نقش تحلیل داده‌های آموزشی در بهبود عملکرد یادگیری: مروری نظام‌مند
کلمات کلیدی:
تحلیل داده‌های آموزشی, یادگیری شخصی‌سازی‌شده, انگیزش تحصیلی, خودتنظیمی یادگیری, بازخورد انطباقی, تحلیل مضمونچکیده
هدف: هدف پژوهش حاضر، بررسی نقش تحلیل داده‌های آموزشی در ارتقای کیفیت یادگیری، شخصی‌سازی آموزش و تصمیم‌گیری مبتنی بر داده در محیط‌های آموزشی دیجیتال بود.
روش‌ها و مواد: پژوهش حاضر از نوع مروری نظام‌مند و کیفی است. داده‌ها صرفاً از طریق مرور ادبیات علمی گردآوری شده و ۱۲ مقاله علمی پژوهشی منتشرشده در پایگاه‌های Scopus، Web of Science و ScienceDirect انتخاب شدند. تحلیل داده‌ها با استفاده از روش تحلیل مضمون و نرم‌افزار Nvivo نسخه ۱۴ انجام گرفت. مقالات منتخب بر اساس معیارهای ارتباط موضوعی، روش‌شناسی معتبر و انتشار در مجلات دارای داوری علمی انتخاب شدند. فرایند تحلیل داده‌ها تا رسیدن به اشباع نظری ادامه یافت و مضامین اصلی از طریق کدگذاری باز، محوری و انتخابی استخراج گردیدند.
یافته‌ها: یافته‌های پژوهش نشان دادند که تحلیل داده‌های آموزشی ابزاری کارآمد برای ارتقای تصمیم‌گیری آموزشی، شناسایی الگوهای یادگیری و پیش‌بینی عملکرد تحصیلی یادگیرندگان است. این تحلیل‌ها موجب افزایش انگیزش، خودتنظیمی و مشارکت یادگیرندگان شده و به طراحی بازخوردهای انطباقی و محیط‌های یادگیری شخصی‌سازی‌شده کمک می‌کنند. علاوه بر مزایا، چالش‌هایی نظیر کمبود سواد داده‌ای، نگرانی‌های اخلاقی و محدودیت‌های زیرساختی نیز شناسایی شد که می‌تواند مانع استفاده مؤثر از تحلیل داده‌ها در نظام‌های آموزشی گردد.
نتیجه‌گیری: تحلیل داده‌های آموزشی یکی از مؤثرترین ابزارهای تحول آموزش در عصر دیجیتال است که با ادغام فناوری، داده و نظریه‌های یادگیری، می‌تواند به بهبود عملکرد یادگیرندگان و تصمیم‌گیری آگاهانه در آموزش منجر شود. با این حال، استفاده اثربخش از آن نیازمند توسعه سواد داده‌ای، چارچوب‌های اخلاقی و زیرساخت‌های مناسب است.
دانلودها
مراجع
Arnold, K. E., & Pistilli, M. D. (2019). Course signals at Purdue: Using learning analytics to increase student success. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge, 267–270.
Clow, D. (2020). An overview of learning analytics. Teaching in Higher Education, 25(7), 931–946.
Ferguson, R. (2019). Learning analytics: Drivers, developments and challenges. International Journal of Technology Enhanced Learning, 11(1), 118–137.
Gašević, D., Dawson, S., Rogers, T., & Gasevic, D. (2017). Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. Internet and Higher Education, 28, 68–84.
Han, F., & Ellis, R. A. (2020). Using phenomenography to tackle key challenges in educational data analytics. Educational Research Review, 31, 100356.
Ifenthaler, D., & Schumacher, C. (2016). Student perceptions of privacy principles for learning analytics. Educational Technology Research and Development, 64(5), 923–938.
Ifenthaler, D., & Yau, J. Y. (2020). Utilising learning analytics to support study success in higher education: A systematic review. British Journal of Educational Technology, 51(4), 1045–1068.
Lodge, J. M., Kennedy, G., & Lockyer, L. (2020). Learning analytics in the classroom: Translating learning analytics for teachers. Frontiers in Education, 5, 109.
Lu, O. H. T., Huang, A. Y. Q., Huang, J. C. H., Lin, A. J. Q., & Yang, S. J. H. (2018). Applying learning analytics for improving students’ engagement and learning outcomes in an MOOCs. Computers & Education, 122, 23–36.
Papamitsiou, Z., & Economides, A. A. (2019). Learning analytics and educational data mining in practice: A systematic literature review. Educational Technology & Society, 17(4), 49–64.
Pardo, A., Jovanović, J., Dawson, S., Gašević, D., & Mirriahi, N. (2019). Using learning analytics to scale the provision of personalised feedback. British Journal of Educational Technology, 50(1), 128–138.
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), e1355.
Siemens, G., & Long, P. (2021). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 30–40.
Slade, S., & Prinsloo, P. (2019). Learning analytics: Ethical issues and dilemmas. American Behavioral Scientist, 57(10), 1510–1529.
Tempelaar, D. T., Rienties, B., & Giesbers, B. (2019). In search for the most informative data for feedback generation: Learning analytics in a data-rich context. Computers in Human Behavior, 47, 157–167.
