Palavras-chave
Análise da aprendizagem
Educação Superior
Como Citar
Resumo
Este artigo apresenta uma análise detalhada com ênfase em dados reais para ilustrar o valor da análise da aprendizagem no aumento da retenção e graduação de estudantes universitários e universitários. A análise abrange uma série de tópicos relevantes, incluindo: Para cumprir os requisitos de construção de competências do futuro, instituições educacionais como universidades e colégios terão de desenvolver métodos de ensino inovadores. Este estudo de caso qualitativo faz uma tentativa de estabelecer que competências e conhecimentos serão necessários para os estudantes universitários adquirirem no futuro, bem como de que forma a análise da aprendizagem pode ajudar a facilitar a aquisição destas competências e informações. Uma vez que as capacidades futuras são formadas sobre o trifecto do desenvolvimento do sujeito, dos objectos e do ambiente social, faz sentido concentrar-se simultaneamente nestes três aspectos. Os resultados de uma análise qualitativa do conteúdo de entrevistas de grupo realizadas com 19 educadores são o foco principal deste artigo. De acordo com os resultados, as componentes cruciais para o desenvolvimento futuro da disciplina incluem competência reflexiva, autoconsciência e autogestão, literacia de aprendizagem, agência pessoal e auto-eficácia, e literacia de aprendizagem. A análise da aprendizagem tem a capacidade de melhorar o desenvolvimento dos indivíduos, uma vez que dá às pessoas as ferramentas para reflectirem sobre a sua própria aprendizagem e crescimento de competências e para se tornarem mais autoconscientes tanto dos seus pontos fortes como dos seus defeitos. A análise da aprendizagem foi também pensada para encorajar a aprendizagem através de um envolvimento activo, autoconfiança na própria capacidade de aprender, conhecimento dos próprios processos de aprendizagem, e metacognição. Os estudantes precisam de adquirir capacidades relacionadas com os objectos, tais como flexibilidade e competência digital, a fim de serem capazes de lidar com assuntos e tarefas complexas.
Referências
Anaya, A. R., Luque, M., & Peinado, M. (2016). A visual recommender tool in a collaborative learning experience. Expert Systems with Applications, 45, 248–259.
Blikstein, P., & Worsley, M. (2016). Multimodal learning analytics and education data mining: using computational technologies to measure complex learning tasks. Journal of Learning Analytics, 3(2), 220–238
Buckingham Shum, S., & Deakin Crick, R. (2016). Learning analytics for 21st century competencies. Journal of Learning Analytics, 3(2), 6–21.
Chen, L., Yoshimatsu, N., Goda, Y., Okubo, F., Taniguchi, Y., Oi, M., Konomi, S., Shimada, A., Ogata, H., & Yamada, M. (2019). Direction of collaborative problem solving-based STEM learning by learning analytics approach. Research and Practice in Technology Enhanced Learning.
Council of the European Union. (2018). Council Recommendation of 22 May 2018 on key competences for lifelong learning (Text with EEA relevance.) ST/9009/2018/INIT. Official Journal of the European Union, C 189/1, 4.6.2018, 1–13.
Cukurova, M., Zhou, Q., Spikol, D., & Landolfi, L. (2020). Modelling collaborative problem-solving competence with transparent learning analytics: is video data enough? In Proceedings of the Tenth International Conference on Learning Analytics & Knowledge (LAK '20) (pp. 270–275). Association for Computing Machinery.
Dowell, N., Lin, Y., Godfrey, A., & Brooks, C. (2020). Exploring the relationship between emergent sociocognitive roles, collaborative problem- solving skills and outcomes: a group communication analysis. Journal of Learning Analytics, 7(1), 38–57.
Ehlers, U-D., & Eigbrecht, L. (2020). Reframing working, rethinking learning: the future skills turn. In Proceedings of European Distance and E-Learning Network (EDEN) Conference. Human and Artificial Intelligence for the Society of the Future (pp. 1–10). European Distance and E-learning Network.
Hyytinen, H., Toom, A., & Shavelson, R. J. (2019). Enhancing scientific thinking through the development of critical thinking in higher education. In M. Murtonen & K. Balloo (Eds.), Redefining scientific thinking for higher education: higher-order thinking, evidence-based reasoning and research skills (pp. 59–78). Palgrave Macmillan.
Jääskelä, P., Heilala, V., Kärkkäinen, T., & Häkkinen, P. (2020). Student agency analytics: learning analytics as a tool for analysing student agency in higher education. Behaviour and Information Technology, 40(8), 790–808.
Jivet I., Scheffel M., Specht M., & Drachsler H. (2018). License to evaluate: preparing learning analytics dashboards for educational practice. In Proceedings of the 8th International Conference on Learning Analytics and Knowledge (pp. 31–40). Association for Computing Machinery (ACM)
Mangaroska, K., & Giannakos, M. (2018). Learning analytics for learning design: a systematic literature review of analytics-driven design to enhance learning. IEEE Transactions on Learning Technologies, 12(4), 516–534.
Muukkonen, H., Lakkala, M., Lahti-Nuuttila, P., Ilomäki, L., Karlgren, K., & Toom, A. (2020). Assessing the development of collaborative knowledge work competence: scales for higher education course contexts. Scandinavian Journal of Educational Research, 64(7), 1071–1089
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Copyright (c) 2023 Synesis (ISSN 1984-6754)