح دلیل، دو برداشت کاملا متفاوت دیده شود. اسکیل discussion-insights-for-education کمک میکند از یادداشتها و پاسخهای مجاز کلاس این الگوها را بیرون بکشید و پیش از تصمیم برای درس بعد، دنبال نشانهای هم بگردید که برداشت اولیه را زیر سوال ببرد.
کار با تعریف گروه و بازه درس شروع میشود. به جای ساختن فهرست نمره یا نقل جملهای که گوینده را لو بدهد، نتیجه در سطح کلاس گزارش میشود. اگر یادداشت مدرس و پاسخ تمرین با هم جور نباشند، میتوانید هر دو را با تاریخشان ببینید. تصمیم درباره اینکه کدام منبع مبنای گزارش این دوره باشد با خود شماست.
کاربردها
- یک سوال پرتکرار را از سوالی که فقط یک بار مطرح شده جدا کنید تا وقت جلسه بعد متناسب تقسیم شود.
- با پاسخ بینام کار کنید و برای توضیح یک الگو، جملهای بنویسید که کسی را در کلاس قابل شناسایی نکند.
- نتیجه بحث کلاسی را کنار پاسخ تمرین بگذارید و ببینید هر دو درباره فهم یک مفهوم حرف یکسانی میزنند یا نه.
- برای یک برداشت اشتباه علاوه بر تعداد، یک نشانه مخالف هم بگردید تا استثناهای مهم از گزارش جا نمانند.
- بعد از تغییر روش تدریس، الگوی دوره بعد را با دوره قبل مقایسه کنید و اثر احتمالی را به عنوان نتیجه قطعی معرفی نکنید.
نصب و استفاده
- از Microsoft 365 Copilot با Cowork فعال، دسترسی مصرفی مجاز و افزونه Education استفاده کنید. گروه، تاریخها و منابع آموزشی مجاز را مشخص کنید و اطلاعات شناسایی دانشآموزان را کنار بگذارید.
- مثلا بگویید «این پاسخهای بینام را درباره نسبت و درصد ببین. دو برداشت متداول و یک مورد مخالف پیدا کن و برای جلسه بعد یک تمرین پیشنهاد بده.»
- الگوها و منبع هر مورد را بخوانید. اگر بین دو منبع اختلاف بود، پیش از ثبت نتیجه مشخص کنید کدام را مبنا میگذارید.
سوالات متداول
منبع
ساخته Microsoft Copilot Cowork team. نام اصلی: discussion-insights-for-education، منتشرشده در GitHub با مجوز MIT.
مشاهده در GitHub