6 Nejmodernější vzdělávací technologie, které usnadňují eLearning v měřítku

5 let od svého vzniku je MOOC lépe známo širšímu publiku. Kromě MOOC, mnoho velkých společností, hlavně v technologické oblasti, zavádí své online eLearningové platformy, jako je Google, Microsoft, VMware, IBM, atd. Pro tyto velké eLearningové platformy je jedním z hlavních problémů škálovatelnost: Jak bychom mohli zajistit efektivní učení zkušenosti s širší škálou studentů, ale zároveň zůstávají vysokou účastí studentů současně? Jak můžeme spravovat efektivní hodnocení online v měřítku? Tento článek vás seznámí s 6 nedávným výzkumem společnosti EdTech, který poskytuje vodítka k odpovědím na tyto otázky.

  1. Automatické generování otázek s možností výběru (MCQ)

Jak to funguje:

Hlavní myšlenkou je získávání žáků pomocí vysvětlení otevřeného textu žáků, proč si vybrali volbu zavést nové možnosti v rámci stejné otázky.

Výzkum prokázal, že MCQ vytvořené z otevřených odpovědí:

(1) Neodstraňujte tvrdou část

(2) Vezměte studenty méně času na řešení problémů

Potenciální aplikace:

V programu certifikátů / titulů, pro které se budoucí zaměstnavatelé zajímají o platnost hodnocení, pokud se otázka opakování otázek změní, je možné, že hra studentů systém klesne a tím se zlepší platnost hodnocení, což může být lepší prodejní výzvou pro příslušné zúčastněné strany. .

Odkaz:

Wang, X., Talluri, ST, Rosé, C., & Koedinger, K. (2019). UpGrade: Získávání otevřených řešení pro studenty k vytvoření škálovatelných vzdělávacích příležitostí.

2. Peer Studio: Srovnávací nástroj vzájemného hodnocení, který poskytuje vyšší kvalitu zpětné vazby a podporuje hlubší reflexi.

Jak to funguje:

Na palubní desce studentů viděli 2 příspěvky, jeden vlevo a druhý vpravo. Na obrazovce se také objeví rubrika přednastavená instruktorem. Studenti musí hodnotit příspěvky samostatně a porovnat je proti sobě.

(velké snímky obrazovky viz dodatek)

Vzdělávací věda za tím stojí, že kontrastní případy upozorňují na nesrovnalosti a hlubší strukturu.

Odkaz na demo: https://www.peerstudio.org/

Potenciální aplikace:

Spousta otevřených textových úloh, jako jsou papíry, čtení, používá pro hodnocení vzájemné hodnocení. Tato technika pomáhá kolegům poskytovat lepší hodnocení.

Odkaz:

Cambre, J., Klemmer, S., & Kulkarni, C. (2018, duben). Juxtapeer: Srovnávací peer review poskytuje kvalitnější zpětnou vazbu a podporuje hlubší reflexi. Ve sborníku z konference 201I CHI o lidských faktorech ve výpočetních systémech (str. 294). ACM.

3. Platforma Crowd-Critique

Jak to funguje:

Studie ukazuje, že šablona pro peer review v oblasti sociálních médií jako lešení vytváří kvalitnější zpětnou vazbu.

Potenciální aplikace:

Podobné jako u č. 2, ale snáze se provádí Je to více o vytváření kvalitní vzájemné odezvy než o vytváření souhrnného skóre.

Odkaz:

Velikonoce, MW, Lewis, DR a Gerber, EM (2017). Navrhování systémů crowdcritique pro formativní zpětnou vazbu. International Journal of Artificial Intelligence in Education, 27 (3), 623–663.

4. Vložte inteligentní kognitivní lektor na platformu MOOC, aby vám poskytl personalizaci na úrovni kroku v reálném čase

Jak to funguje:

Technický mechanismus pilotní integrace CTAT (kognitivního nástroje pro tvorbu tutorů) do kurzu edX:

(snímek z Vincent Aleven: CMU 19 Spring Personalized Online Learning 2)

Potenciální aplikace:

· Poskytněte personalizaci v reálném čase

· Zvýšit zapojení studentů

Odkaz:

Aleven, V., Sewall, J., Popescu, O., Ringenberg, M., Van Velsen, M., & Demi, S. (2016, červen). Vkládání inteligentních doučovacích systémů do MOOC a e-learningových platforem. Na mezinárodní konferenci o inteligentních doučovacích systémech (str. 409–415). Springer, Cham.

