Onderzoekers van de Hogere School of Economics en de KU Leuven hebben een methode ontwikkeld om de groei van de vaardigheid van studenten in digitale leeromgevingen te meten. Het helpt om de voortgang van online cursisten te zien in dynamiek, d.w.z., begrijpen hoe studenten studeren en hoe de cursus werkt. De resultaten van het onderzoek zijn gepubliceerd in het tijdschrift Gedragsonderzoeksmethoden .

Het verwachte en gewenste resultaat van elke cursus is groei in de vaardigheid van studenten, en een toename van hun kennis en vaardigheden. Deze groei wordt weergegeven door een positief verschil tussen kennis en vaardigheden aan het einde en het begin van de cursus. Voor vele jaren, groei is gemeten als het verschil in de resultaten van de eindtoets en de toelatingstoets. Echter, deze aanpak, die twee controlepunten gebruikt, laat niet toe de dynamiek van de groei binnen de cursus te traceren en te begrijpen.

De nieuwe aanpak die door de HSE- en KU Leuven-onderzoekers wordt voorgesteld, is gebaseerd op de digitaal gelogde data van studenten. Gelogde gegevens vertegenwoordigen gebeurtenissen die zijn vastgelegd door het online leerplatform, zoals het bekijken van videocolleges en het proberen op te lossen van taken. Door deze gegevens te gebruiken, de onderzoekers zien twee soorten vaardigheidsgroei:continu (gedurende de cursus) en lokaal (in een bepaald gebied, gekoppeld aan een bepaalde taak).

Continue groei wordt geschat als een cumulatief effect van het bekijken van videocolleges op een bepaald punt van de online cursus. Lokale groei wordt berekend als het effect van een poging om een ​​specifieke taak op te lossen. Zoals de onderzoekers opmerken, beide effecten zijn specifiek voor elke student. Met andere woorden, hetzelfde aantal materiële aanzichten resulteert in verschillende groei voor twee verschillende studenten.

'Dus, we zien de resultaten voor elke student op elk moment van de cursus, en we verspillen hun tijd niet aan omvangrijke toelatings- en eindtesten. Ons onderzoek is een conceptuele overgang van traditionele analyse van testresultaten naar progressieve analyse van digitale sporen in de onderwijsomgeving, ' zegt Dmitri Abbakumov, auteur van het artikel en hoofd van het HSE Center for Psychometrics in eLearning.

Deze modellen kunnen worden gebruikt in analytische panels op online leerplatforms, terwijl de daarop gebaseerde algoritmen geschikt zijn voor browse- en aanbevelingsoplossingen in digitaal onderwijs.