Gerosios patirties pavyzdys
Pavadinimas: Mokymosi duomenų analize paremtos internvencijos siekiant pagerinti studentų mokymąsi (Oliva-Córdova et al., 2021)
Universitetas: Inžinerijos fakultetas, Gvatemalos San Carlos Universitetas, Gvatemala.
Sąrangos dalis: Mokymosi duomenų analizės generuojami duomenys apie studento-dėstytojo, studento-studento ir studento-mokymosi turinio intervencijas
Kokias DigiCompEdu modelio kompetencijas ir mokymosi rezultatus mes nagrinėjame?
Kompetencijos | |
- Naudoti skaitmenines technologijas, kad besimokantieji galėtų rinkti įrodymus ir fiksuoti pažangą, pvz., garso ar vaizdo įrašus, nuotraukas. - Naudoti skaitmenines technologijas (pvz., e. portfelį, studentų tinklaraščius), kad studentai galėtų fiksuoti ir pristatyti savo darbą. - Analizuoti ir interpretuoti turimus duomenis apie besimokančiųjų veiklą ir pažangą, įskaitant duomenis, gautus naudojant skaitmenines technologijas. - Naudotis skaitmeninėmis technologijomis vertinant ir teikiant grįžtamąjį ryšį apie elektroniniu būdu pateiktas užduotis. |
Svarbiausi aspektai:
Šioje gerojoje praktikoje, remiantis Oliva-Córdova ir kt. (2021), pabrėžiama, kad mokymosi duomenų analizė padeda atsakyti į šiuos klausimus:
Kiek praktinis yra dalykas?
Ar dalykas atitinka studentų poreikius?
Kaip galima padėti atliepti studentų poreikius?
Kokio tipo sąveikos yra įtraukiančios ir efektyvios?
Norint atsakyti į šiuos klausimus, būtina apžvelgti ir įvertinti besimokančiųjų mokymosi elgesį, jų rezultatus, iškritimo iš studijų procentą ir dėstytojo refleksiją pasibaigus dalykui. Tokiu būdu MDA gali padėti analizuoti studento-studento, studento-mokytojo ir studento- dalyko turinio intervencijas.
Ši geroji patirtis rodo, kokius duomenis dėstytojas gali rinkti, kad galėtų informuoti apie mokymo ir mokymosi intervencijas (1 lentelė).
1 lentelė. Duomenų rinkimo metodas, sąsajoje su duomenų analizės tikslu (remiantis Oliva-Cordoba, Garcia-Cabot & Amado-Salvatierra, 2021, p. 9)
Siūlomas nepriklausomas kintamasis / duomenų analizės tikslas | Duomenų rinkimo metodas / duomenys, kuriuos galima stebėti ir analizuoti siekiant sužinoti apie konkretų kintamąjį |
Visas mokymosi laikas virtualioje mokymosi aplinkoje | Bendro darbo valandų skaičiaus nuo prisijungimo iki atsijungimo apskaičiavimas |
Sąveika su virtualiai mokymosi objektais | Visų SCORM ataskaitoje nurodytų virtualių mokymosi objektų sąveikų susumavimas. |
Sąveika forumuose/wiki | Bendrų sąveikų su forumo veikla susumavimas. |
Sąveika su mokymosi užduotimis | Bendro dalyvių pateiktų užduočių skaičiaus per pateikimo paskirstymo bloką apskaičiavimas. |
Mokymosi pasiekimai | Visų dalyko užduočių ir atsiskaitymų įvertinimų sumavimas. |
Komunikacija ir grįžtamasis ryšys | Pranešimų skaičiaus ir grįžtamojo ryšio apie užduotis apskaičiavimas. |
Mentorystė | Pakartotinių el. laiškų, skambučių telefonu, sinchroninių susitikimų ir dalyvavimo klausimų forumuose skaičiaus apskaičiavimas. |
Mokymosi turinys | Kurso metu sukurtų išteklių, pakoreguotų mokomųjų išteklių, praturtintų vaizdo įrašų, papildomų skaitinių ir suplanuotų papildomų veiklų skaičiavimas. |
Motyvacija | Skaičiavimas išsiųstų motyvacinių žinučių, papildomų susitikimų ir įgyvendintos žaidimų dinamikos skaičiaus. |
Ši geroji patirtis rodo, kad bendravimas ir grįžtamasis ryšys turi įtakos mokymosi rezultatams ir kad dėstytojų vaidmuo yra labai svarbus. Jie turi tinkamai kurti mokymosi aplinką, mokėti valdyti mokymosi duomenų analizės įrankius, laiku teikti grįžtamąjį ryšį ir stebėti mokymosi rezultatus. Studentų rezultatai pagerėja po to, kai dėstytojai imasi mokymosi duomenų analize paremtų intervencinių sprendimų.
Aktualumas dėstytojams:
MDA grindžiamos intervencijos susijusios su perteikiamu turiniu, pasirenkamomis pedagoginėmis strategijomis, didaktinės sekos projektavimu ir vertinimo tipu. Visi šie elementai turėtų būti pritaikomi ir patogūs naudoti. Mokymosi duomenų analize grindžiamas mokymosi turinys turi tiesioginį teigiamą poveikį studentų mokymosi rezultatams. Kitaip tariant, kai dėstytojams tenka aktyvus vaidmuo kuriant mokymosi turinį, pagerėja studentų mokymosi rezultatai ir pasiekimai.
Literatūra
Oliva-Córdova, L. M., Garcia-Cabot, A, & Amado-Salvatierra, H. R. (2021) Application of Learning Analytics in Virtual Tutoring: Moving toward a Model Based on Interventions and Learning Performance Analysis, Applied Sciences, 11, 1085. DOI:10.3390/app11041805