วิธีการติดตามความสำเร็จของนักเรียนโดยใช้ปัญญาประดิษฐ์

อัตราการคงอยู่ของนักเรียนในระดับชาติในปีที่สองอยู่ที่69.5% ซึ่งหมายความว่าประมาณ 3 ใน 10 คนไม่กลับมาเรียนที่สถาบันเดิม ในวิทยาลัยชุมชนเกือบครึ่งของนักเรียนที่เรียนไม่เต็มเวลาไม่สามารถเรียนต่อในปีที่สองได้ ระบบเตือนภัยล่วงหน้านั้นมีอยู่ แต่สถาบันส่วนใหญ่ยังคงพึ่งพาการอ้างอิงด้วยตนเองและข้อมูลที่แยกส่วน

ตัวแทนปัญญาประดิษฐ์ที่สร้างขึ้นภายในแพลตฟอร์มการจัดการโครงการสามารถทำงานอัตโนมัติในการระบุความเสี่ยง การมอบหมายการแทรกแซง การวิเคราะห์การคงไว้ และการให้คำปรึกษาความสำเร็จในกระบวนการทำงาน

ด้านล่างนี้คือข้อความสำหรับสั่งงาน AI ที่พร้อมใช้งาน ซึ่งคุณสามารถคัดลอกไปวางใน ClickUp เพื่อสร้างพื้นที่ทำงานสำหรับการติดตามความสำเร็จของนักเรียนได้อย่างครบถ้วนภายในไม่กี่นาที แต่ก่อนที่คุณจะใช้งาน ขอแนะนำให้ดูรายละเอียดการดำเนินงานที่ระบบประเภทนี้ถูกออกแบบมาเพื่อแก้ไขเสียก่อน สำหรับทีมดูแลความสำเร็จของนักเรียนส่วนใหญ่ ปัญหาไม่ได้อยู่ที่สัญญาณความเสี่ยงไม่มีให้ใช้ แต่เป็นเพราะสัญญาณเหล่านั้นแทบจะไม่ถูกนำไปสู่การดำเนินการที่รวดเร็วและประสานงานกันระหว่างผู้ที่รับผิดชอบในการช่วยเหลือนักเรียนให้เดินหน้าตามเป้าหมาย

ปัญหา: คุณกำลังพยายามติดตามนักเรียนที่มีความเสี่ยง 5,000 คนด้วยสเปรดชีตและคำอธิษฐาน

หากคุณทำงานในด้านความสำเร็จของนักเรียน คุณทราบดีว่าความเสี่ยงนั้นสูงเพียงใด ทุกนักเรียนที่ลาออกหมายถึงการล้มเหลวของมนุษย์และการล้มเหลวทางการเงิน สถาบันการศึกษาสูญเสียรายได้จากค่าเล่าเรียน นักเรียนสูญเสียเวลาและเงิน และตัวชี้วัดการคงอยู่ของนักเรียนที่ผู้ประเมินคุณภาพการศึกษาตรวจสอบก็ได้รับผลกระทบอีกครั้ง คำถามไม่เคยอยู่ที่ว่าการแทรกแซงในระยะแรกได้ผลหรือไม่ แต่เป็นว่าทีมของคุณสามารถระบุและติดต่อถึงนักเรียนได้เพียงพอและรวดเร็วเพียงพอหรือไม่

ข้อมูลบอกเล่าเรื่องราว:39% ของผู้แสวงหาปริญญาตรีเต็มเวลาครั้งแรกไม่สำเร็จการศึกษาภายในแปดปี ช่องว่างในการคงอยู่ของนักเรียนตามเชื้อชาติยังคงกว้างอยู่ โดยนักเรียนเชื้อสายฮิสแปนิก, ชาวแอฟริกัน-อเมริกัน, และชาวอเมริกัน พื้นเมืองถูกเก็บไว้ที่ 63.6%, 56.6%, และ 52.8% ตามลำดับ เมื่อเทียบกับ ค่าเฉลี่ยระดับประเทศที่ 68.2% ตัวเลขเหล่านี้ไม่ใช่แค่ตัวเลขเท่านั้น แต่เป็นตัวแทนของนักเรียนหลายพันคนที่ต้องการความช่วยเหลือ แต่สถาบันการศึกษาของคุณไม่สามารถระบุหรือช่วยเหลือได้ทันเวลา

