บาคาร่า สิ่งที่เราเรียนรู้จากนักเรียนที่ลาออก

บาคาร่า สิ่งที่เราเรียนรู้จากนักเรียนที่ลาออก

บาคาร่า ในช่วงสองสามทศวรรษที่ผ่านมา แพลตฟอร์มการเรียนรู้ออนไลน์เป็นที่รู้จักกันดีว่ามีข้อมูลปฏิสัมพันธ์ของผู้เรียนประเภทที่หลากหลายกว่าที่พวกเขานำมาไว้ในตารางของผู้วิจัยมากกว่าการสอนแบบตัวต่อตัว หลักสูตรออนไลน์แบบเปิดขนาดใหญ่หรือ MOOCs นำมาซึ่งมิติเพิ่มเติมสองประการ: ขนาดและความหลากหลายของผู้เรียนMOOC ทั่วไปประกอบด้วยผู้เรียนหลายพันคนที่มาจากภูมิหลังและกลุ่มประชากรที่หลากหลายมาก มีความตั้งใจต่างกัน ยังคงอยู่ใน MOOC 

ในขอบเขตที่แตกต่างกัน และออกจากงานด้วยเหตุผลที่แตกต่างกัน

นักวิจัย MOOC หลายคนกำลังถามคำถามแบบคลาสสิก: ทำไมนักเรียนถึงลาออก และเราจะลดการออกกลางคันได้อย่างไร

บางทีอาจมีเหตุผลมากกว่าที่จะถามก่อน: เหตุใดเราจึงสนใจที่จะศึกษาการออกกลางคันใน MOOCs

ผลการสำรวจความตั้งใจและการวิเคราะห์ข้อมูลจาก MOOC ของสแตนฟอร์ด 3 แห่งล่าสุดเปิดเผยว่ากว่า 90% ของนักเรียนที่ออกจากหลักสูตรก่อนจบหลักสูตรไม่บรรลุเป้าหมายที่ตั้งไว้ด้วยตนเองในขั้นต้น (ผู้ที่ไม่ได้เรียน) นอกจากนี้ การสำรวจวินิจฉัยการออกกลางคันใน Stanford MOOC ล่าสุดเปิดเผยว่า 71% ของผู้ออกกลางคันรายงานความยากลำบากของหลักสูตรหรือการผัดวันประกันพรุ่งเป็นสาเหตุหลักของการออกกลางคัน

กลุ่มผู้เรียนนี้มีแนวโน้มที่จะตอบสนองต่อการแทรกแซงทางการศึกษามากกว่าเมื่อเทียบกับผู้เรียนที่เลิกเรียนเพราะหลักสูตรไม่เกี่ยวข้องหรือเนื่องจากขาดการเข้าถึงอินเทอร์เน็ต เวลา หรือทักษะทางภาษาที่เชื่อถือได้ กลุ่มเดิมอาจเรียกว่า “ผู้ไม่บรรลุธรรม”

ภารกิจที่เป็นพื้นฐานของการวิจัยการออกจากกลางคันของ MOOC คือการทำนายและวินิจฉัยการออกกลางคัน เพื่อให้เราสามารถระบุผู้ที่ไม่บรรลุนิติภาวะ จากนั้นออกแบบและดำเนินการแทรกแซงเพื่อเพิ่มระดับความสำเร็จของพวกเขาด้วยวิธีการโดยตรง (อธิบายแนวคิดที่ยาก) หรือวิธีการโดยอ้อม (การพัฒนาผู้เรียนที่ควบคุมตนเองได้ ทักษะการเรียนรู้หรือระดับความมุ่งมั่น)

การ คาดการณ์การออกกลางคัน

คล้ายกับการคาดการณ์ว่าฝนจะตกในวันพรุ่งนี้หรือไม่ การคาดการณ์การออกกลางคันจะให้ผลบวกและลบที่เป็นจริงและเท็จ อย่างไรก็ตาม ความแม่นยำในการทำนายไม่ได้เป็นเพียงตัวเลขที่เกี่ยวข้องเท่านั้น คุณช่วยหาได้ไหมว่าอะไรผิดปกติกับตัวทำนายต่อไปนี้: “หนึ่งวันก่อนจบหลักสูตร ให้ธงแดงกับนักเรียนทุกคนที่ไม่ได้แสดงตัวในช่วงสองสัปดาห์ที่ผ่านมา”?

