Forskere foreslår ny model til måling af vækst i elevers færdigheder i MOOC'er

Forskere fra Handelshøjskolen og KU Leuven har udviklet en metode til at måle vækst i studerendes færdigheder i digitale læringsmiljøer. Det hjælper at se onlinekursisternes fremskridt i dynamik, dvs. at forstå, hvordan eleverne studerer, og hvordan kurset fungerer. Resultaterne af undersøgelsen er blevet offentliggjort i tidsskriftet Adfærdsforskningsmetoder .

Det forventede og ønskede resultat af ethvert kursus er vækst i de studerendes færdigheder, og en stigning i deres viden og færdigheder. Denne vækst er repræsenteret af en positiv forskel mellem viden og færdigheder i slutningen og begyndelsen af ​​kurset. I mange år, vækst er blevet målt som forskellen i resultaterne af slut- og optagelsesprøverne. Imidlertid, denne tilgang, som bruger to kontrolpunkter, tillader ikke vækstdynamikken i forløbet at blive sporet og forstået.

Den nye tilgang foreslået af HSE- og KU Leuven-forskerne er baseret på studerendes digitale loggede data. Loggede data repræsenterer hændelser optaget af online læringsplatformen, såsom at se videoforelæsninger og forsøge at løse opgaver. Ved at bruge disse data, forskerne kan se to typer færdighedsvækst:kontinuerlig (gennem hele forløbet) og lokal (i et bestemt område, knyttet til en bestemt opgave).

Kontinuerlig vækst estimeres som en kumulativ effekt af at se videoforelæsninger på et bestemt tidspunkt af onlinekurset. Lokal vækst opgøres som effekten af ​​et forsøg på at løse en konkret opgave. Som forskerne bemærker, begge effekter er specifikke for hver elev. Med andre ord, det samme antal materialevisninger resulterer i forskellig vækst for to forskellige elever.

'Dermed, vi ser resultaterne for hver elev på et hvilket som helst tidspunkt af kurset, og vi spilder ikke deres tid på omfangsrige indgangs- og afsluttende prøver. Vores forskning er en konceptuel overgang fra traditionel analyse af testresultater til progressiv analyse af digitale spor i uddannelsesmiljøet, siger Dmitry Abbakumov, forfatter til artiklen og leder af HSE Center for Psykometri i eLearning.

Disse modeller kan bruges i analytiske paneler på online læringsplatforme, mens algoritmer baseret på dem er velegnede til browsing og anbefalinger af løsninger i digital undervisning.