發表文章

目前顯示的是 3月, 2014的文章

揭開MOOCs使用者的面紗

圖片
5252「大規模開放線上課程」MOOCs很重要的一個特性就是「大規模」的使用者,到底這些使用者來自哪裡?為什麼會聚在一起學習?又會因為大量的人數獲得什麼好處?這些問題一直是許多人感到好奇的。 MOOCs鎖定的對象 由於MOOCs是開放給每個人都有機會使用的線上課程,因此會為不同對象群帶來不同的好處。 對於 在學學生 而言,正在上本科專業課程的人可以 補充更多有關的知識 ,作為自己預習或複習的材料,也可以選一些自己有興趣的其他課程。學生將能接受到來自世界一流大學的課程,且 根據自己的興趣、能力來安排學習內容 ,而非被動接受老師安排的進度。 對於 授課老師 而言,身為MOOCs的提供者,一方面可以 接觸到世界各地更廣泛的學生族群 ,另一方面也用 嶄新思維重新設計實體課程的教材 。另外,老師也可以從他校提供的MOOCs進行 教學觀摩 ,參考其他學校老師的教學方式、使用教材,或直接用他校MOOCs 搭配實體課程 進行翻轉教室。再者,由於有廣大的使用者,老師在課堂內指定的閱讀文獻往往會大賣,如此一來也將使其 著作的影響力 增加。 對於 學校 而言,MOOCs是可以 增加學校的知名度 ,讓世界各地的學生發現這個學校擅長的特色是什麼,以及見識到優秀的師資,增加學生註冊該大學的機率。同時,申請這些大學的高中生也可以增加對學校的了解,並在入學前先做一些準備,有利於 提升入學學生的基本能力 。 對於 職場人士 ,有鑒於當今局面變動快速,許多人進入職場會發現以前學的東西已經 過時 ,或是發現工作中要處理的問題需要 其他領域的知識 才能解決,這時MOOCs就是一個讓他們能 在自己方便的時間地點 學習的地方。不僅對他們現在的工作內容可能有所幫助,也能在 履歷 上添上一筆紀錄,證明自己的學習動機、能力、外語能力等。 整體而言,MOOCs改變了學習的方式與意義,將教育的決定權放在廣大的學習者手上,不論學習者的背景、身份、目的為何,都有機會花少許資金學到自己有需要或有興趣的科目,實現終身學習的願景。 MOOCs授課者的想法 多數提供MOOCs課程的老師們都說,製作一堂MOOCs課程會 佔用到他們其他做研究和實體授課的時間 ,就算沒有開放信箱給學生提問,每週也會被論壇中的學生召喚個一兩次。 另外,他們 對於學生從線上課程獲得的實質能力是有些懷疑的 ,因此對

