OWD2012 - 3 - Learning analytics en formatieve toetsing - Dirk Tempelaar
-
Upload
de-onderwijsdagen -
Category
Education
-
view
239 -
download
0
Transcript of OWD2012 - 3 - Learning analytics en formatieve toetsing - Dirk Tempelaar
Learning analytics en formatieve toetsing
UM-ervaringen uit het ONBETWIST-project
SURF-programma ‘Toetsing en Toetsgestuurd Leren’
Dirk Tempelaar
Maastricht University
School of Business & Economics
Wiskunde SURF projecten in tijd• Webspijkeren I: dec 2004 – dec 2006• Webspijkeren II: sept 2006 – sept 2008Verbeteren aansluiting, verlagen dropout, aanbieden
bijspijkercursussen, vooral individueel oefen/toets materiaal. Onderzoek instructie scenario’s.
• NKBW I: sept 2008 – sept 2009• NKBW II: sept 2009 – dec 2010Opvolger Webspijkeren. Meer partners, en HO.
Sterker toetsgericht. Wiskunde monitor: ingangstoets.• ONBETWIST: maart 2010 -: Toetsgestuurd leren is
centrale focus; onderdeel SURF ‘Toetsen en Toetsgestuurd leren’. Wiskunde & statistiek.
ONBETWIST database• Bevat grote collectie toetsen & toetsvragen:
• Wiskunde
• Statistiek
• Ingangs-
niveau &
• 1e jaars
• Beta &
Gamma
Casus: UM economie & bedrijfskundeKenmerken:
• Grote studies (950 studenten/jaar)
• Sterke internationalisering (35% NL; 42% DuitstaligEuropa; 7% IntBac; …)
• Extreem grote diversiteit in voorkennis & vooropleiding: A vs B, nationale verschillen
• Blended learning: PGO (verplicht) en aanvullenddigitaal, toetsgericht leren (optioneel, vooral voorstudenten ‘op achterstand’.
• Veel data: (concern)systemen & studentensurveys
Referentie• Praktisch artikel in September 2012
nummer van OnderwijsInnovatie:
• Toetsgestuurd leren en learninganalytics, pp. 17-26.
• Dirk Tempelaar, Hans Cuypers, Evert van de Vrie, Henk van der Kooij, André Heck.
• http://www.ou.nl/web/onderzoek/tijdschrift-onderwijsinnovatie
MyStatLab• Digitale
leeromgevingstatistiek: MSL, Pearson. Toetsgestuurdleren plus extra functies(‘Help me solve this’, ‘View an example’).
ONBETWIST• Digitale leerom-
geving wiskunde: ONBETWIST database van oefen- en toets-vragen. In lokaleBB opgenomenom gebruik en resultaten te kunnen koppelenaan andere data.
Voorspellers van wiskunde & statistiek prestaties• Voorkennis, op 2 manieren gemeten:
– ONBETWIST diagnostische toets Algebraische Rekenvaardigheden– Niveau vooropleiding (A vs B)
• Intensiteit oefenen– Uren (MSL) of
aantal toetsen (BB)– Oefenscore
0
2
4
6
8
10
12
14
16
InstaptoetsLaag & OefenenWiskLaag
InstaptoetsHoog & OefenenWiskLaag
InstaptoetsLaag & OefenenWiskHoog
InstaptoetsHoog & OefenenWiskHoog
StatsExamen
WiskExamen
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Stats#Uren
StatsToetsScore
Wisk#Toetsen
WiskToetsScore
Vroegtijdig signaleren: week 0 en week 2Formatieve toetsen en het signaleren van academische prestaties:
• Bij binnenkomst (week 0) twee voorspellers: vooropleiding (A vs B) en score diagnostische ingangstoets. Voorspellen samen 21% van variatie in eindscore.
• Na eerste Quiz, eind week 2: 57% van variatie in eindscore te verklaren uit formatieve toetsen, en het oefenen ervoor.
• Dus naast leerfunctie belangrijke informatiefunctie.
0
0.1
0.2
0.3
0.4
0.5
B-opleiding Ingangstoets
Qmscore: correlaties 0 week
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
B-opleiding Ingangstoets Quiz1Wisk Quiz1Stats Statscore Wiskscore
Qmscore: correlaties 2 week
Learning analytics & demografische factorenDoel: opstellen van profiel van de intensief digitaal oefenen met systeemdata/surveys
• Studenten met B-opleiding behalen hogere score wiskunde zonder extra te oefenen
• Maar niet voor statistiek;
• VWOers hebben betere aansluiting, maar vertrouwen daar te veel op;
• Instaptoetsscore voorspellend voor score oefentoetsomgeving;
• Bescheiden gender-effect: vrouwelijke studenten actiever.
