شناسایی مولفههای واکاوی یادگیری در آموزش و ارائه چارچوب مفهومی برای بهینهسازی یادگیری

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 941

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JEIT-14-4_015

تاریخ نمایه سازی: 19 اردیبهشت 1400

چکیده مقاله:

پیشینه و اهداف: واکاوی یادگیری حیطهای نوین و آیندهدار در آموزش است که به دنبال دریافت، تحلیل و گزارش داده راجع به یادگیرنده و محیط یادگیریاش به منظور بهینهسازی یادگیری و محیط یادگیری است. داده و واکاوی، دو کلیدواژه اصلی واکاوی یادگیری است که میتوان گفت داده به عنوان تغذیه کننده واکاوی به منظور فراهم نمودن بینشهای مبتنی بر شواهد راجع به یادگیری و تدریس عمل میکند. واکاوی یادگیری توجه بسیاری از محققان را در طول دهه گذشته جلب کرده است؛ اما پژوهشهایی که به فراهم نمودن یک چارچوب جامع از واکاوی یادگیری پرداخته باشند، بسیار کم بوده است. این پژوهش بنا دارد تا با شناسایی مولفههای واکاوی یادگیری در آموزش به ارائه چارچوب مفهومی از واکاوی یادگیری برای بهینه سازی یادگیری بپردازد. روشها: این پژوهش یک مطالعه کیفی است که طرح تحقیق آن تحلیل محتوا است. تحلیل مضمون یا تحلیل تماتیک که توسط براون و کلارک پیشنهاد شده است در قالب شش گام بهعنوان روش پژوهش استفاده شد که عبارتند از: (۱) آشناسازی با دادههای جمع آوری شده  (۲) استخراج کدهای اولیه (۳) جستجو برای مضامین و مولفهها (۴) بررسی مضامین و مولفههای احتمالی (۵) تعریف و نامگذاری مضامین و مولفهها و (۶) گزارش نتایج. در این پژوهش، ۱۴ نفر از متخصصان حیطه واکاوی یادگیری مورد مصاحبه قرار گرفتند. روش نمونهگیری هدفمند برای انتخاب شرکت کنندگان استفاده شد و استراتژی انتخاب این متخصصان بر اساس ارتباط فعالیتهای پژوهشی و نظری آنها بوده است. دلیل اینکه چرا ۱۴ نفر مورد مصاحبه واقع شدند؛ مبنای اشباع نظری بود که به معنای انجام فرایند جمع آوری داده است تا زمانی که داده جدید بهدست نیاید. این به این معنا است که قاعده اشباع نظری بهعنوان مبنای تعیین حجم نمونه استفاده شد. برای جمع­آوری داده­ها، مصاحبه بدون ساختار اجرا شد. تجزیه و تحلیل داده­ها در سه مرحله کدگذاری باز (کدگذاری خط به خط)، کدگذاری محوری (ترکیب کدها و ایجاد طبقهای از مفاهیم کلیتر) و کدگذاری انتخابی (فرایند انتخاب یک طبقه بهعنوان مقوله اصلی و ربط دادن دیگر طبقهها به این مقوله) انجام شده است. نرمافزار مورد استفاده برای تحلیل داده­ها MAXQDA نسخه ۲۰۱۸ بوده است. روایی یافته­ها بر اساس مولفه روایی محتوا (CVI) و پایایی یافته­ها براساس آزمون ضریب کاپا مورد بررسی قرار گرفت. یافتهها: یافتهها نشان داد که واکاوی یادگیری از هفت مولفه محیط (زمینه، فرهنگ و ارتباطات)، اهداف (بهینه­سازی یادگیری، تشخیص، آگاهی از فرایند یادگیری، بازخورد، تصمیم­گیری، بازتاب، خودتنظیمی، شخصی­سازی، انگیزش، نظارت و ارزیابی)، ذی­نفعان (یادگیرندگان، معلمان، طراحان یادگیری، مدیران و والدین)، داده (فراداده، داده معنی­دار، داده سوابق تحصیلی، داده تحصیلی، داده عملکردی، داده تعاملی و داده روانشناختی)، سطوح واکاوی (توصیفی، تشخیصی، پیش بینی و تجویزی)، فرآیند (جمعآوری، تحلیل، گزارش و تفسیر) و تکنیک (تحلیل شبکههای اجتماعی، خوشه­بندی، طبقه­بندی، پیش­بینی، رگرسیون، درخت تصمیم­گیری، تحلیل عاملی، کشف قوانین انجمنی، کشف الگوهای ترتیبی و تحلیل توصیفی)  تشکیل شده است که در کنار هم چارچوب مفهومی مولفه­های واکاوی یادگیری در آموزش برای بهینه­سازی یادگیری را تشکیل می­دهند. نتیجهگیری: براساس یافته­های پژوهش به کاربران واکاوی یادگیری در آموزش پیشنهاد می­شود که این هفت مولفه شناسایی شده را در هنگام استفاده از واکاوی یادیگری در آموزش برای بهینه­سازی یادگیری مورد توجه قرار دهند. براساس یافتهها، توصیهها برای فعالیتهای پژوهشی و عملی آتی پیشنهاد شده است.

