Lecturers’ Use and Perceptions of Machine Learning Informed Educational Interventions for the Early Identification of Learning Difficulties among Students with Intellectual Disabilities in Nigerian Universities
Obwohl Dozenten an nigerianischen Universitäten Interventionen durch maschinelles Lernen als effektiv für die frühzeitige Identifizierung von Lernschwierigkeiten und die Steigerung des akademischen Engagements von Studierenden mit geistigen Behinderungen wahrnehmen, bleibt deren tatsächliche Nutzung aufgrund unzureichender Ausbildung und Infrastruktur gering, was eine kritische Lücke zwischen der wahrgenommenen Wertigkeit und der praktischen Umsetzung verdeutlicht.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich ein Universitätsseminar wie einen belebten, lärmenden Bahnhof vor. Die meisten Fahrgäste (Studierende) wissen genau, welchen Zug sie nehmen müssen und wann. Aber für einige Fahrgäste mit geistigen Behinderungen sind die Schilder verschwommen, die Durchsagen verwirrend, und sie verpassen oft ihre Züge oder bleiben auf dem falschen Bahnsteig stecken. Dies sind die „Lernschwierigkeiten“, von denen die Arbeit spricht.
Lange Zeit mussten die Bahnhofspersonal (Dozenten) diese verwirrten Fahrgäste allein durch das Beobachten und Raten identifizieren. Es ist, als würde man versuchen, eine bestimmte Person in einer Menge zu finden, indem man die Augen zusammenkneift; es ist langsam, oft falsch, und bis man merkt, dass jemand verloren gegangen ist, hat die Person bereits ihren Zug verpasst.
Diese Forschungsarbeit fragt: Was wäre, wenn der Bahnhof über ein intelligentes, digitales Radarsystem (Maschinelles Lernen) verfügen würde, das diese verwirrten Fahrgäste frühzeitig erkennen könnte, noch bevor sie ihren Zug verpassen?
Hier ist die Geschichte dessen, was die Forscher herausgefunden haben, erzählt in einfachen Worten:
Die große Idee: Ein „intelligentes Radar“ vs. die Realität
Die Forscher wollten sehen, ob Universitätsdozenten in Nigeria dieses „intelligente Radar“ (Werkzeuge des Maschinellen Lernens) einsetzen, um Studierende mit geistigen Behinderungen zu unterstützen. Sie fragten auch: Glauben die Dozenten, dass dieses Radar funktioniert?
Der Realitätscheck:
Die Studie ergab, dass noch niemand das Radar wirklich nutzt.
- Die Analogie: Stellen Sie sich vor, die Universität hätte für jeden Schreibtisch eines Dozenten ein hochmodernes, GPS-gestütztes Navigationssystem gekauft. Aber als die Forscher nachsahen, stellten sie fest, dass die Bildschirme ausgeschaltet waren. Den Lehrkräften wurde nicht beigebracht, wie man es benutzt, die Internetverbindung war lückenhaft und das System war nicht einmal in den Lehrplan integriert.
- Das Ergebnis: Die tatsächliche Nutzung dieser Werkzeuge durch die Dozenten war „niedrig“. Sie verlassen sich immer noch hauptsächlich auf ihre altmodische Methode des „Augenzusammenkneifens“.
Die Überraschung: Die Dozenten lieben die Idee
Obwohl die Dozenten die Werkzeuge nicht nutzen, glauben sie fest daran, dass diese Werkzeuge funktionieren würden, wenn sie sie hätten.
- Die Analogie: Es ist wie eine Gruppe von Autofahrern, die noch nie ein selbstfahrendes Auto gefahren sind, aber wenn man sie fragt, sagen alle: „Oh, ich bin sicher, selbstfahrende Autos würden die Fahrt reibungsloser machen, uns pünktlich halten und verhindern, dass wir uns verlaufen.“
- Das Ergebnis: Die Dozenten bewerteten das Potenzial dieser Werkzeuge sehr hoch. Sie glauben, dass ein Computer Daten von Studierenden (wie Anwesenheit, Testergebnisse und Verhalten) analysieren könnte, um zu:
- Schwierige Lernstellen früher zu erkennen.