ระบบแจ้งเตือนล่วงหน้าส่วนใหญ่จะสร้างสัญญาณเตือนเท่านั้น แต่มีเพียงไม่กี่ระบบที่สามารถจัดการกับสิ่งที่เกิดขึ้นต่อไปได้จริง อาจารย์เป็นผู้ส่งการแจ้งเตือน แต่ใครเป็นผู้มอบหมายการแทรกแซง? ใครเป็นผู้ติดตามผลภายใน 48 ชั่วโมง? ใครเป็นผู้ยกระดับเมื่อนักศึกษาไม่ตอบสนอง? ช่องว่างระหว่าง "ถูกแจ้งเตือน" กับ "ได้รับความช่วยเหลือ" คือจุดที่นักศึกษาหลุดรอดไป

นั่นคือโอกาสที่นี่ ไม่ใช่การแทนที่เครื่องมือแจ้งเตือนของคุณ แต่เป็นการสร้างชั้นปฏิบัติการที่มองเห็นได้รอบๆ งานที่เกิดขึ้นหลังจากนักเรียนถูกทำเครื่องหมาย วิธีที่เร็วที่สุดในการทดสอบโมเดลนั้นคือการสร้างการตั้งค่าการติดตามความสำเร็จของนักเรียนที่ใช้งานได้ภายในแพลตฟอร์มการจัดการโครงการของคุณ

ต้องการทดสอบโมเดลที่คล้ายกันในระบบการดำเนินงานเพื่อความสำเร็จของนักเรียนของคุณเองหรือไม่? เริ่มต้นด้วยคำแนะนำด้านล่างและปรับให้เหมาะกับกลุ่มนักเรียนที่มีความเสี่ยงสูง รูปแบบการจัดการบุคลากร และกระบวนการทำงานด้านการแทรกแซงของคุณ

คำแนะนำ: สร้างพื้นที่ทำงานสำหรับการติดตามความสำเร็จของนักเรียนด้วย AI

คัดลอกข้อความนี้ วางลงในClickUp Brainเพื่อสร้างClickUp Super Agent ของคุณเอง กรอกรายละเอียดของสถาบันของคุณ แล้วคุณจะได้รับพื้นที่ทำงานสำเร็จสำหรับนักเรียนที่ครบถ้วน พร้อมการแจ้งเตือนล่วงหน้า การติดตามการแทรกแซง การวิเคราะห์การคงอยู่ และเวิร์กโฟลว์การโค้ชความสำเร็จ

ผลลัพธ์ควรให้ร่างแรกที่แข็งแกร่งของโครงสร้างการดำเนินงานของคุณ รวมถึงกฎการกำหนดเส้นทาง กำหนดเวลาการติดตาม ความชัดเจนของความเสี่ยง และกระบวนการทำงานของกรณีศึกษา จากนั้นทีมของคุณสามารถปรับแต่งให้เหมาะสมกับจำนวนนักเรียนของคุณ แบบจำลองการแทรกแซง และลำดับความสำคัญในการรักษาไว้

ข้อความสำหรับป้อน:

เมื่อแบบแปลนตัวแทนของคุณถูกสร้างขึ้นแล้ว ขั้นตอนต่อไปคือการเปลี่ยนมันให้กลายเป็นพื้นที่ทำงานที่สามารถนำไปใช้ได้จริง ซึ่งทีมความสำเร็จของนักเรียนของคุณสามารถนำไปใช้ได้ทุกวัน

วิธีตั้งค่าใน ClickUp (4 ขั้นตอน)

ก่อนที่คุณจะตั้งค่าพื้นที่ของคุณ ให้รวบรวมข้อมูลที่ทีมของคุณใช้อยู่แล้วในการระบุและสนับสนุนนักเรียนที่มีความเสี่ยง ซึ่งโดยปกติจะรวมถึงหมวดหมู่การแจ้งเตือน ประเภทการแทรกแซง กฎการยกระดับปัจจุบัน ตัวบ่งชี้ความเสี่ยง โครงสร้างภาระงาน และความต้องการในการรายงานกลุ่ม การเริ่มต้นด้วยข้อมูลที่สะอาดจะทำให้ระบบอัตโนมัติ แดชบอร์ด และกระบวนการทำงานของการแทรกแซงของคุณมีประโยชน์มากขึ้น

