在线学习环境中的行为跟踪数据作为大学生学习参与度的指标
Marc Winter1, Julia Mordel2, Julia Mendzheritskaya1
1Educational Psychology, Geothe University, Frankfurt, Germany.
Frontiers in psychology
|November 7, 2024
概括
学习分析可以通过使用行为数据分析努力,注意力和兴趣来模拟学生在异步在线设置 (AOSs) 的参与. 这种方法有助于识别和减少大学生在线学习的挑战.
科学领域:
- 教育技术的教育技术
- 学习分析学习分析
- 高等教育 高等教育
背景情况:
- 异步在线设置 (AOSs) 对大学生学习提出了独特的挑战.
- 学习参与 (LE) 是理解和改进在线学习体验的关键构造.
- 学习分析提供了一个框架,通过跟踪数据分析学生的行为和参与.
研究的目的:
- 调查AOS中的学习参与 (LE) 是否可以使用其子维度建模:努力,注意力和内容兴趣.
- 识别特定的跟踪数据从学生行为在AOSs,代表LE的这些方面.
- 探索学习分析在理解和潜在地改善在线学习环境中的实用性.
主要方法:
- 在AOS的764名大学生数据上使用最佳子集回归分析.
- 检查了从在线学习环境中的学生行为中获得的跟踪数据.
- 与自我报告的努力,注意力和内容兴趣的措施相关的行为指标.
主要成果:
- 多个指标的组合模型显著占学生的LE差异的比例 (R2在0.04和0.13之间).
- 对于LE所识别的行为指标集,随着时间的推移是稳定的.
- 结果表明该模型可转移到类似的异步在线学习环境中.
结论:
- 学习分析可以有效地模拟学生在异步在线环境中的学习参与.
- 反映努力,注意力和兴趣的跟踪数据是LE的有价值指标.
- 研究结果支持学习分析的应用,以实现自动反,并加强在线环境中的大学教学.
更多相关视频
10:43Eye-tracking Technology and Data-mining Techniques used for a Behavioral Analysis of Adults engaged in Learning Processes
Published on: June 10, 2021
5.3K
13:44Project-Based Learning Guidelines for Health Sciences Students: An Analysis with Data Mining and Qualitative Techniques
Published on: December 9, 2022
3.5K