- Die Motivation und das Interesse der Studierenden hoch zu halten.
- Den Studierenden zu helfen, ihre Aufgaben zu erledigen.
- Den Stress und die Angst zu reduzieren, die Studierende empfinden, wenn sie Schwierigkeiten haben.
Der Test „Wer zählt?“
Die Forscher wollten wissen: Spielt es eine Rolle, wer der Dozent ist?
- Geschlecht: Spielt es eine Rolle, ob der Dozent ein Mann oder eine Frau ist? Nein. Beide Gruppen waren gleichermaßen unwahrscheinlich, die Werkzeuge zu nutzen.
- Die Universität: Spielt es eine Rolle, ob der Dozent an einer wohlhabenden „Federal University“ oder einer „State University“ arbeitet? Nein. Die Art der Schule änderte das Ergebnis kaum.
- Der wahre Held: Das Einzige, was einen großen Unterschied machte, war, ob der Dozent die Werkzeuge tatsächlich nutzte.
- Die Metapher: Es spielt keine Rolle, ob Sie einen Ferrari (eine schicke Universität) oder einen Toyota (eine staatliche Universität) haben. Wenn Sie nicht das Gaspedal drücken (die Technologie nutzen), werden Sie auch nicht schneller fahren. Die Studie fand heraus, dass der Akt der Nutzung des Werkzeugs der stärkste Vorhersagefaktor dafür war, ob die Studierenden im Unterricht engagiert und interessiert blieben.
Die Sicherheitsregel: Das Radar ist ein Helfer, kein Arzt
Das Papier erklärt sehr sorgfältig, was diese Technologie nicht ist.
- Die Analogie: Betrachten Sie das Werkzeug des Maschinellen Lernens als einen Rauchmelder.
- Wenn der Rauchmelder piept, bedeutet das nicht, dass es ein Feuer gibt (eine klinische Diagnose). Es bedeutet nur: „Hey, pass auf, hier könnte etwas nicht stimmen.“
- Das Werkzeug ist darauf ausgelegt, einen „Hinweis“ zu geben, damit der Dozent sagen kann: „Ich glaube, dieser Studierende benötigt einen Spezialisten.“
- Der Spezialist (ein Arzt oder Psychologe) ist derjenige, der die Diagnose unter Verwendung offizieller Regelwerke (wie dem DSM-5 oder ICD-11) tatsächlich bestätigt. Der Computer ersetzt niemals den Arzt; er hilft dem Arzt nur dabei, den Patienten schneller zu finden.
Das Fazit
Das Papier kommt zu dem Schluss, dass es in nigerianischen Universitäten eine große Lücke zwischen Hoffnung und Handeln gibt.
- Hoffnung: Dozenten wissen, dass diese intelligenten Werkzeuge großartig sein könnten, um Studierende mit geistigen Behinderungen zu unterstützen.
- Handeln: Sie nutzen sie nicht, weil es ihnen an Schulung mangelt, das Internet langsam ist und die Schulen die Systeme nicht richtig aufgesetzt haben.
Die Lösung: Um dies zu beheben, müssen die Universitäten aufhören, nur das „intelligente Radar“ zu kaufen, und stattdessen anfangen, die Dozenten darin zu unterrichten, es zu steuern. Sie brauchen besseres Internet, bessere Schulungen und einen klaren Plan, um die „Heads-up“-Signale des Computers mit echter Hilfe für die Studierenden zu verknüpfen.
Kurz gesagt: Die Technologie ist der Motor, aber die Dozenten sind die Fahrer. Im Moment stehen die Motoren in der Garage. Wenn wir die Fahrer lehren, sie zu starten, werden die Studierenden endlich die Fahrt erhalten, die sie brauchen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.