Event-Aligned Learning Analytics for Instructor Priority Review: Preceding Performance Signals and Task-Progression Interruption in a Large-Scale Online Course
यह अध्ययन प्रदर्शित करता है कि बड़े पैमाने पर ऑनलाइन पाठ्यक्रमों में कार्य-प्रगति व्यवधानों से पूर्व व्याख्या योग्य इन-टास्क प्रदर्शन संकेतों का विश्लेषण करना प्रशिक्षकों को महत्वपूर्ण संक्रमण बिंदुओं पर संसाधन-सीमित समीक्षाओं को प्राथमिकता देने में सक्षम बनाता है, जिससे जोखिम वाली आबादी के एक छोटे से अंश पर ध्यान केंद्रित करके आगामी छात्र व्यवधानों के आधे से अधिक हिस्से की प्रभावी रूप से पहचान की जा सकती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक बड़े ऑनलाइन विश्वविद्यालय पाठ्यक्रम के विशाल, शांत गलियारों में, हजारों छात्र लॉग इन करते हैं, वीडियो देखते हैं और असाइनमेंट जमा करते हैं। एक शिक्षक के लिए, यह डिजिटल निशान डेटा का एक सैलाब है: क्लिक, स्कोर और टाइमस्टैम्प की एक निरंतर धारा। शिक्षकों के लिए चुनौती सूचना की कमी नहीं, बल्कि उसकी अधिकता है। एक शिक्षक वास्तविक समय में प्रत्येक छात्र के विकसित होते रिकॉर्ड को पढ़ने में सक्षम नहीं हो सकता, फिर भी वे उन छात्रों को खोने का जोखिम नहीं उठा सकते जो चुपचाप पीछे छूट रहे हैं। पारंपरिक तरीके अक्सर यह तय करने के लिए अंतिम ग्रेड या एक कम स्कोर पर निर्भर करते हैं कि किसे मदद की आवश्यकता है, लेकिन यह एक धावक की सहनशक्ति का आकलन केवल तब करने जैसा है जब वह पहले ही गिर चुका हो। एक अधिक उपयोगी दृष्टिकोण यह समझना होगा कि वास्तव में छात्र की सीखने की प्रक्रिया कब टूटती है, और उन सूक्ष्म संकेतों को खोजना जो उस टूटन से ठीक पहले दिखाई देते हैं। यह सीखने के बारे में सोचने के एक नए तरीके का मूल है, जो शिक्षा को एक स्थिर परिणाम के रूप में नहीं, बल्कि विशिष्ट चरणों वाली एक यात्रा के रूप में देखता है, जहाँ लड़खड़ाहट का समय उतना ही महत्वपूर्ण है जितना कि स्वयं वह लड़खड़ाहट।
एक शोधकर्ता ने चीन के एक विश्वविद्यालय में एक विशाल आर्टिफिशियल इंटेलिजेंस पाठ्यक्रम में एक व्यावहारिक समस्या को हल करने का प्रयास किया। वे जानना चाहते थे कि क्या पाठ्यक्रम के शेड्यूल में कोई विशिष्ट क्षण है जहाँ छात्र अपने कार्यों पर काम करना बंद करने की सबसे अधिक संभावना रखते हैं, और क्या वे उस क्षण से ठीक पहले छात्रों द्वारा जमा किए गए कार्य में एक चेतावनी संकेत देख सकते हैं। पाठ्यक्रम को तीन स्पष्ट चरणों में विभाजित किया गया था: एक प्रारंभिक सप्ताह, एक मध्य सप्ताह और एक अंतिम सप्ताह, जिसमें प्रत्येक चरण में तीन ग्रेड वाले असाइनमेंट जारी किए गए थे। शोधकर्ता ने दो लगातार वर्षों के पाठ्यक्रम के लगभग 5,000 छात्रों के रिकॉर्ड का विश्लेषण किया। पूरे वर्ग में विफल होने की भविष्यवाणी करने के बजाय, उन्होंने एक विशिष्ट घटना पर ध्यान केंद्रित किया: पहली बार जब किसी छात्र ने एक पूरे सप्ताह के लिए वैध कार्य जमा करना बंद कर दिया। उन्होंने इसे "टास्क-प्रोग्रेशन इंटरप्शन" (कार्य-प्रगति व्यवधान) कहा। इन व्यवधानों से पीछे की ओर देखते हुए, उन्होंने एक सरल प्रश्न पूछा: क्या वे छात्र जो बाद में काम करना बंद कर चुके थे, उन्होंने पिछले सप्ताह के दौरान किए गए अपने कार्य में संघर्ष के संकेत दिखाए थे?