MOOC與學習資料分析

MOOC之所以受到高等教育的重視,不只是因為「連結主義」或「翻轉教室」挑戰傳統教學,也不只是「開放教育」的理念,還有在MOOC上的大規模線上學習紀錄。正如亞馬遜、臉書、google無時無刻都在蒐集你的使用資料,根據這些資料調整成更客製化的服務,同樣的,MOOC留下的大量學習紀錄資料也能用來調整老師的授課方式,提供學生更好的課程。 學習資料分析的發展 學習管理系統在1990年代出現,當時根據以老師和課程為中心的傳統教學模式進行設計,由於主要是企業培訓採用,因此很重要的發展是和企業結構結合,留下來的記錄除了教學內容,還留下其他資料方便企業以不同方式善加運用。 在社會網絡和雲端應用等2.0工具出現後,學習管理系統開始轉向以學習者為中心,不只老師,學生也會留下資料紀錄。因此, 現在的學習資料分析就承繼以往所包含的資料,有來自老師與學生的教學過程數據,也有基本的個人檔案資料或機構行政性紀錄。 然而,一般的學習管理系統和學生資訊系統獲得的資訊仍不夠全面, 只是學習過程的一部分,並不是完整的學習資料,像是學生和同儕的互動過程、圖書館利用、老師進行的指導都不會留下紀錄 ,必須搭配其他實體裝置留下的紀錄來補足其他面向。 MOOC帶給學習資料分析的 MOOC的出現帶來的許多突破。因為 MOOC是專門替線上學習者準備的課程,所以完整的學習過程都會在線上進行,留下可供分析的紀錄。 不論是學生觀看影片次數、問題作答次數、和同學或老師的互動,全部都會在此留下資料,顯現出 更貼近真實的學習者行為模式 。 特別是 MOOC的學習者來自世界各地 ,產生的資料就 可以從不同的角度切入進行分析 ,對於現況的解釋和預測能力也會比以往更好。 要注意的是,MOOC進行學習資料分析時有兩點和一般教育場合不同。首先是要注意MOOC的課程理念不同於一般課程,像是 cMOOC 在設計課程時給予學生極大的學習主導權,不認為不照老師所排進度或沒完成課程的學生代表學習成效不佳 ,此時就不能輕易的用這方面的資料分析衡量該課。另外一點,就是MOOC的參與者非常分散,因此中輟率必然會比一般正規教育更高,同學參與的模式也會有更明顯的差異。 在此情況下,以往解讀學習資料時所推論的中輟原因不一定能適用。MOOC累積的龐大資料量除了需要發展出更多新的分析技術,也應有不同的資料解讀方式及實務改善方式。

從線上學習者的行為資料挖掘黃金

科技和網路越來越發達,越來越多的日常生活行為在線上展現,留下可觀的紀錄資料,這些資料都能用來分析,讓人更了解使用者的行為,根據這些真實行為來修正現在提供的服務,或提供更符合個人需求的服務。 「Analytic」即「以資料引發決策」 ,這樣的概念在任何領域是共通的。「商業資料分析(Business analytic)」已行之有年,可以了解提供的新服務是否奏效,進而能增加營運績效、擴展在地和全球影響力、建立新的募款模式、回應課責性。用在學術機構,就稱為「學術(academic)資料分析」,由於高等教育機構的目標和資訊需求不同於商業,因此分析的測量方式和指標會有所不同。 不同於上述兩者, 「學習資料分析(learning analytic)」重視的是學習成效和教育機構營運卓越度,透過蒐集和分析學生學習資料,可以觀察和理解學生的學習行為,提供證據說明機構要怎樣訓練才能達到目標,並讓教學者能適時調整教學活動。 這是近年來興起與發展中的新領域,2011年才出現這個領域的第一場國際研討會Learning Analytics and Knowledge (LAK),來自資工、統計、程式、網絡分析、教育心理學的學者都表達對此領域感興趣。 「學習資料分析」(Leaning Analytics)的四要素 學習資料分析學會 (The Society for Learning Analytics, SoLAR) 是這麼定義的 : 「學習資料分析是為了理解和強化學習和學習發生的環境,測量、蒐集、分析和報告關於學習者及其脈絡的資料。」 可以看出,學習資料分析包含四個重要要素 : 資料蒐集 : 用程式等方法來蒐集來自單一或多元資源的結構化或非結構化資料,以量化或質化方法分析後,結果用視覺化、表格、圖表等方式展現。 學生學習 : 資料分析的核心目標是要了解「學習者在做什麼、他們花時間在哪些地方、他們使用了哪些內容、他們對話的本質、他們進展得如何」。 觀眾(分析結果的使用者) : 學習資料分析可以回饋給老師、學生、行政人員。 調整干預 : 學習資料分析不能只停留在蒐集階段,更要促成觀眾在個人、課程、部門、機構等層次進行即時且恰當的調整行動。 學習者的資料類型 學習者的資料主要有兩種類型,一種是「 學習者表現行為 」,像是學生在特定時間內的觀看次數、正確完