-0.4
-0.3
-0.2
-0.1
0.0
0.1
0.2
0.3
0.4
B-opleiding VWO Ingangstoets Vrouw/Man
Stats#Uren
StatsScore
Wisk#Toetsen
WiskScore
Learning analytics & culturele verschillen• Nationaliteitsdata omgezet in
nationale cultuur dimensies (Hofstede): Machtsafstand, Individualisme/Collectivisme, Masculiniteit/Femininiteit, Onzekerheidsvermijding, Lange-Korte Termijn Denken en Hedonisme (uitbundigheid) versus Soberheid.
• Flinke effecten voor Masculiniteit (onderwijs = competitie), LangeTermijnOriëntatie, en Onthouding (Soberheid)
• Kleine effecten Machtsafstand, Collectivisme, Onzekerheidsvermijding
• Verschil tussen effect op primair tijd, of tijd & score.
-0.4
-0.3
-0.2
-0.1
0.0
0.1
0.2
0.3
0.4
Stats#Uren
StatsScore
Wisk#Toetsen
WiskScore
Learning analytics & leerstijlenLeerstijldata gebaseerd op leerstijlmodel Jan Vermunt
• Leerstrategieën: diepe, stapsgewijze, en concrete verwerking
• Regulatiestrategieën: zelfsturing, externe sturing, en stuurloos of gebrek aan regulering
‘Model-student’: zelfsturend & gericht op diepe verwerking: heeft het toetsgerichteleren maar beperkt nodig.
‘Afhankelijke student’: benodigd externe sturing, gericht op stapsgewijze verwerking: sterke samenhang met toetsgericht leren.
Stuurloos: oefent intensief, maar profiteert daar helemaal niet van
-0.1
0.0
0.1
0.2
Stats#Uren
StatsScore
Wisk#Toetsen
WiskScore
Learning analytics & Martin’s ‘Motivation & Engagement Wheel’4 kwadranten gebaseerd op:
• Gedachten versus Gedragingen
• Adaptief versus MalAdaptief of Belemmerend
Learning analytics & Martin’s ‘Motivation & Engagement Wheel’• Alle adaptieve gedachten en alle
adaptieve gedragingen een gunstig effect hebben op toetsgerichtleren, waarbij gedragingen meer effect hebben dan gedachten
• MalAdaptieve kwadranten: verschil tussen gedachten, vooral Angst: positief effect, en gedragingen: negatief effect.
• Verklaart deels gender-effect in toetsgericht leren: maladaptiviteit heeft bij vrouwelijke studenten eerder de vorm van gedachten: angst en onzekerheid, bij manlijke studenten eerder de vorm van gedragingen: uitval en zelf-handicap
0.0
0.1
0.2
Stats#Uren
StatsScore
Wisk#Toetsen
WiskScore
-0.2
-0.1
0.0
0.1
0.2
0.3
Stats#Uren
StatsScore
Wisk#Toetsen
WiskScore
Vrouw/Man
Learning analytics & Pekrun’s Control-Waarde theorie van Leeremoties• Leeremoties worden beïnvloed door het gevoel ‘in controle’ te zijn en iets
waardevols te doen.
• Keuze voor leeremoties die verondersteld worden sterk bij te dragen aan studiesucces of uitval: de negatieve emoties angst, verveling en hopeloosheid, de positieve emotie plezier.
• In het midden van de cursus gemeten
• Positieve emoties: positief effect,
• Negatieve emoties: negatief effect.
• Effect op score veel sterker dan op tijd/aantal toetsen
-0.4
-0.3
-0.2
-0.1
0.0
0.1
0.2
0.3
Control Angst Verveling Hopeloos Plezier
Stats#Uren
StatsScore
Wisk#Toetsen
WiskScore
Samenvattend• Formatieve toetsing heeft uiterst belangrijke informatie functie, zelfs al voordat het
vak begint: diagnostische ingangstoetsing
• Informatie functie geldt ook de inzet die studenten laten zien in het toetsgerichte leren, zelfs al in eerste weken, naast een leerfunctie
• Beide zijn onderdeel van ‘student modeling’
• Learning Analytics heeft tot taak relevante informatie zo snel mogelijk ter beschikking van studenten en docenten te krijgen
• Learning Analytics van historische data (als in deze studie) maakt mogelijk (risico) groepen te identificeren die gebaat zijn bij intensief digitaal oefenen
• Dit is voorbeeld van gebruik ‘student profiling’
• Bijzondere opdracht voor studentgericht onderwijs, zoals PGO, waarin de student de beslisser is: hoe de informatievoorziening zo adequaat mogelijk op individuele student afstemmen