ՄԵԾ ՏՎՅԱԼՆԵՐԻ ԵՎ ՈՒՍՈՒՑՄԱՆ ՎԵՐԼՈՒԾԱԿԱՆ ԱՂԲՅՈՒՐՆԵՐԻ ԴԵՐԸ ԲՈՒՀՈՒՄ ՈՐԱԿԻ ԱՊԱՀՈՎՄԱՆ ԳՈՐԾԸՆԹԱՑՈՒՄ
DOI-:
https://doi.org/10.46991/educ-21st-century.v7.i1.087Բանալի բառեր-:
մեծ տվյալներ, ուսուցման վերլուծություն, որակի ապահովում, բարձրագույն կրթություն, ուսանողների ներգրավվածություն, ակադեմիական արդյունքներ, տվյալների գաղտնիություն, էթիկական խնդիրներ, խառը մեթոդներ, կրթական տեխնոլոգիաներԱմփոփում
Այս հետազոտությունը ուսումնասիրում է, թե ինչպես մեծ տվյալները և ուսուցման վերաբերյալ վերլուծական տեղեկույթը կարող են բարելավվել բարձրագույն ուսումնական հաստատությունների որակի ապահովման գործընթացները: Կիրառելով հետազոտական խառը մեթոդների՝ վերլուծվել են 6 համալսարանի 600 ուսանողներից և 200 դասախոսներից վերցված տվյալներ: Քանակական վերլուծությունը, ներառյալ ռեգրեսիոն մոդելները, ցույց տվեց, որ ուսուցման կառավարման համակարգերի (LMS) ներգրավվածությունը կազմում է ուսանողների գնահատականների տատանումների 45 %-ը՝ ընդգծելով տեխնոլոգիայի օգտագործման և ակադեմիական արդյունքների միջև զգալի կապը: Հարցազրույցներից ստացված որակական արդյունքները բացահայտեցին մարտահրավերներ, ինչպիսիք են ուսուցման կառավարման համակարգերի անհուսալիությունն ու էթիկական խնդիրները, մասնավորապես՝ տվյալների գաղտնիության ապահովման մարտահրավերները, որոնք խոչընդոտում են լայն տարածմանը: Հետազոտությունը եզրակացնում է, որ ուսուցման գործընթացի վերաբերյալ վերլուծությունները զգալի օգուտներ են առաջարկում կրթության որակի մշտադիտարկման և բարելավման համար, սակայն դրանց հաջողությունը կախված է ամուր տեխնոլոգիական ենթակառուցվածքից, անձնակազմի վերապատրաստումից և էթիկական շրջանակներից: Այն առաջարկում է ռազմավարական ներդրումներ ոչ բավարար տարածաշրջաններում և հստակ տվյալների քաղաքականությունների սահմանում՝ այս գործիքների ներուժը առավելագույնս օգտագործելու համար՝ միաժամանակ հասցեագրելով արդարության ու գաղտնիության հարցերը:
Հղումներ
1. Arnold, K. E., & Pistilli, M. D. (2012). Course signals at Purdue: Using learning analytics to increase student success. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (pp. 267–270). Association for Computing Machinery. https://doi.org/10.1145/2330601.2330666
2. Baig, M. I., Shuib, L., & Yadegaridehkordi, E. (2021). Big data in education: Systematic literature review. Journal of Enterprise Information Management, 34(4), 1074–1105. https://doi.org/10.1108/JEIM-06-2020-0235
3. Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. In J. A. Larusson & B. White (Eds.), Learning analytics: From research to practice (pp. 61–75). Springer. https://doi.org/10.1007/978-1-4614-3305-7_4
4. Daniel, B. (2015). Big data and analytics in higher education: Opportunities and challenges. British Journal of Educational Technology, 46(5), 904–920. https://doi.org/10.1111/bjet.12230
5. Drachsler, H., & Greller, W. (2016). Privacy and analytics: It’s a DELICATE issue. A checklist for trusted learning analytics. In Proceedings of the Sixth International Conference on Learning Analytics & Knowledge (pp. 89–98). Association for Computing Machinery. https://doi.org/10.1145/2883851.2883893
6. Macfadyen, L. P., & Dawson, S. (2010). Mining LMS data to develop an 'early warning system' for educators: A proof of concept. Computers & Education, 54(2), 588–599. https://doi.org/10.1016/j.compedu.2009.09.008
7. Gašević, D., Dawson, S., & Siemens, G. (2016). Let’s not forget: Learning analytics are about learning. TechTrends, 60(1), 64–71. https://doi.org/10.1007/s11528-014-0822-x
8. Harvey, L., & Williams, J. (2010). Fifteen years of quality in higher education. Quality in Higher Education, 16(1), 3–36. https://doi.org/10.1080/13538321003679457
9. Jokhan, A., Sharma, B., & Singh, S. (2020). Early warning system as a predictor for student performance in higher education blended courses. Studies in Higher Education, 45(9), 1900–1911. https://doi.org/10.1080/03075079.2019.1604648
10. Lockyer, L., Heathcote, E., & Dawson, S. (2013). Informing pedagogical action: Aligning learning analytics with learning design. American Behavioral Scientist, 57(10), 1439–1459. https://doi.org/10.1177/0002764213479367
11. Prinsloo, P., & Slade, S. (2017). An elephant in the learning analytics room: The obligation to act. In Proceedings of the Seventh International Learning Analytics & Knowledge Conference (pp. 46–55). Association for Computing Machinery. https://doi.org/10.1145/3027385.3027406
12. Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380–1400. https://doi.org/10.1177/0002764213498851
13. Slade, S., & Prinsloo, P. (2013). Learning analytics: Ethical issues and dilemmas. American Behavioral Scientist, 57(10), 1510–1529. https://doi.org/10.1177/0002764213479366
14. Subotzky, G., & Prinsloo, P. (2011). Turning the tide: A socio-critical model and framework for improving student success in open distance learning at the University of South Africa. Distance Education, 32(2), 177–193. https://doi.org/10.1080/01587919.2011.584846
15. Tsai, Y.-S., Poquet, O., Gašević, D., Dawson, S., & Pardo, A. (2018). Complexity leadership in learning analytics: Drivers, challenges, and opportunities. British Journal of Educational Technology, 50(6), 2839–2854. https://doi.org/10.1111/bjet.12846
16. Viberg, O., Hatakka, M., Bälter, O., & Mavroudi, A. (2018). The current landscape of learning analytics in higher education. Computers in Human Behavior, 89, 98–110. https://doi.org/10.1016/j.chb.2018.07.027
Ներբեռնումներ
Հրատարակվել է
Թողարկում
Բաժին
Արտոնագհր
Copyright (c) 2025 Samvel Asatryan , Liza Hakobyan, Nune Adamyan
Այս աշխատանքն արտոնագրված է որպես a Creative Commons Attribution-NonCommercial 4.0 International License.