หากการไม่ใช้งานในช่วงสองสัปดาห์ที่ผ่านมาเป็นเกณฑ์ของคุณสำหรับการออกกลางคัน

 ตัวทำนายนี้จะแม่นยำสูง อย่างไรก็ตาม การคาดคะเนเกิดขึ้นช้าเกินไปที่จะนำไปใช้เพื่อวัตถุประสงค์ในการแทรกแซง

ดังนั้น นักวิจัยจึงพยายามออกแบบตัวทำนายว่าธงแดงหลุดออกไปตั้งแต่เนิ่นๆ แต่น่าเสียดายที่ความรวดเร็วและความถูกต้องนั้นต้องแลกมาด้วยค่าใช้จ่ายของกันและกัน

เวลาเป็นปัญหาที่ซับซ้อนกว่านั้น การฝึกอบรมนักทำนายต้องใช้ค่าความจริง (ผู้เรียนออกจากหลักสูตรจริงหรือไม่) และข้อมูลนี้จะใช้ได้หลังจากจบหลักสูตรเท่านั้น แล้วเราจะพัฒนาโมเดลที่เป็นประโยชน์ตลอดอายุหลักสูตรได้อย่างไร?

นักวิจัยใช้รูปแบบการฝึกอบรมในบางหลักสูตรแล้วทดสอบกับหลักสูตรอื่น ความเพียงพอของแบบจำลองสำหรับหลักสูตรการทดสอบ (หรือในอนาคต) ขึ้นอยู่กับความคล้ายคลึงกันของหลักสูตรการฝึกอบรมและความสำเร็จของแบบจำลองสำหรับความแตกต่างระหว่างหลักสูตร MOOCs แตกต่างกันในด้านเนื้อหา ความยาก และปริมาณงาน และการกระจายข้อมูลประชากรของประชากรผู้เรียนก็ต่างกันด้วย

แพลตฟอร์ม Disengagement

MOOC อนุญาตให้เรียกใช้หลักสูตรที่สร้างไว้ก่อนหน้านี้อีกครั้งโดยไม่ต้องมีผู้สอนคอยดูแล ซึ่งช่วยให้สามารถออกแบบโมเดลที่มีประสิทธิภาพมากขึ้นโดยการฝึกกับอินสแตนซ์ก่อนหน้าของ MOOC ที่จะใช้งานโมเดลเหล่านี้

ที่น่าประหลาดใจคือ การศึกษาเปรียบเทียบที่เราดำเนินการซ้ำๆ ของ MOOC เผยให้เห็นว่าอัตราการสำเร็จอาจแตกต่างกันอย่างมีนัยสำคัญ แม้กระทั่งระหว่างอินสแตนซ์ของ MOOC เดียวที่ให้บริการเนื้อหาที่เหมือนกันกับประชากรของผู้เรียนโดยมีการแจกแจงทางประชากรที่เหมือนกันเกือบทั้งหมด

นี่เป็นการเปลี่ยนแปลงตามฤดูกาลที่เกี่ยวข้องกับช่วงเวลาของปีหรือแนวโน้มที่เกิดขึ้นใหม่ซึ่งเกิดจากการเปลี่ยนแปลงคุณภาพของผู้เรียนในทุกกรณีหรือไม่ คำถามยังคงเปิดอยู่

แนวทางแบบองค์รวมในการสร้างแบบจำลองการออกกลางคันกำหนดให้เราต้องสแกนหาสัญญาณของการเลิกจ้าง และคำนึงถึงผู้เรียนและคุณลักษณะของหลักสูตรด้วย ความคลาดเคลื่อนที่น่าสนใจบางอย่างเกิดขึ้นระหว่างกลุ่มผู้เรียนเมื่อจำแนกตามคุณลักษณะทางประชากรศาสตร์บางอย่าง บาคาร่า