इसका उत्तर स्पष्ट और सुसंगत 'हाँ' था। शोधकर्ता ने पाया कि जिन छात्रों ने बाद में एक पूरे सप्ताह तक कार्य जमा करना बंद कर दिया, वे उस सप्ताह के दौरान किए गए असाइनमेंट में अपने साथियों की तुलना में पहले से ही काफी खराब प्रदर्शन कर रहे थे। यह पैटर्न पाठ्यक्रम के दोनों वर्षों के लिए और प्रारंभिक से मध्य चरण तथा मध्य से अंतिम चरण के बीच के दोनों संक्रमणों के लिए सत्य सिद्ध हुआ। हालाँकि, शोधकर्ता ने पाया कि एक विशिष्ट संक्रमण दूसरे की तुलना में कहीं अधिक महत्वपूर्ण था। पहले सप्ताह से दूसरे सप्ताह का बदलाव वह स्थान था जहाँ व्यवधान सबसे अधिक बार होते थे। दोनों वर्षों में, बाद के संक्रमण की तुलना में प्रारंभिक-से-मध्य संक्रमण के दौरान अधिक छात्रों ने काम करना बंद कर दिया। इसके अलावा, कम सापेक्ष प्रदर्शन का चेतावनी संकेत इस विशिष्ट विंडो में भी दोहराया गया। इसने एक "क्रिटिकल ट्रांजिशन विंडो" (महत्वपूर्ण संक्रमण काल) की पहचान की, जो पाठ्यक्रम के शेड्यूल का एक विशिष्ट बिंदु है जहाँ छात्रों के वर्कफ़्लो से बाहर होने का जोखिम सबसे अधिक होता है और जहाँ व्यवधान से पहले एक स्पष्ट संकेत दिखाई देता है।
अध्ययन ने यह परीक्षण किया कि क्या यह संकेत वास्तव में एक शिक्षक को उनके सीमित समय को प्रबंधित करने में मदद कर सकता है। कल्पना कीजिए कि एक शिक्षक जो कक्षा के केवल एक छोटे से अंश की समीक्षा कर सकता है। यदि वे यादृच्छिक रूप से छात्रों को चुनते हैं, तो वे संभवतः उन अधिकांश छात्रों को चूक जाएंगे जो काम करना बंद करने वाले हैं। लेकिन जब शोधकर्ता ने छात्रों को उनके पिछले सप्ताह के सापेक्ष प्रदर्शन के आधार पर रैंक किया, तो एक अलग तस्वीर सामने आई। सापेक्ष प्रदर्शन के मामले में निचले बीस प्रतिशत छात्रों की समीक्षा करके, शिक्षक उन छात्रों के आधे से अधिक को पकड़ लेंगे जो अपने पहले बड़े व्यवधान का अनुभव करने वाले थे। एक वर्ष में, कक्षा के लगभग एक-पांचवें हिस्से की समीक्षा करने से उन छात्रों का लगभग साठ प्रतिशत कवर हो गया जो बाद में काम करना बंद कर चुके थे। दूसरे वर्ष में, कवरेज और भी अधिक था। इसका अर्थ यह है कि एक शिक्षक को परेशान छात्रों को खोजने के लिए सभी की निगरानी करने की आवश्यकता नहीं है; वे अपना ध्यान एक बहुत छोटे, लक्षित समूह पर केंद्रित कर सकते हैं और फिर भी उन लोगों तक पहुँच सकते हैं जिन्हें मदद की आवश्यकता है।
