Forskare från Handelshögskolan och KU Leuven har utvecklat en metod för att mäta tillväxten i studenters färdigheter i digitala lärmiljöer. Det hjälper till att se framstegen för onlinekursdeltagare i dynamik, dvs. att förstå hur eleverna studerar och hur kursen fungerar. Resultaten av studien har publicerats i tidskriften Beteendeforskningsmetoder .
Det förväntade och önskade resultatet av en kurs är tillväxt i studenternas färdigheter, och en ökning av deras kunskaper och färdigheter. Denna tillväxt representeras av en positiv skillnad mellan kunskaper och färdigheter i slutet och början av kursen. Under många år, Tillväxten har mätts som skillnaden i resultaten av slut- och antagningsprovet. Dock, detta tillvägagångssätt, som använder två kontrollpunkter, tillåter inte att dynamiken i tillväxten inom kursen spåras och förstås.
Det nya tillvägagångssättet som föreslås av forskarna från HSE och KU Leuven är baserat på studenters digitala loggade data. Loggade data representerar händelser som registrerats av onlineutbildningsplattformen, som att titta på videoföreläsningar och försöka lösa uppgifter. Genom att använda dessa data, forskarna kan se två typer av kompetenstillväxt:kontinuerlig (genom hela kursen) och lokal (inom ett visst område, kopplat till en viss uppgift).
Kontinuerlig tillväxt uppskattas som en kumulativ effekt av att titta på videoföreläsningar vid en viss tidpunkt av onlinekursen. Lokal tillväxt beräknas som effekten av ett försök att lösa en specifik uppgift. Som forskarna noterar, båda effekterna är specifika för varje elev. Med andra ord, samma antal materialvisningar ger olika tillväxt för två olika elever.
'Således, vi ser resultaten för varje student när som helst under kursen, och vi slösar inte bort deras tid på omfattande inträdes- och slutprov. Vår forskning är en konceptuell övergång från traditionell analys av testresultat till progressiv analys av digitala spår i utbildningsmiljön, säger Dmitrij Abbakumov, författare till artikeln och chef för HSE-centrum för psykometri i eLearning.
Dessa modeller kan användas i analytiska paneler på onlineutbildningsplattformar, medan algoritmer baserade på dem är lämpliga för bläddring och rekommendationslösningar inom digital utbildning.
