Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/22112
Author: Παπαμήτσιου, Ζαχαρούλα
Papamitsiou, Zacharoula
Title: Supporting learners’ capacity for autonomous decisions using learning analytics
Alternative Titles: Υποστήριξη των δυνατοτήτων των εκπαιδευόμενων για λήψη αυτόνομων αποφάσεων με χρήση αναλυτικών δεδομένων μάθησης
Date Issued: 2018
Department: Πανεπιστήμιο Μακεδονίας. Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών στα Πληροφοριακά Συστήματα (ΔΠΜΣ-ΠΣ)
Supervisor: Οικονομίδης, Αναστάσιος
Abstract: Το αντικείμενο της παρούσας διατριβής αφορά στην υποστήριξη των αυτόνομων αποφάσεων μάθησης με τη χρήση αναλυτικών δεδομένων μάθησης, καθώς και στην ανάπτυξη ενός μοντέλου που ολιστικά αξιολογεί την ανάπτυξη των ικανοτήτων αυτόνομης μάθησης. Πέντε ερευνητικοί στόχοι τέθηκαν και διερευνήθηκαν μέσα από τα αντίστοιχα ερευνητικά ερωτήματα. Οι στόχοι αυτοί ήταν οι εξής: 1) η ερμηνεία της μαθησιακής επίδοσης και η κατανόηση των παραγόντων στους οποίους οφείλεται, μέσα από μια οπτική ανάλυσης των πραγματικών αλληλεπιδράσεων, 2) η ανάπτυξη δυναμικών μοντέλων εκπαιδευόμενων σε πραγματικό χρόνο και βασισμένων σε αναλυτικά δεδομένα μάθησης, για την έγκαιρη εξατομικευμένη υποστήριξή τους, 3) η σχεδίαση και παροχή μεταγνωστικής βοήθειας ως οπτικοποιημένα αναλυτικά δεδομένα μάθησης, με σκοπό την προώθηση της αυτόνομης μάθησης, 4) η δυνατότητα εξάσκησης του αυτόνομου ελέγχου σε περιβάλλοντα που επιτρέπουν τις αυτόνομες επιλογές και η αξιολόγηση της επίδρασης των επιλογών των εκπαιδευόμενων στην τελική μαθησιακή τους επίδοση, και 5) η διερεύνηση των αυτόνομων αποφάσεων σε συνθήκες συνεργατικής μάθησης. Η παρούσα διατριβή αποτελεί την πρώτη προσπάθεια εφαρμογής των αναλυτικών δεδομένων μάθησης για την κατανόηση, ερμηνεία και μοντελοποίηση των παραμέτρων που σχετίζονται με την ανάπτυξη δεξιοτήτων μαθησιακής αυτονομίας. Η σχετική βιβλιογραφία παρουσιάζει κενό στην θεματική αυτή περιοχή. Για την υλοποίηση της έρευνας σχεδιάστηκε και υλοποιήθηκε μια σειρά από εμπειρικές μελέτες και πειραματικές μετρήσεις στις οποίες αναπτύχθηκαν αναλυτικά δεδομένα μάθησης για την υποστήριξη της αυτόνομης μάθησης από τρεις διαφορετικές προσεγγίσεις: (α) ως κατ’ απαίτηση αναζήτηση μεταγνωστικής βοήθειας ως οπτικοποιημένα αναλυτικά δεδομένα μάθησης, (β) ως (ημι-)αυτόνομη επιλογή και έλεγχος της προσαρμοσμένης διαδικασίας γνωστικής αυτό-αξιολόγησης, και (γ) ως παιγνιοθεωρητικές ομαδικές συστάσεις εκπαιδευτικών πηγών σε συνθήκες συνεργατικής μάθησης. Λαμβάνοντας υπόψη και τις τρεις αυτές προσεγγίσεις, η διατριβή παρέχει μια ολιστική θεώρηση του πώς τα τεχνολογικά υποβοηθούμενα εκπαιδευτικά περιβάλλοντα μπορούν να υποστηρίξουν τους εκπαιδευόμενους στην ανάπτυξη μαθησιακής αυτονομίας. Τα αναλυτικά δεδομένα μάθησης αντλούνται με πολλές διαφορετικές τεχνικές και μεθόδους εξόρυξης γνώσης, και καλύπτουν ένα ευρύ φάσμα παραμέτρων που σχετίζονται με τη συμπεριφορά, τα κίνητρα και το γνωσιακό επίπεδο των εκπαιδευόμενων. Η συνολική συνεισφορά της παρούσας διατριβής συνοψίζεται ως εξής: 1. Αξιοποιεί τα αναλυτικά δεδομένα μάθησης, και με γνώμονα αυτά, προτείνει και αξιολογεί ένα ολιστικό μοντέλο για την ερμηνεία της μαθησιακής επίδοσης σε διαδικασίες συνοπτικής αυτό-αξιολόγησης της μάθησης με ερωτήσεις-ασκήσεις πολλαπλής επιλογής. Αντίστοιχο μοντέλο δεν υπήρχε στη σχετική βιβλιογραφία, 2. Προτείνει και αξιολογεί δυναμικά και συνεκτικά μοντέλα εκπαιδευόμενων που βασίζονται σε αναλυτικά δεδομένα μάθησης, και ενσωματώνει στα μοντέλα αυτά μια διάσταση χρονικής δυναμικής (temporal dynamics) προκειμένου να διασφαλιστεί η «επίγνωση επί του παρόντος (current-awareness)» υιοθετώντας την προσαρμοστική κατηγοριοποίηση των δυναμικών ροών δεδομένων για τη μοντελοποίηση των εκπαιδευόμενων, 3. Για πρώτη φορά στη βιβλιογραφία αναπτύσσει και χρησιμοποιεί τα αναλυτικά δεδομένα μάθησης για τη μέτρηση των αυτόνομων αλληλεπιδράσεων κατά τη διάρκεια προσαρμοστικών και σταθερών διαδικασιών αυτό-αξιολόγησης της γνώσης, με στόχο να υποστηρίξει τη ανάπτυξη δεξιοτήτων μαθησιακής αυτονομίας. Επίσης, πρωτότυπη κρίνεται η εφαρμογή της Θεωρίας Παιγνίων για τη λήψη αποφάσεων και την καθοδήγηση των ομαδικών συστάσεων. Τέλος, η πρόταση ενός ολιστικού μοντέλου αξιολόγησης της ανάπτυξης της ικανότητας για αυτόνομη μάθηση, βασισμένου σε αντιλήψεις για την αυτορρύθμιση και σε αναλυτικά δεδομένα μάθησης που πρακτικά καταγράφουν την αυτορρύθμιση, αποτελεί καινοτομία που «ανοίγει» μια ολόκληρη ερευνητική περιοχή.