نویسندگان

سید کاظم بنی هاشم

گروه تکنولوژی آموزشی، دانشکده علوم تربیتی و روانشناسی، دانشگاه علامه طباطبائی، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Prensky M. Digital natives, digital immigrants part 1. On the ...
  • Siemens G. Connectivism. A learning theory for the digital age. ...
  • Banihashem S K, Aliabadi K, Pourroostaei Ardakani S, Nili AhmadAbadi ...
  • Banihashem SK. Third wave: learning analytics. Journal of Educational Technology. ...
  • Fiaidhi J. The next step for learning analytics. IT Professional. ...
  • Zeide E. The structural consequences of big data-driven education. Big ...
  • Cooper MM. Data-driven education research. Science. 2007; 317(5842):1171 ...
  • Mokhtari K, Rosemary CA, Edwards PA. Making instructional decisions based ...
  • Siemens G, Long P. Penetrating the fog: Analytics in learning ...
  • Banihashem SK, Aliabadi K, Ardakani SP, Delaver A, Ahmadabadi MN. ...
  • Pardo A, Jovanovic J, Dawson S, Gašević D, Mirriahi N. ...
  • Vytasek JM, Patzak A, Winne PH. Analytics for student engagement. ...
  • Arnold KE, Pistilli MD. Course signals at Purdue: Using learning ...
  • Avella JT, Kebritchi M, Nunn SG, Kanai T. Learning analytics ...
  • Picciano AG. Big data and learning analytics in blended learning ...
  • Chatti MA, Dyckhoff AL, Schroeder U, Thüs H. A reference ...
  • Greller W, Drachsler H. Translating learning into numbers: A generic ...
  • Verbert K, Duval E, Klerkx J, Govaerts S, Santos JL. ...
  • Elias T. Learning analytics: Definitions, processes and potential. Corpus ID: ...
  • Clow D. The learning analytics cycle: closing the loop effectively. ...
  • Banihashem Sk. Development and validation of learning environment design model ...
  • Rezaei E. Learning analytics and MOOCs. Newsletter of Iranian E ...
  • Braun V, Clarke V. Using thematic analysis in psychology. Qualitative ...
  • Corbin J, Strauss A. Basics of qualitative research: Techniques and ...
  • Waltz CF, Bausell BR. Nursing research: design statistics and computer ...
  • Shacklock X. From bricks to clicks: The potential of data ...
  • Siemens G. Learning analytics: The emergence of a discipline. American ...
  • Liñán LC, Pérez ÁA. Educational data mining and learning analytics: ...
  • Siemens G, Baker RS. Learning analytics and educational data mining: ...
  • نمایش کامل مراجع