Data Driven Approaches in Digital Education
Data Driven Approaches in Digital Education
复制标题
数字教育中的数据驱动方法
DOI：
10.1007/978-3-319-66610-5_2
复制
发表时间：
2017
期刊：
影响因子：
--
通讯作者：
Cukurova M
中科院分区：
文献类型：
--
作者：
Cukurova M
本文有助于我们了解如何设计学习分析，以捕获和分析协作解决问题（CPS）在基于实践的学习活动。大多数学习分析研究都集中在数字学习环境中的学生互动上，但学校的大多数学习和教学仍然发生在物理环境中。调查学生在物理环境中的互动可以用来产生学生之间的可观察到的差异，然后可以用于学习分析的设计和实施。在这里，我们提出了几个原始的方法来识别这样的差异组CPS行为。我们的数据集是基于人的观察，手的位置（基准标记）和头部方向（面部识别）的数据，从18名学生在六组工作的三个。结果表明，高胜任力的CPS组花在他们的问题解决和协作阶段的时间平均分配。然而，低能力的CPS组花费他们的大部分时间在识别知识和技能的不足。此外，机器可观察的数据显示，高能力的CPS组呈现对称的贡献的物理任务，并提出高同步性和个人问责制值。研究结果对未来学习分析系统的设计和实施具有重要意义。
This paper contributes to our understanding of how to design learning analytics to capture and analyse collaborative problem-solving (CPS) in practice-based learning activities. Most research in learning analytics focuses on student interaction in digital learning environments, yet still most learning and teaching in schools occurs in physical environments. Investigation of student interaction in physical environments can be used to generate observable differences among students, which can then be used in the design and implementation of Learning Analytics. Here, we present several original methods for identifying such differences in groups CPS behaviours. Our data set is based on human observation, hand position (fiducial marker) and heads direction (face recognition) data from eighteen students working in six groups of three. The results show that the high competent CPS groups spend an equal distribution of time on their problem-solving and collaboration stages. Whereas, the low competent CPS groups spend most of their time in identifying knowledge and skill deficiencies only. Moreover, as machine observable data shows, high competent CPS groups present symmetrical contributions to the physical tasks and present high synchrony and individual accountability values. The findings have significant implications on the design and implementation of future learning analytics systems.
登录
查看更多内容
哪些用户交互可以预测工作集成学习的专业水平？
DOI：
10.1007/978-3-642-40814-4_15
发表时间：
2013
期刊：
Techné: Research in Philosophy and Technology
影响因子：
--
作者：
Tobias Ley;Barbara Kump
通讯作者：
Barbara Kump
学习分析研究的动态主题模型
DOI：
--
发表时间：
2013
期刊：
International Conference on Learning Analytics and Knowledge
影响因子：
--
作者：
M. Derntl;Nikou Günnemann;R. Klamma
通讯作者：
R. Klamma
查看系统认为您知道的内容：在开放学习者模型中可视化证据
DOI：
--
发表时间：
2012
期刊：
International Conference on Learning Analytics and Knowledge
影响因子：
--
作者：
Barbara Kump;C. Seifert;G. Beham;Stefanie N. Lindstaedt;Tobias Ley
通讯作者：
Tobias Ley
学习分析及其在技术增强的专业学习中的应用
DOI：
--
发表时间：
2013
期刊：
影响因子：
--
作者：
Bettina Berendt;Riina Vuorikari;A. Littlejohn;A. Margaryan
通讯作者：
A. Margaryan
工作场所和专业学习的学习分析
DOI：
--
发表时间：
2016
期刊：
International Conference on Learning Analytics and Knowledge
影响因子：
--
作者：
Tobias Ley;R. Klamma;Stefanie N. Lindstaedt;Fridolin Wild
通讯作者：
Fridolin Wild