This dissertation aims at supporting autonomous learning decisions using learning analytics and at introducing a model that holistically assesses the development of autonomous learning capacity. The work presented in this thesis was conducted with five overarching research objectives in mind. These objectives were: a) to deeper understand the underlying factors that justify learners’ actions in self-assessment, from an interactions analysis perspective, b) to develop coherent learner models in run-time, using the previously identified factors, in order to deliver timely personalized learning experience, c) to design and deliver task-related metacognitive help to the learners, in order to foster their autonomous decision making, d) to allow learners to practice autonomous control and assess the effect of the autonomous decisions on learning performance, and e) to explore autonomous capacity development within collaborative, group-learning conditions. This dissertation is the first attempt to employ learning analytics to understand, interpret and model the parameters related to autonomous learning capacity development. The relevant literature presents a gap in this thematic area. This thesis explores three learning analytics-enhanced approaches of guiding and supporting learners’ autonomous capacity development: (a) as controlled selection of learning tasks guided by the adaptive online learning environment, allowing the learners to practise self-regulated learning strategies in self-assessment conditions, (b) as on-demand task-related analytics visualizations targeting at enhancing learners’ autonomous metacognitive help-seeking and data-driven sense-making in online self-assessment conditions, and (c) as game-theoretic group-recommendations to motivate learners’ autonomous decision-making in collaborative learning conditions. Taken together, these three approaches provide a comprehensive and holistic view of how the online learning environment can assist learners to develop their capacity for autonomous learning. The analytics used in this thesis were extracted using different data mining techniques and cover a wide range of parameters that are associated with the learners’ behavioural, motivational and cognitive states. The overall contribution of this PhD study involves: 1) It employs learning analytics for the identification of the most informative factors that sufficiently and accurately explain performance and achievement behavior in self-assessment contexts (with multiple-choice learning tasks), in a meaningful manner, and the construction and evaluation of the respective holistic conceptual model. A corresponding model did not exist in the relevant literature; 2) The development of coherent learner models using the abovementioned factors, and enhanced with temporal dynamics for granting current-awareness, by adopting an adaptive data-stream classification approach; 3) For the first time in the literature, it develops and uses learning analytics to measure autonomous interactions during adaptive and fixed self-assessment processes of knowledge to support autonomous learning capacity development. The application of Game Theory for decision-making and guiding group recommendations is considered original, as well. Finally, the introduction of an analytics-driven model for assessing autonomous learning capacity development in online self-assessment conditions, based on self-regulated learning perceptions and learning analytics that practically record the self-regulated learning interactions is an innovative contribution that opens a new research area.
Keywords: Αναλυτικά δεδομένα μάθησης
Αυτόνομη μάθηση
Συστήματα υποστήριξης αποφάσεων
Αυτορρυθμιζόμενη μάθηση
Μοντέλα εκπαιδευόμενων
Μαθησιακή επίδοση
Learning analytics
Autonomous learning
Decision Support Systems
Self-regulated learning
Learner models
Learning Performance
Information: Η βιβλιοθήκη διαθέτει αντίτυπο της διατριβής σε έντυπη μορφή.
Διατριβή (Διδακτορική)--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2018
10/2018
Περιλαμβάνει βιβλιογραφικές αναφορές (σ. 261-293)
Rights: Αναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές
Appears in Collections:ΔΠΜΣ Πληροφοριακά Συστήματα (Δ)

Files in This Item:
File Description SizeFormat 
PapamitsiouZacharoulaPhd2018.pdf8.14 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons