Leerfeedback genereren uit digitale toetsing van wiskunde

Posted by @NatasaBrouwer on July 4, 2015, 11:45 p.m. Contact: @DirkTempelaar

Ask a question

About

Motivation for this project

Service-onderwijs in complexe kennisdomeinen (wiskunde, statistiek) wordt vaak gekenmerkt door grootschaligheid en grote heterogeniteit. Dat zijn tegengestelde aspecten: heterogeniteit vraagt om flexibel, gepersonaliseerd onderwijs, maar de massaliteit van het onderwijs bemoeilijkt dat tegelijkertijd. De inzet van digitale oefen/toets omgevingen is een eerste stap geweest uit die tegenstelling: het leeraanbod kan zich aanpassen aan het individuele niveau, cognitieve leerfeedback (wat gaat fout, hoe kan het beter) kan op taakniveau in de oefen/toets omgeving worden ingebouwd. De logische volgende stap in dit proces is leerfeedback uit te breiden van het cognitieve naar het metacognitieve niveau. Welke studie-aanpak kiest een student bij voorkeur? Hoe verhoudt die zich tot de aanpak van andere studenten? Is de studie-aanpak wel de meest geschikte?

Om dergelijke vragen die te maken hebben met (gebrek aan) zelfregulatie in het leerproces te beantwoorden, en met die antwoorden studenten verder te helpen, zijn oefen/toets omgevingen vereist met rijke rapportagemogelijkheden: basale cognitieve en time-on-task gebruiksgegevens volstaan niet meer.

Results

  • In de digitale oefen/toets omgevingen gebruikt in ondersteunde vakken gegeven bij de twee partnerinstellingen (UM: inleiding wiskunde en statistiek voor studenten bedrijfskunde en economie, en UvA: dit wiskundeonderwijs bij informatiewetenschappen en levens-wetenschappen) worden metingen gedaan van cognitieve en metacognitieve aspecten van de leerprocessen van studenten;
  • De belangrijkste meetgegevens worden online verwerkt tot zinvolle visualisaties voor de student (eigenaar) en docent om het leerproces te kunnen aan- of bijsturen;
  • Aanvullend zullen offline analyses worden gedaan op alle data verkregen in beide cursussen, om ex-post predictiemodellen af te leiden die in een volgende uitvoering van de cursus kunnen worden verwerkt;
  • Rapportages over ieder van deze bovenstaande activiteiten zijn deliverables van het project;
  • Voor de online verwerkte feedback worden in SOWISO voor docent en student dashboards gemaakt. Deze ontwikkeling wordt zo generiek mogelijk ingestoken zodat de gegevens ook in leeromgevingen anders dan SOWISO in te zien zijn. SOWISO zal hier een API voor ontwikkelen;
  • Wetenschappelijke publicatie(s) alsmede een voor een breed publiek toegankelijk artikel over de kennis en ervaring opgebouwd in dit project worden verwacht.
  • Online ruimte voor kennisdeling van de community van SOWISO gebruikers

Project leaders: Dirk Tempelaar (Universiteit Maastricht), André Heck (Universiteit van Amsterdam)

Start project: 1 juli 2015

End project: 30 juni 2016

Funding: SURF (25.000 euro)

Website:

Downloads (project report or extra information): Proposal

  • Project rapportage
  • Bijlagen rapportage, artikelen:
    • Analyserapport: ICT Wiskunde bij biologie en biomedische wetenschappen in blok 1, 2015-2016 (download)
    • Mittelmeier, Jenna; Tempelaar, Dirk; Rienties, Bart and Nguyen, Quan (2016). Learning analytics to
      understand cultural impacts on technology enhanced learning. In: 13th International Conference on Cognition and Exploratory Learning in Digital Age (CELDA 2016), 28-30 October 2016, Mannheim, Germany (URL: http://oro.open.ac.uk/47711/2/CELDA2016.pdf)
    • Nguyen, Quan; Tempelaar, Dirk; Rienties, Bart and Giesbers, Bas (2016). What learning analytics based prediction models tell us about feedback preferences of students. The Quarterly Review of Distance Education, 17(3) pp. 13–33. (URL: http://oro.open.ac.uk/47700/)


Creative Commons 3.0 BY SA applies to all content on Starfish.