महत्वपूर्ण रूप से, शोधकर्ता इस बात को लेकर सावधान थे कि उनका डेटा वास्तव में क्या दिखाता है और क्या नहीं। उन्होंने यह दावा नहीं किया कि कम स्कोर का मतलब स्वचालित रूप से यह है कि छात्र हार मान रहा है, न ही उन्होंने यह सुझाव दिया कि एक शिक्षक को आगे देखने के बिना स्वचालित रूप से हस्तक्षेप करना चाहिए। डेटा यह अंतर नहीं कर सका कि एक छात्र ने खाली असाइनमेंट जमा किया है या उसने बिल्कुल भी जमा नहीं किया है, इसलिए "इंटरप्शन" (व्यवधान) को सख्ती से वैध प्रदर्शन रिकॉर्ड की कमी के रूप में परिभाषित किया गया था, न कि आवश्यक रूप से पाठ्यक्रम से पूर्ण वापसी के रूप में। यह अध्ययन भी पूर्वव्यापी (retrospective) था, जिसका अर्थ है कि इसने वास्तविक समय में हस्तक्षेप का परीक्षण करने के बजाय पैटर्न खोजने के लिए पिछले रिकॉर्डों को देखा। इसलिए, निष्कर्ष यह दर्शाते हैं कि एक उपयोगी संकेत मौजूद है और इसे प्राथमिकता देने के लिए उपयोग किया जा सकता है, लेकिन वे यह साबित नहीं करते कि इस संकेत पर कार्रवाई करने से हर छात्र के लिए परिणाम बदल जाएगा। इसका मूल्य खोज की दक्षता में निहित है: यह एक शिक्षक को उन छात्रों को खोजने की अनुमति देता है जिन्हें संघर्ष करने की सबसे अधिक संभावना है, और इसके लिए उन्हें सभी की जांच करने में लगने वाले प्रयास के एक अंश की आवश्यकता होती है।
यह दृष्टिकोण शैक्षिक तकनीक के बारे में सोचने का एक नया तरीका प्रदान करता है। पूर्ण सटीकता के साथ भविष्य की भविष्यवाणी करने वाले जटिल सिस्टम बनाने के बजाय, शोधकर्ता एक ऐसी विधि का प्रस्ताव करते हैं जो इस तरह से संरेखित है जैसे शिक्षक वास्तव में निर्णय लेते हैं। वे छात्रों द्वारा छोड़े गए डिजिटल निशानों को एक क्रिस्टल बॉल के रूप में नहीं, बल्कि इलाके के मानचित्र के रूप में देखते हैं। यह पहचानकर कि रास्ता कहाँ टूटने की सबसे अधिक संभावना है और उस टूटन से ठीक पहले दिखाई देने वाले अस्थिरता के विशिष्ट संकेतों को देखकर, शिक्षक अपना सीमित मानवीय ध्यान वहीं केंद्रित कर सकते हैं जहाँ इसकी सबसे अधिक आवश्यकता है। यह अध्ययन किसी सार्वभौमिक नियम की पेशकश नहीं करता है जो प्रत्येक ऑनलाइन पाठ्यक्रम पर लागू हो, क्योंकि इन महत्वपूर्ण क्षणों का समय कक्षा के विशिष्ट डिज़ाइन पर निर्भर करता है। हालाँकि, यह किसी भी पाठ्यक्रम में उन क्षणों को खोजने के लिए एक विश्वसनीय विधि प्रदान करता है। यह सुझाव देता है कि लर्निंग एनालिटिक्स का सबसे प्रभावी उपयोग शिक्षक के निर्णय को प्रतिस्थापित करना नहीं है, बल्कि उसे तेज करना है, जिससे डेटा के सैलाब को प्राथमिकताओं की एक प्रबंधनीय सूची में बदला जा सके जो एक शिक्षक के समय की वास्तविकता और एक छात्र की यात्रा की जटिलता का सम्मान करती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।