سه شنبه 3 اسفند 1395 - 24 جمادي الاول 1438 - 21 فوريه 2017
سیاست گذاری مجموعه های آموزشی براساس تجزیه و تحلیل، بررسی و تفسیر داده ها شکل می گیرند. حال توانایی درک داده ها توسط معلمان و چگونگی به کارگیری آن ها نیز می تواند در کسب خروجی های مناسب موثر باشد...
عکس نویسنده
عکس نویسنده
بازدید :
زمان تقریبی مطالعه :

تکنولوژی تجزیه و تحلیل داده های آموزشی (به منظور تصمیم گیری های داده محور در مدارس 3)

سیاست گذاری مجموعه های آموزشی براساس تجزیه و تحلیل، بررسی و تفسیر داده ها شکل می گیرند. حال توانایی درک داده ها توسط معلمان و چگونگی به کارگیری آن ها نیز می تواند در کسب خروجی های مناسب موثر باشد. تجزیه و تحلیل متدهای آموزشی، یادگیری و ترکیب این دو می تواند در رسیدن هر چه سریع تر مدارس به استقلال بسیار تاثیرگذار باشد.

سواد داده معلمان به صورت گسترده عبارت است از: "توانایی درک داده و استفاده موثر از داده برای تصمیم گیری"

 

تکنولوژی تجزیه و تحلیل داده های آموزشی (به منظور تصمیم گیری های داده محور در مدارس 3)

 

در مطالب قبل تحت عناوین:

تکنولوژی تجزیه و تحلیل داده های آموزشی (1)

تکنولوژی تجزیه و تحلیل داده های آموزشی (2)

عنوان کردیم که هسته و دلیل اصلی موفقیت در این فرایند سواد داده معلمان (Data literacy) است. اینکه معلمان چقدر می توانند با این داده ها کار کنند در این فرایند بسیار تاثیرگذار خواهد بود.

این تعریف شامل صلاحیت و شایستگی (دانش، مهارت و نگرش) است بدین منظور که بتوان داده ها را شناسایی کرده و به جمع آوری، تجزیه و تحلیل، تفسیر داده ها پرداخت تا بتوانند براساس داده های آموزشی که از منابع مختلف به دست آمده اند، عمل کنند.

معلمان باید بتوانند تدریس خود را بهبود ببخشند، یادگیری را افزایش داده و فرایند آموزش را تسهیل کنند. این گونه به نظر می رسد که قبل از شروع به کار معلمان، آموزشی تحت عنوان سواد داده می بایست برای آن ها در نظر گرفته شود تا بتوانند مجوزهای استاندارد را اخذ کرده و تحت یک استاندارد معتبر مثل CAEP آن را به دست آورده و تدریس کنند. این امر برای معلمان می بایست به عنوان یک مدل استانداردهای هسته ای تعریف شود تا نیاز به کسب مجوز از سوی بخش استانداردهای توسعه حرفه ای را احساس کنند.

علی رغم اینکه این موضوع بسیار حائز اهمیت است سطح استفاده معلمان از این داده های آموزشی بسیار محدود است که از جمله دلایل اصلی آن عبارتند از:

دسترسی محدود به داده های آموزشی

جمع آوری و تحلیل داده های آموزشی که مناسب نبوده و می توان گفت بی مورد با حوزه کاری هستند.

کیفیت پایین داده ها که حتی می توان آن ها را به صورت دستی نیز جمع آوری کرد.

کمبود زمان و پشتیبانی، چرا که داده ها می بایست در زمان مناسب جمع اوری شده و توسط یک گروه خبره مورد بررسی قرار گیرند.

برای پرداختن به موانع ذکر شده یک سری فناوری های دیجیتالی خاص پدید آمده که تحت عنوان تجزیه و تحلیل آموزشی مطرح شده اند و به موارد مورد نیاز اشاره دارد. تکنولوژی های تجزیه و تحلیل ترافیک داده امروزی، در حال حاضر به عنوان یک برنامه فناوری موفق مطرح شده که می تواند بر موانع عملی برای تصمیم گیری مبتنی بر داده های پایدار و موثر در آموزش غلبه کند. به طور کلی فناوری های اطلاعاتی را می توان در سه دسته اصلی طبقه بندی کرد:

تکنولوژی تجزیه و تحلیل داده های آموزشی (به منظور تصمیم گیری های داده محور در مدارس 3)

