Kursthemen
-
Sveiki atvykę į savarankiško mokymosi studijų dalyką apie besimokančiųjų stebėseną, paramą ir įtraukimą mokymosi duomenų analizės pagrindu. Šis mokomoji medžiaga skirta dėstytojams, dėstantiems tiek kontaktiniu, tiek ir nuotoliniu būdu.
Šioje medžiagoje pateikiamos gairės ir rekomendacijos padedančios dėstytojams suplanuoti studijų dalyką taip, kad būtų tikslingai kaupiami duomenys apie besimokančiųjų elgseną ir įsitraukimą į mokymąsi. Duomenimis grįstų sprendimų priėmimas gali pagerinti mokymą ir mokymąsi bei padėti atnaujinti studijų dalykus.
Mokymų tikslas - įgalinti dėstytojus naudotis mokymosi duomenų analize kaip įrodymais, kurių pagrindu būtų galima priimti duomenimis pagrįstus sprendimus planuojant mokymosi turinį ar jau mokymosi metu. Medžiagoje pateikti gerosios praktikos pavyzdžiai, demonstruojantys skirtingas mokymosi turinio planavimo, atnaujinimo ir studentų įtraukimo strategijas paremtas skaitmeniniais įrodymais. Išklausę šiuos mokymus žinosite, kokias skaitmenines priemones naudoti, vertinimo strategijas taikyti ir kokius mokymosi išteklius ir (arba) veiklas kurti, kad galėtumėte skatinti mokymosi duomenų analize, paremtą besimokančiųjų įsitraukimą.
Dauguma mokomosios medžiagos yra orientuota į Moodle virtualią mokymosi aplinką (VLE), tačiau esminiai principai ir pavyzdžiai gali būti taikomi ir kitoms VLE, kuriose teikiamos panašios funkcijos.
Rekomenduojame peržiūrėti žodyną, kad susipažintumėte su šioje temoje naudojamų terminų apibrėžimais ar santraukomis.
Sėkmingam mokymuisi prašome pirmiausia susipažinti su konceptualiu įvadu į mokymus, kuriame rasite pateiktą susistemintą informaciją apie esminius šios mokomosios medžiagos konceptus. Ši medžiaga jums padės lengviau įsisavinti tolimesnę mokymosi medžiagą.
Galiausiai, pasirinktinai galite peržiūrėti nuotolinį seminarą (4-36 min.) apie mokymosi duomenų analizę ir įsitraukimą, pristatytą 2022 m. Europos atvirojo ir nuotolinio mokymosi savaitėje (EODLW).
30 valandų
Savarankiškas mokymasis
Nemokamas
-
Naudokitės šiuo planu, kad susipažintumėte su mokymų struktūra ir nuspręstumėte, ar norite studijuoti visas ar tik atskiras šių mokymų temas.
-
Prieš pradėdami šiuos mokymus, savarankiškai įvertinkite savo žinias apie skaitmeninių įrodymų stebėseną ir analizę.
-
-
Šiame skyriuje pateikiame konceptualų įvadą į šį mokymosi dalyką, kuriame pristatomos ir paaiškinamos visos pagrindinės sąvokos, taip pat pateikiama papildomos literatūros, kad galėtumėte pasisemti daugiau žinių.
-
Pagrindinių mokymų sąvokų pristatymas
-
Peržiūrėkite šį 3 minučių trukmės vaizdo įrašą, kuriame greitai ir vaizdžiai apžvelgsite, kas yra mokymosi duomenų analizė, kokie yra jos pagrindiniai elementai, koks yra jos veiksmingumas ir kokias mokymosi intervencijas ji leidžia atlikti.
-
-
1 skyrius. Įrodymais pagrįstų mokymo ir mokymosi strategijų, skatinančių savivaldų mokymąsi virtualioje mokymosi aplinkoje, kūrimas
Šiame skyriuje aptarsime kaip:
- kurti metakognityvines mokymo ir mokymosi strategijas (1.1.)
- kaip nustatyti dalyko veiklos nustatymus, kad galėtumėte stebėti besimokančiųjų įsitraukimą (1.2.)
- kaip parinkti ir įdiegti skaitmenines priemones, kuriomis kaupiami duomenys apie besimokančiųjų pažangą (1.3.)
-
Kuriant įrodymais pagrįstas mokymo ir mokymosi strategijas svarbu ne tik kalbėti apie tai, kokius duomenis galima surinkti, bet ir sutelkti dėmesį į tai, kaip kurti mokymą ir mokymąsi taip, kad būtų skatinamas studentų metakognityvus mokymasis. Žinant, kokios metakognityvinės strategijos skatina studentų įsitraukimą, rezultatus ir savivaldų mokymąsi, galima nuspręsti, kokias priemones naudoti skaitmeniniams įrodymams apie besimokančiųjų elgesį rinkti.
-
Ar žinote, kaip jūsų studentai mokosi? Ar studentai žino, kaip jie mokosi? Padėdami studentams suprasti mokymosi strategijas ir metodus, kurie padeda jiems geriau mokytis, galite paskatinti jų įsitraukimą, rezultatus ir sėkmę. Metakognityvinio mokymosi galimybės gali padėti besimokantiesiems prisiimti atsakomybę už savo mokymąsi. Be to, metakognityvinės žinios skatina besimokančiųjų įžvalgumą ir savirefleksiją, kurie yra labai svarbūs savivaldžiam mokymuisi.
-
Atvejo studija apie anglų kalbos nuotolinių studijų dalyką -
Kaip pabrėžta konceptualiame įvade, tinkamai suplanavus kaip skaitmeninės technologijos galėtų būti panaudojamos studijų dalyke tiek vertinimo, tiek kitais mokymo ir mokymosi tikslais, galima gauti daug įvairių duomenų. Todėl dėstytojams labai svarbu žinoti, kaip sukonfigūruoti mokymosi valdymo sistemą (LMS) ir sukurti mokymosi veiklas, kurios generuotų jiems reikalingus skaitmeninius įrodymus.
-
Reflektyvus mokymasis, mokymas ir mokymosi duomenų analize paremtas vertinimas
-
Ankstesniuose poskyriuose buvo aptarta, kaip sukurti studijų dalykus taip, kad būtų galima stebėti besimokančiųjų įsitraukimą (1.1), ir kaip kurti mokymosi veiklas, kurios generuotų įrodymus (1.2). Šiame poskyryje daugiausia dėmesio skirsime įrankių, kurie gali būti naudojami mokymui ir mokymuisi remti ir duomenims kaupti, aptarimui. Moodle įrankiai yra pavyzdžiai įrankių, kurie gali būti integruoti į mokymosi valdymo sistemą (MVS) (1.3.1). Tada parodysime galimus išorinius įrankius, kurie gali būti naudojami siekiant padidinti aktyvaus mokymosi galimybes (1.3.2).
-
Keleto skirtingų vertinimo strategijų kūrimas siekiant rinkti ir palyginti duomenis nuotoliniame studijų dalyke
-
Kokią mokymosi veiklą sukurtumėte, kad skatintumėte studentus pasidalinti temos ir (arba) sąvokos supratimo lygiu?
Kokia mokymosi veikla gali padėti sužinoti apie studentų ankstesnę patirtį, kuria remdamiesi galėtumėte adaptuoti mokymosi turinį?
Kokius veiklos nustatymus reikia sukonfigūruoti, kad būtų gaunami duomenys apie studentų įsitraukimą ir mokymosi dizainą?
Kokias veiklas galima sukurti taip, kad būtų skatinama mokinių savirefleksija apie mokymosi procesą? Kokios priemonės gali padėti vykdyti šią veiklą?
Kokią veiklą planuotumėte, kad galėtumėte rinkti informaciją apie tai, kaip tobulinti kurso dizainą.
-
2 skyrius. Įrodymais pagrįstų duomenų analizė ir interpretavimas siekiant suteikti informaciją apie mokymą ir mokymąsi
Šiame skyriuje aptarsime kaip:
- analizuoti ir interpretuoti turimus įrodymus apie besimokančiųjų veiklą ir pažangą, kad būtų galima skatinti besimokančiųjų įsitraukimą (2.1.)
- naudojant ataskaitas, atlikti duomenimis pagrįstas mokymo ir mokymosi intervencijas (2.2.)
-
1 pav. Mokymosi analizė kaip metakognityvinis įrankis studentų akademinei sėkmei didinti (Volungeviciene et al., 2021, p.175)
Pagal DigCompEdu modelį (Punie ir Redecker, 2017), įrodymų analizė yra vertinimo kompetencijos dalis ir reiškia, kad reikia kurti, atrinkti, kritiškai analizuoti ir interpretuoti skaitmeninius įrodymus apie besimokančiojo veiklą, rezultatus ir pažangą, siekiant gauti informacijos apie mokymą ir mokymąsi.
-
Sukūrę veiklas, skirtas duomenims apie besimokančiųjų įsitraukimą ir pažangą generuoti ir rinkti (žr. 1 skyrių), turite atrinkti mokymosi duomenų analizės metu gautus duomenis, kurie suteiks jums reikalingos informacijos.
Šiame poskyryje pateiksime jums klausimų, į kuriuos reikia atsakyti atsižvelgiant į įrodymų analizės tikslus, sąrašą (2.1.1). Tuomet sekančiame poskyryje (2.1.2) aptarsime ataskaitas, kurios gali jus informuoti apie tai, kaip besimokantieji yra įsitraukę į mokymosi veiklą ir kaip duomenys gali būti naudojami savivaldžiam mokymuisi remti.
Galimybė gauti ir analizuoti mokymosi duomenų analizės metu gautus įrodymus turėtų būti vertinama kaip sprendimas, padedantis laiku teikti individualizuotą grįžtamąjį ryšį, kad būtų remiamas studentų savivaldus mokymasis. Kai grįžtamasis ryšys yra individualizuotas, savalaikis ir nukreiptas į besimokančiųjų savivaldaus mokymosi ugdymą, jis teigiamai veikia besimokančiųjų mokymosi ir laiko valdymo strategijas.
-
DIANA application project
-
Mokymosi planavimo etape (1 skyrius) dėstytojai turi parengti metakognityvines mokymo ir mokymosi strategijas ir nuspręsti, kokie duomenys bus reikalingi ir svarbūs analizei. Tada jie turi atitinkamai sukonfigūruoti ir sukurti mokymosi aplinką prieš renkant duomenis. Mokymo ir mokymosi etape (2 skyrius) dėstytojai turi išnagrinėti surinktus duomenis ir juos išanalizuoti. Šiame etape jie gali pastebėti galimas mokymosi turinio kūrimo problemas, nustatyti studentus, kuriems sekasi arba sunkiai sekasi, ir pastebėti prieigos prie mokymosi išteklių tendencijas. Remdamiesi šiais duomenimis, jie gali priimti pagrįstus sprendimus ir imtis intervencinių priemonių.
2.1. poskyryje pristatytas "Moodle" ataskaitų, kuriose generuojami duomenys apie besimokančiųjų įsitraukimą ir mokymosi pažangą, sąrašas. Kaip nurodyta 2.1. poskyryje, svarbu analizuoti duomenis grupės ir atskiro studento lygmeniu, o duomenys gali suteikti svarbių įžvalgų apie studentų įsitraukimą, mokymosi pažangą ir bendrus rezultatus. Šiame poskyryje daugiausia dėmesio skiriama generuojamiems duomenims, kurie galėtų informuoti dėstytojus apie reikalingas mokymo ir mokymosi intervencijas.
-
Mokymosi duomenų analize paremtos internvencijos siekiant pagerinti studentų mokymąsi
-
Kokios ataskaitos gali informuoti dėstytojus ir studentus apie mokymosi pažangą?
Kokius esamus kokybinius ir kiekybinius duomenis galima panaudoti siekiant įtraukti studentus?
Kokius duomenis galima stebėti ir analizuoti, kad būtų galima įvertinti studentų akademinę sėkmę?
Kokias pedagogines intervencijas planuotumėte tuo atveju, jei studentai neperžiūrėtų ir nesinaudotų privalomais mokymosi ištekliais?
Ką darytumėte, jei dauguma studentų neįsitrauktų į dalyke suplanuotas veiklas?
-
Šiame skyriuje paaiškinsime ir pasidalysime įžvalgomis, kaip:
- skatinti studentų įsitraukimą (3.1.)
- didinti studentų įtrauktį remiantis MDA atvaizdavimo lango informacija (3.2.)
-
Studentų įsitraukimas skatinamas aktyviai mokantis tiek būnant auditorijoje, tiek ir nuotoliu. Tai reiškia, kad studentai aktyviai dalyvauja atliekant paskirtas užduotis, bendradarbiauja su kolegomis ir laiku atlieka užduotis. Prie mokymosi plano strategijų, skatinančių studentų įsitraukimą, priskiriamos, be kita ko, klausimų ir atsakymų sesijos, tarpusavio vertinimas ir grįžtamasis ryšys, diskusijos, greitieji klausimai, interaktyvios paskaitos (kurių metu studentai atsakinėja į klausimus arba juos užduoda), greitojo rašymo užduotys, praktinė veikla ir patirtinis mokymasis.
-
Betts, S.; Simons, S.; Liogier, V. (2020). Engaging learners in VLES. 25th of March, 2020, ETFOUNDATION.CO.UK/EDTECH). (YouTube) Online Webinar.
Tai 1 val. trukmės internetinis seminaras, kurio pagrindinis tikslas - padėti specialistams naudotis NMA įrankiais, kad jie galėtų įtraukti besimokančiuosius nuotolinėse studijose. Internetiniame seminare supažindinama su priemonėmis ir pedagoginiais metodais, kaip motyvuoti besimokančiuosius, kalbama apie skaitmeninę mokymo platformą "Enhance" ir pagalbinius modulius, taip pat apie ženkliukų suteikimo procesą ir jų pateikimą. Kai kurių iš šių temų nėra šioje mokymosi medžiagoje. Tačiau šis neprivalomas internetinis seminaras yra geras būdas pagilinti savo žinias apie įsitraukimą nuotoliniame mokymesi ir nuotolinėje mokymosi aplinkoje.
-
Kaip jau buvo minėta anksčiau, svarbu kurti mokymosi veiklas, kurios padeda kaupti įrodymus ir skatina besimokančiųjų metakogniciją ir savivaldaus mokymosi įgūdžius (žr. 1.1), taip pat analizuoti ir interpretuoti turimus įrodymus, kad būtų galima paremti savivaldų mokymąsi ir besimokančiųjų įtrauktį (žr. 2.1 ir 2.2).
Šiame skyriuje aprašysime, kaip skatinti studentų įsitraukimą ir kaip įtraukti studentus į nuotolinę mokymosi aplinką (NMA). Tuomet, išanalizavę besimokančiųjų pateiktus įrodymus, apžvelgsime Moodle paremtas strategijas, padedančias kurti dalykus ir įtraukti besimokančiuosius remiantis mokymosi duomenų analize. Galiausiai paaiškinsime, kaip skatinti besimokančiuosius reflektuoti apie mokymosi procesą ir savęs vertinimą.
-
Anglų kalbos nuotolinio studijų dalyko dėstymas naudojant MsTeams įrankį
-
-
Šiame skyriuje aptariama mokymosi duomenų analizės informacijos atvaizdavimo langas (Learning Analytics Dashboard, toliau - LAD) - nauja perspektyvi priemonė, padedanti įtraukti besimokančiuosius ir palanki savivaldaus mokymosi įgūdžiams. Pirmajame poskyryje pateikiama LAD apibrėžtis (3.2.1), o antrajame poskyryje bus pateiktos keletas rekomendacijų, kaip kuo geriau pasinaudoti šia priemone, atsižvelgiant į tai, kad LAD tyrimai dar tik pradedami.
-
Mokymosi duomenų analizės informacijos atvaizdavimo langas (LAD) kaip įrankis besimokančiųjų grįžtamajam ryšiui teikti ir įsitraukimui skatinti
-
Kokią informaciją galėtumėte panaudoti, kad suprastumėte, kaip studentai vertino jūsų studijų dalyką? Pavyzdys: klausimai, įtraukti į galutinį atsiliepimą. Kas dar?
Nuolatinis dėstytojų indėlis yra labai svarbus studentų įsitraukimui. Kaip dažnai, jūsų nuomone, dėstytojai turėtų įsiterpti ir kaip?
Ką darytumėte, kad pritaikytumėte veiklą prie jau turimų studentų žinių? Sugalvokite konkrečių pavyzdžių.
Kokį sprendimą priimtumėt, jei analitiniai duomenys praneštų apie žemą studentų įsitraukimo lygį?
-
Tai yra savikontrolės įrankis, skirtas savarankiškai įvertinti, kaip esate pasirengę stebėti, remti ir įtraukti studentus.
-
Savitikros įrankis skirtas savarankiškai įsivertinti, kaip esate pasirengę stebėti, remti ir įtraukti besimokančiuosius.
-
-
Norėdami gauti daugiau informacijos, kreipkitės į DigiProf projekto partnerių institucinius atstovus:
UOC (Ispanija) - Marcelo Fabián Maina, mmaina@uoc.edu
VDU (Lietuva) - Giedre Tamoliune, giedre.tamoliune@vdu.lt
DHBW (Vokietija) - UrSula Göz, ursula.goez@heilbronn.dhbw.de
UAVR (Portugalija) - António Moreira, moreira@ua.pt
USilesia (Lenkija) - Marta Mamet-Michalkiewicz, marta.mamet-michalkiewicz@us.edu.pl -