สร้างพื้นที่เฉพาะที่เรียกว่า "ความสำเร็จของนักเรียน" เพิ่มโฟลเดอร์สี่โฟลเดอร์เพื่อจัดระเบียบงานตลอดวงจรความสำเร็จของนักเรียน: การแจ้งเตือนล่วงหน้าและกรณีสำหรับคำเตือนที่เข้ามา กรณีที่กำลังดำเนินการ กรณีที่ได้รับการแก้ไขแล้ว และการส่งต่อกรณีวิกฤต การแทรกแซงและการสนับสนุนสำหรับการประสานงานการสอนพิเศษ การสอนเสริม การให้คำปรึกษาเพื่อความสำเร็จ และการให้คำปรึกษาจากเพื่อน การวิเคราะห์การคงอยู่สำหรับการติดตามกลุ่ม การตรวจสอบช่องว่างด้านความเท่าเทียม การวิเคราะห์ตัวบ่งชี้เชิงคาดการณ์ และการเปรียบเทียบระหว่างภาคการศึกษา และการติดตามความก้าวหน้าในการสำเร็จการศึกษาสำหรับการติดตามการทดลองเรียน การติดตามผลการตรวจสอบปริญญา การตรวจสอบระหว่างภาคการศึกษา และการสนับสนุนความพร้อมในการสำเร็จการศึกษา

เพิ่มฟิลด์ที่กำหนดเองลงในแม่แบบงานความสำเร็จของนักเรียนของคุณ เพื่อให้ทุกกรณีมีข้อมูลสำคัญที่ทีมของคุณต้องการในการระบุความเสี่ยง, จัดการการสนับสนุน, และติดตามการดำเนินการต่อไป รวมถึงฟิลด์สำหรับคะแนนความเสี่ยง, ระดับความเสี่ยง, แหล่งที่มาของการแจ้งเตือน, โค้ชที่ได้รับมอบหมาย, ประเภทการแทรกแซง, จำนวนวันที่ไม่มีการติดต่อ, สถานะนักเรียนรุ่นแรก, และคุณสมบัติการรับทุน Pell โครงสร้างที่สอดคล้องกันนี้จะทำให้แดชบอร์ด, ระบบอัตโนมัติ, และการจัดการภาระงานมีความน่าเชื่อถือมากขึ้น

เปิด ClickUp Brain ใน Space ใหม่ของคุณและวางข้อความที่แจ้งไว้ข้างต้น กรอกตัวแปรของคุณ รวมถึงชื่อสถาบัน จำนวนนักเรียน อัตราการคงอยู่ อัตราการสำเร็จการศึกษา เครื่องมือที่ใช้ในปัจจุบัน จำนวนพนักงาน และกลุ่มเสี่ยง ใช้ผลลัพธ์ที่สร้างขึ้นเพื่อสร้างร่างแรกของกฎการส่งการแจ้งเตือน กระบวนการทำงานการแทรกแซง แดชบอร์ดการคงอยู่ และโครงสร้างภาระงานการให้คำปรึกษา จากนั้นปรับปรุงให้เหมาะสมกับโมเดลความสำเร็จของนักเรียนของคุณ

สร้างระบบอัตโนมัติเพื่อให้งานส่งเสริมความสำเร็จของนักเรียนดำเนินไปอย่างต่อเนื่องโดยไม่ต้องติดตามด้วยตนเองตลอดเวลา ใช้กฎเพื่อกำหนดเส้นทางแจ้งเตือนตามประเภท ยกระดับความเสี่ยงเมื่อมีตัวบ่งชี้หลายอย่างสะสม บังคับใช้กำหนดเส้นตายในการติดตามผล เปิดใช้งานการตรวจสอบเพื่อแทรกแซง และระบุช่องว่างด้านความเสมอภาคที่กว้างขึ้นก่อนที่ปัญหาจะกลายเป็นเรื่องน่าประหลาดใจในช่วงสิ้นปี

แนะนำฟิลด์ที่กำหนดเองสำหรับงานติดตามความสำเร็จของนักเรียน

ฟิลด์เหล่านี้สร้างบันทึกการดำเนินงานที่สอดคล้องกันครอบคลุมการแจ้งเตือน การแทรกแซง การวิเคราะห์การคงอยู่ การประสานงานการสอนพิเศษ และกรณีการโค้ช