Pardos, ZA, Tang, S., Davis, D., & Le, CV (2017). Umožnění adaptace v reálném čase v MOOCs s přizpůsobeným rámcem doporučení pro další krok. V C. Urrea, J. Reich a C. Thille (Eds.), Sborník ze čtvrté konference ACM o učení @ Scale, L @ S 2017 (str. 23–32). New York: ACM.

5. Získávání žáků

Co to je:

Žáci nevědí, tj. Mezery v jejich znalostech a další omezení zúčastněných stran. Učitelé mohou mít také své „odborné slepé skvrny“, což může vést k příliš optimistickým očekáváním předchozích znalostí studentů.

Proto používáme studijní zdroje ke sběru dat pro iteraci našeho vzdělávacího návrhu. Existují 2 typy získávání žáků, pasivní získávání žáků a aktivní získávání žáků. Pasivní získávání studentů pouze sleduje, co studenti dělají, například to, na co klikli, jak dlouho zůstali na každé stránce / tutoriálu. Aktivní získávání studentů žádá studenty, aby se zapojili do aktivit, jako jsou vyskakovací otázky ve videu.

Jak to funguje:

Seznam časově označených protokolů o činnosti, které se obvykle shromažďují při pasivním získávání žáků, zahrnuje přihlašovací údaje, návštěvy na kurzu, návštěvy stránek, podrobnosti o prohlížení videa (start, stop, skok vpřed nebo vzad atd.), Příspěvky ve fóru / čtení, „učení“ činnosti prováděné automatizovaným tříděním, automatickým tříděním nebo srovnávacím tříděním (řekněme s rubrikou nebo s odbornými odpověďmi), pořizováním poznámek atd.

Následující obrázek ukazuje některé aplikace pro získávání žáků pro online vzdělávání.

(1) LectureSpace: Časová osa 2D video přednášky odrážející stopy společné navigace

(2) Crowdy: Žák získává subgoální štítky pro videa s postupy

Předchozí průzkum naznačuje, že lidé se dozvěděli více od videí s postupy, když jsou videa doprovázena obrysy znázorňujícími jednotlivé kroky a štítky pro skupiny kroků (subgoaly). Výzkumná skupina vytváří přístup, který žáky přirozeně motivuje k tomu, aby přispívali k pracovním postupům při výpočtech lidí, protože se přirozeně učí o učení z videí.

(3) ConceptScape: Automaticky zvýrazní naučené koncepty do interaktivní koncepční mapy, zatímco rádio hraje.

Jak to vypadá pro studentyJak je generován

(4) RIMES: systém pro snadné vytváření, zaznamenávání a prohlížení interaktivních multimediálních cvičení vložených do přednáškových videí. Učitelé pak mohou v agregované galerii zkontrolovat a reagovat na všechny reakce studentů.

(5) Mudslide: Prostorově kontextualizujte zpětnou vazbu studentů na blátivé body s ohledem na konkrétní přednáškové skluzavky.

6. Počítačem podporované kolaborativní učení (CSCL)

Bazzar je agentem vyvinutým Carnegie Mellon University, který je veřejně dostupný pro organizaci podpory skupinového učení založenou na konverzačních agentech. Hostuje knihovnu opakovaně použitelných komponent chování, z nichž každá spouští jednoduchou formu podpory. Složitější podpůrné intervence jsou vytvářeny organizováním několika jednoduchých chování.

Výzkum ukázal, že dynamická podpora, která leší kolaborativní procesy v souladu s perspektivami studentů, povede ke zvýšenému osvojení vícerozměrných znalostí.

Odkaz:

Wang, X., Wen, M. a Rosé, C. (2017). Kontrastní explicitní a implicitní podpora transaktivní výměny v týmově orientovaném projektovém učení. Philadelphia, PA: Mezinárodní společnost věd o učení ..