 

دسته اول: آن دسته از تکنولوژی هایی است که در مورد تجزیه و تحلیل متدها، روش ها و ابزارهای کار مورد استفاده قرار می گیرند که مرتبط با طراحان آموزشی بوده اند و به این معنا که معلمان یا طراحان این حوزه از آن ها استفاده می کنند. در واقع طرح ها و منابع درسی و یا ابزارهایی که مربیان با استفاده از آن به تدریس می پردازند را مورد تجزیه و تحلیل قرار داده تا بتوانند آن ها را بهبود بخشند و قبل از آن که به مخاطبان ارائه شود از آن بازخوردهای لازم را دریافت می کنند. 

دسته دوم: آن هایی هستند که مربوط به تجزیه و تحلیل یادگیری است. یادگیری عبارت است از: "اندازه گیری، جمع آوری، تجزیه و تحلیل، گزارش دهی اطلاعات در مورد یادگیرندگان و زمینه های آنها به منظور درک و یادگیری بهینه و اینکه در چه محیطی رخ می دهد."

در نتیجه این حوزه مربوط به فناوری هایی است که به تجزیه و تحلیل یادگیری می پردازد. در حقیقت می بایست از آن دسته اطلاعاتی که یادگیرندگان می بایست کسب کنند، گزارش تهیه کرده و با توجه به زمینه فعالیت افراد بتوانند مطالب ارائه شده در جهت بهبود یادگیری افراد را در اختیارشان قرار دهند.

تکنولوژی تجزیه و تحلیل داده های آموزشی (به منظور تصمیم گیری های داده محور در مدارس 3)

 

دسته سوم: ترکیبی از تجزیه و تحلیل آموزش و یادگیری است. این دسته، از فرایند آموزش معلمان پشتیبانی می کند. به این معنا که درس طراحی و تدریس شده را با استفاده از برخی شواهد مانند اینکه افراد تا چه میزان یادگیری داشته اند مورد بررسی قرار داده تا بتوانند بازخوردهای مناسب را کسب کنند.

 

نتیجه گیری:

بعد از آن که روندی رو به رشد در سطح بین المللی برای استقلال مدارس اتفاق افتاد تا مدارس بتوانند با استفاده از داده های آموزشی به صورت مستقل به تصمیم گیری بپردازند و خروجی خود را بهینه کنند، داشتن دو مورد حیاتی است:

پاسخگو بودن مدارس

بهبود و ارزیابی مستمر

با این حال نمی توان از تمام ظرفیت سواد داده معلمان استفاده کرد و دلیل آن هم وجود یک سری موانع عملی است که در متن به آن ها اشاره شد اما فناوری های تجزیه و تحلیل داده ها که شامل سه دسته اصلی فناوری های تدریس، فناوری های یادگیری و فناوری ترکیبی این دو بود، می تواند موانع را برطرف کرده و تا حدودی به آینده این فرایند امیدوار بود.

تکنولوژی تجزیه و تحلیل داده های آموزشی (به منظور تصمیم گیری های داده محور در مدارس 3)

 

اگر شما علاقه مند به کسب اطلاعات بیشتر در این زمینه هستید می توانید به جامعه بزرگ معلمان نوآور در سراسر جهان بپیوندید. اما چگونه؟ جواب این سوال شرکت در دوره های MOOC است که توسط دانشگاه های معتبری همچون MIT یا هاروارد برگزار می شود. همچنین دوره های خوبی در این زمینه توسط شرکت EDX برگزار شده است. فراموش نکنید که این اولین مقاله ما با این دیدگاه بود بعد از این مقالات بیشتری در این زمینه ارائه خواهد شد تا درک بهتری نسبت به این موضوع پیدا کنید.

 

 

منابع:

Educational Data Analytics Technologies For Data-Driven Decision Making In Schools “DEMETRIOS G. SAMPSON”

www.elearningindustry.com

Analyze Your Lesson Plans To Improve Them

بخش آموزش الکترونیکی سایت تبیان، تهیه : سید خاموشی

تنظیم: زینب شاه مرادی

تلفن : 81200000
پست الکترونیک : public@tebyan.com
آدرس : بلوارکشاورز ، خیابان نادری ، نبش حجت دوست ، پلاک 12

ارتباط با ما

روابط عمومی

درباره ما

نقشه سایت

تعدادبازدیدکنندگان
افراد آنلاین