ตัวอย่างระบบอัตโนมัติหลักสำหรับการติดตามความสำเร็จของนักเรียน

หลังจากที่คุณตั้งค่าฟิลด์ที่กำหนดเองเรียบร้อยแล้ว ให้สร้างระบบอัตโนมัติที่ช่วยจัดการการแจ้งเตือน การดำเนินการ การติดตามผล และการวิเคราะห์ข้อมูลให้ดำเนินไปอย่างต่อเนื่องโดยไม่ต้องติดตามด้วยตนเองซ้ำๆ

สิ่งที่ตัวแทนครอบคลุมตลอดวงจรชีวิตความสำเร็จของนักเรียน

ตัวแทนปัญญาประดิษฐ์เพื่อความสำเร็จของนักเรียนไม่ใช่แบบจำลองการวิเคราะห์เชิงทำนาย แต่เป็นระบบที่ทำงานภายในพื้นที่ทำงานการจัดการโครงการของคุณและจัดการกระบวนการทำงานระหว่างระบุนักเรียนที่มีความเสี่ยงและให้ความช่วยเหลือพวกเขาจริง การวิเคราะห์จะบอกคุณว่าใครต้องการความช่วยเหลือ ตัวแทนจะตรวจสอบให้แน่ใจว่าการช่วยเหลือนั้นเกิดขึ้นจริง

ต้องการดูว่า Super Agents ทำงานอย่างไรในสภาพแวดล้อม ClickUp จริงหรือไม่? ชมการสาธิตด้านล่างเพื่อดูว่าเวิร์กโฟลว์ งาน และการทำงานอัตโนมัติที่สร้างโดย AI ทำงานร่วมกันอย่างไรในทางปฏิบัติ

ความแตกต่างสำหรับประเภทสถาบันที่แตกต่างกัน

ข้อความข้างต้นนี้สามารถใช้ได้กับสถาบันอุดมศึกษาทุกแห่งที่ใช้ ClickUp ปรับข้อความนี้ให้เหมาะสมกับสถาบันของคุณ:

ดำเนินการติดตามความสำเร็จของนักศึกษาในที่เดียว

การติดตามความสำเร็จของนักเรียนจะหยุดชะงักเมื่อการแจ้งเตือน การแทรกแซง แดชบอร์ดการคงอยู่ของนักเรียน การส่งต่อเพื่อติวเสริม และบันทึกการให้คำปรึกษาอยู่ในระบบแยกกันโดยไม่มีมุมมองการทำงานร่วมกัน ด้วย ClickUp Brain, ฟิลด์ที่กำหนดเอง และระบบอัตโนมัติ สถาบันของคุณสามารถเปลี่ยนการดำเนินงานด้านความสำเร็จของนักเรียนให้เป็นระบบที่สามารถทำซ้ำได้ซึ่งสนับสนุนการแทรกแซงที่รวดเร็วขึ้น ความรับผิดชอบที่ชัดเจนขึ้น การติดตามผลที่แข็งแกร่งขึ้น และการมองเห็นความเสี่ยงในการคงอยู่ของนักเรียนที่ดียิ่งขึ้น

เป้าหมายไม่ใช่การแทนที่แพลตฟอร์มการแจ้งเตือนหรือเครื่องมือวิเคราะห์ของคุณ แต่เป็นการลดงานประสานงานที่เกี่ยวข้องกับเครื่องมือเหล่านี้ ปรับปรุงการมองเห็นในสิ่งที่เกิดขึ้นหลังจากนักเรียนถูกทำเครื่องหมาย และช่วยให้ทีมของคุณเปลี่ยนจากการระบุความเสี่ยงไปสู่การแก้ไขปัญหาจริง เริ่มต้นด้วยคำแนะนำข้างต้น ปรับให้เหมาะกับกลุ่มนักเรียนและรูปแบบการจัดสรรบุคลากรของคุณ และสร้างระบบที่ทีมของคุณสามารถใช้งานได้จริงในทุกภาคการศึกษา

เริ่มต้นใช้งานฟรีกับ ClickUp

คำถามที่พบบ่อย

AI สามารถแทนที่ระบบแจ้งเตือนล่วงหน้าของเรา เช่น Starfish หรือ EAB Navigate ได้หรือไม่?

