روش‌های ارزیابی یادگیری هوشمند و داده‌محور در دانشگاه‌ها
کلمات کلیدی:
یادگیری هوشمند, ارزیابی داده‌محور, یادگیری تحلیلی, آموزش عالی, هوش مصنوعی, بازخورد هوشمندچکیده
هدف این پژوهش مرور و تحلیل نظام‌مند مطالعات علمی منتشرشده درباره روش‌ها، چارچوب‌ها و فناوری‌های ارزیابی یادگیری هوشمند و داده‌محور در نظام آموزش عالی و تبیین الگوی مفهومی آن در جهت بهبود کیفیت یادگیری است. این پژوهش از نوع کیفی و مبتنی بر مرور نظام‌مند منابع علمی است. داده‌ها از میان مقالات منتشرشده در پایگاه‌های بین‌المللی معتبر نظیر Scopus، Web of Science و ScienceDirect گردآوری شد. بر اساس معیارهای ورود، دوازده مقاله مرتبط که به ارزیابی داده‌محور، یادگیری تحلیلی و هوشمندسازی ارزیابی در دانشگاه‌ها پرداخته بودند، انتخاب شدند. داده‌ها با استفاده از روش تحلیل مضمون و نرم‌افزار NVivo نسخه 14 تحلیل گردیدند و تا رسیدن به اشباع نظری استخراج و کدگذاری شدند. نتایج تحلیل کیفی نشان داد سه دسته مضمون اصلی در مقالات منتخب قابل شناسایی است: (1) چارچوب‌ها و مدل‌های ارزیابی یادگیری هوشمند، (2) فناوری‌ها و ابزارهای داده‌محور، و (3) شاخص‌ها و پیامدهای ارزیابی در آموزش عالی. یافته‌ها نشان دادند که ارزیابی هوشمند با بهره‌گیری از داده‌های یادگیری، هوش مصنوعی و الگوریتم‌های سازگار، فرآیند سنجش را از حالت ایستا به ارزیابی پویا و بازخورد محور تبدیل می‌کند و به بهبود کیفیت آموزشی، افزایش عدالت ارزیابی و تصمیم‌گیری مبتنی بر شواهد کمک می‌نماید. پژوهش حاضر نشان می‌دهد که آینده ارزیابی آموزشی در دانشگاه‌ها مبتنی بر تحلیل داده، هوش مصنوعی و یادگیری تطبیقی است. توسعه چارچوب‌های اخلاقی، ارتقای سواد داده‌ای استادان و ایجاد زیرساخت‌های هوشمند از الزامات اساسی پیاده‌سازی موفق این نظام‌هاست. ارزیابی داده‌محور می‌تواند به ابزاری راهبردی برای ارتقای کیفیت آموزش عالی، شخصی‌سازی یادگیری و تقویت یادگیری مادام‌العمر تبدیل شود.
دانلودها
مراجع
Buckingham Shum, S., & Ferguson, R. (2019). Human-centered learning analytics. Journal of Learning Analytics, 6(2), 1–9.
Crompton, H., & Burke, D. (2018). The use of mobile learning in higher education: A systematic review. Computers & Education, 123, 53–64.
Ferguson, R. (2020). Learning analytics: Drivers, developments and challenges. International Journal of Technology Enhanced Learning, 12(1), 5–27.
Ferguson, R., & Clow, D. (2017). Where is the evidence? A call to action for learning analytics. Proceedings of the Seventh International Learning Analytics & Knowledge Conference (LAK17), 56–65.
Gašević, D., Dawson, S., & Siemens, G. (2015). Let’s not forget: Learning analytics are about learning. TechTrends, 59(1), 64–71.
Hwang, G. J. (2019). Definition, framework and research issues of smart learning environments – a context-aware ubiquitous learning perspective. Smart Learning Environments, 6(4), 1–14.
Ifenthaler, D. (2022). Digital transformation and learning analytics in higher education. Educational Technology Research and Development, 70(3), 1125–1142.
Ifenthaler, D., & Schumacher, C. (2016). Student perceptions of privacy principles for learning analytics. Educational Technology Research and Development, 64(5), 923–938.
Ifenthaler, D., & Yau, J. Y. K. (2021). Utilising learning analytics for study success: Reflections on current empirical findings. Interactive Technology and Smart Education, 18(3), 375–390.
Knight, S., Buckingham Shum, S., & Littleton, K. (2022). Epistemic analytics: A framework for data-informed learning design. Learning, Media and Technology, 47(2), 171–192.
Papamitsiou, Z., & Economides, A. A. (2019). Learning analytics and educational data mining in practice: A systematic literature review. Educational Technology & Society, 22(3), 49–64.
Radianti, J., Majchrzak, T. A., Fromm, J., & Wohlgenannt, I. (2020). A systematic review of immersive virtual reality applications for higher education: Design elements, lessons learned, and research agenda. Computers & Education, 147, 103778.
