Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSonuç olarak, analitikler bakımından yüksek performans gösteren öğrencilerin akademik başarılarının daha yüksek olduğu bulunmuştur.
📌 3 Maddede Bu Makale
Özet
Bu araştırmanın amacı, COVID sonrası dönemde eğitimde dijital dönüşümün niteliğini artırmaya katkı sağlamak için, değerlendirmenin sürece yayıldığı bir çevrimiçi derste analitik temelli öğrenme performansı farklı olan grupların, ara sınav ve final performansını, e-değerlendirme tasarımı algısını ve genel öğrenme deneyimini incelemektir. Araştırmada öğrenme analitiği süreci yürütülmüş olup, betimleyici analitik yöntemi kullanılmıştır. Bu süreç ara sınava kadar ve finale kadar olan dönemlerde öğrenme performansı ile ilişkilendirilebilecek metriklerinin toplanmasını ve analiz edilmesini içermektedir. Çalışma grubu uzaktan eğitim programlarına kayıtlı olup Bilgi ve İletişim Teknolojileri dersini alan 285 öğrenciden oluşmaktadır. Veriler her konu için ön test, MOODLE içerisinde öğrenci izleme araçları (canlı derse katılım, çevrimiçi çalışma süresi, etkinlik tamamlama yüzdesi, öğrenme kaynaklarına erişim), e-değerlendirme tasarımı algısı ve genel öğrenme deneyimi boyutlarının kullanıldığı e-değerlendirme ölçeği ve çevrimiçi sınav (ara ve final) aracılığıyla toplanmıştır. Analitik temelli öğrenme performansını betimleyebilmek için kümeleme analizi (k-means ve hiyerarşik) kullanılmıştır. Kümelere göre ara sınav ve final performansı, e-değerlendirme tasarımı algısı ve genel öğrenme deneyimleri arasında farklılık t-testi ile analiz edilmiştir. Sonuç olarak, analitikler bakımından yüksek performans gösteren öğrencilerin akademik başarılarının daha yüksek olduğu bulunmuştur. Fakat, kurumların uzaktan eğitime ilişkin yönetmeliklerindeki sınırlılıklar nedeni ile adil bir değerlendirme sürecinin garanti edilemeyeceği tartışılmaktadır. Bu doğrultuda başarı ölçütlerinin daha iyi nasıl belirlenebileceğine odaklanılarak öğrenme performansını daha nitelikli ortaya koyabilecek uygulama örneklerinin çoğaltılması faydalı olabilir.
Abstract
This research aims to examine the midterm and final performance, e-assessment design perception, and general learning experiences of learners whose performance is different according to the analytics used in e-assessment. In the research, the learning analytics process was carried out and the descriptive analytics method was used. This process includes the collection and analysis of metrics that can be associated with learning performance in the periods until the midterm and the final. The study group consists of 285 students enrolled in distance education programs and taking the Information and Communication Technology course. Data were collected through pre-test for each subject, student monitoring tools in MOODLE LMS, an online assessment scale, and midterm and final exams (midterm and final). Clustering analysis (k-means and hierarchical) was used to describe learning performance. Differences between academic achievement, e-assessment, and general learning experiences by clusters were analyzed by t-test. As a result, in an e-assessment design like the one in this study, it was found that students with high performance in terms of the variables considered had higher academic achievement. However, it is argued that due to the limitations in the regulations, a fair assessment process cannot be guaranteed. In this respect, it may be beneficial to focus on how to determine the success criteria better and how to increase the implementation examples that can demonstrate the learning performance in a more qualified way.