ตัวแทน AI ไม่ได้มาแทนที่แพลตฟอร์มแจ้งเตือนล่วงหน้าของคุณ แต่เป็นตัวช่วยเสริมโดยจัดการสิ่งที่เกิดขึ้นหลังจากมีการแจ้งเตือน Starfish และ Navigate จะสร้างสัญญาณเตือน ส่วนตัวแทน AI จะทำให้แน่ใจว่าสัญญาณเหล่านั้นกลายเป็นการแทรกแซงที่มีกำหนดเวลาติดตามผล เส้นทางการส่งต่อ และระบบติดตามผลลัพธ์ ความล้มเหลวในการรักษาการเรียนส่วนใหญ่ไม่ได้เกิดจากการที่ไม่สามารถระบุนักเรียนที่มีความเสี่ยงได้ แต่เกิดจากการที่กระบวนการแทรกแซงล้มเหลว

ระบบนี้จัดการข้อกำหนดของ FERPA สำหรับข้อมูลนักเรียนอย่างไร?

ClickUpได้รับการรับรองมาตรฐาน SOC 2, ISO 27001, ISO 27017, ISO 27018 และ ISO 42001และรองรับSSO, การอนุญาตตามบทบาท และการเข้ารหัสทั้งขณะเก็บและขณะส่ง การอนุญาตในระดับนักเรียนทำให้โค้ชเห็นเฉพาะกรณีที่ได้รับมอบหมายเท่านั้น คณาจารย์จะเห็นเฉพาะแบบฟอร์มการส่งการแจ้งเตือนเท่านั้น ไม่เห็นผลลัพธ์ของกรณีไม่มีการใช้ข้อมูลเพื่อฝึกฝนโมเดล AI รายละเอียดทั้งหมดอยู่ในหน้าความปลอดภัย

คุณจะติดตามช่องว่างด้านความเสมอภาคโดยไม่เสริมสร้างความลำเอียงได้อย่างไร?

ระบบการให้คะแนนความเสี่ยงใช้ตัวชี้วัดทางวิชาการและพฤติกรรมที่สามารถสังเกตได้ (เช่น เกรดเฉลี่ย, การเข้าเรียน, การมีส่วนร่วมในระบบ LMS) เป็นปัจจัยเสี่ยงหลัก ไม่ใช่ลักษณะทางประชากรศาสตร์ ข้อมูลทางประชากรศาสตร์ถูกใช้เพื่อการรายงานแยกตามกลุ่มภายหลังการดำเนินการแล้ว ไม่ใช่เพื่อการจัดสรรความเสี่ยงในเบื้องต้น วิธีการนี้ช่วยระบุช่องว่างทางความเท่าเทียมในผลลัพธ์โดยไม่ต้องใช้ลักษณะที่ได้รับการคุ้มครองเพื่อระบุตัวนักเรียนรายบุคคล

ถ้าเราใช้ระบบแจ้งเตือนล่วงหน้าที่เราพัฒนาขึ้นเองอยู่แล้วล่ะ?

สถาบันหลายแห่งได้สร้างระบบภายในเพื่อจัดการกับการแจ้งเตือนเบื้องต้นแล้ว พื้นที่ทำงานของตัวแทน AI จะทำงานอยู่บนระบบเหล่านั้นโดยจัดการกับกระบวนการทำงานเชิงปฏิบัติการ: ใครทำอะไร ภายในเวลาใด และจะเกิดอะไรขึ้นหากไม่ดำเนินการตามกำหนด มันเป็นชั้นการจัดการโครงการเพื่อความสำเร็จของนักเรียน ไม่ใช่การทดแทนแหล่งที่มาของการแจ้งเตือนของคุณ

เราต้องการโค้ชความสำเร็จกี่คนเพื่อให้สิ่งนี้สำเร็จ?

ระบบนี้สามารถทำงานได้กับขนาดทีมงานทุกขนาด. เมื่อมีผู้ฝึกสอนมากขึ้น คุณจะได้รับปริมาณงานที่น้อยลงและเวลาการตอบสนองที่รวดเร็วขึ้น. เมื่อมีน้อยลง ระบบอัตโนมัติจะจัดการกับการคัดกรองและการติดตามผลมากขึ้น ทำให้ผู้ฝึกสอนสามารถมุ่งเน้นไปที่การสื่อสารที่มีความสำคัญสูงสุดได้. เป้าหมายทั่วไปคือ 150-300 นักเรียนต่อผู้ฝึกสอน สำหรับการให้คำปรึกษาเชิงรุกเพื่อความสำเร็จ อย่างไรก็ตาม ระบบการทำงานอัตโนมัติสามารถขยายขอบเขตการให้คำปรึกษาอย่างมีประสิทธิภาพได้มากขึ้น.