|
连接学习 (Connected Learning) 是一种现代教学概念，主张知识和学习是被学习者社群网络所形塑。传统的学习管理系统 (LMS) 可以提供论坛讨论、wiki (一种共同编辑的工具)、档案共享等服务，但我们的学生根本经常不在那儿，他们倾向于使用他们熟悉的社群媒体工具。这会影响到我们所要执行的学习分析，由于社群学习发生在 LMS 的范围外，因此我们只能看到他们的实际行为的一小部分。我们该如何面对这样学习典范的转移呢? 注: Connected Learning 主张学习该是： 透过实际动手操作，会拥有更深入的学习； 开放地连结，不管在学校、家庭还是社群都可以适用； 利用网路的力量，让志同道合的人一起合作。 这篇即将介绍的 Connected Learning Analytics toolkit (CLA toolkit) 目的是使教师能跳脱学习框框的设计与分析学习经验。在 LMS 内的学习，我们藉由精心设计的学习活动取得学生参与学习的相关资料，但这通常只包含一些有限的线上学习工具。基于一套统一的限制词 (Controlled Vocabulary) 与处方 (Recipe)，xAPI 让我们能够将不同平台的资讯流统一格式。以学习者导向的分析协助学生建立对自己学习过程、和社群互动关系上的后设认知 (Metacognition)与反思。 利用 xAPI 使学习能超越 LMS 框架，这次访谈介绍其实施架构、资料分析的概观。 Speaker: Dr. Kirsty Kitto 以下是谈话的摘要。 ************************** 跳脱学习框框 (Teaching in the wild) 的意义? 是什麽因素促成这个专案的? 嗯，因为学习者都在那裡 — 社群媒体平台和部落格。如果教师不在场，他们可能会错过一些重要的机会来瞭解和协助他们的学生。例如，在昆士兰科技大学 (Queensland University of Technology)，我们使用 BlackBoard，有 wiki 和小组讨论论坛及其他更多资源，但没人在使用它们。学生们都在使用 Facebook、Dropbox、Google Drive 等等…..，如果团队专案合作过程有问题，教师是不会知道的。 同时我也相信学习正走向开放的空间，我们真正需要的是一些鬆散结合的解决方案，教师可以依其需要组合，而不是依靠一个提供所有功能的系统。此外，终生学习在一个与现实世界隔离的安全平台内 (指 LMS) 是不可能实现的，我们一生都需要学习新技能。此专案能真正协助我们研究一个真实世界的学习经验。 举一个例子，在某个顶尖专案，拥有不同特殊天份的学生负责不同的工作 — 组织、写程式、记录等等，要如何知道某人对团队作出什麽贡献呢? 如何在适当的时间协助学生改善团队合作的技能? 我们建立一个跨多个平台、协助学习者瞭解他们自己行为的解决方案。要做到这目标，我们使用学习分析 (Learning Analysis) — 使用历程资料来提高学习成效。目前很多学习分析是为了研究学习者，却不是为了学习者本身，很少资料反馈给学习者。所以这个专案的目的是帮助学习者了解自己的行为和学习过程，而不是为了向学习机构呈交报告而已。 基于 xAPI 的学习分析工具 CLA toolkit xAPI 是此专案的核心元件。我们建立一套工具 (CLA toolkit) 来做为与一些热门社群媒体应用程式的界面，利用各平台提供的 API 接出资料，并确保资料使用预先设计好的标准格式和词彙集来纪录储存。一旦我们这麽做了，我们可以对该整合的资料运用语义技术和大量不同的分析技术。我们可以分析高层次的资料或是放大细微层次的资料，可以为不同的角色设计不同的报告。 学生们是自愿报名参与资料收集的，因为在社群媒体的空间我们必须尊重学生。然后，有关某特定事件 (例如，某个 hashtag) 的资料会被拉入 LRS 进行分析。因为资料都遵循预设好的标准格式，视觉化报告可以立即生成，例如，学习者在某事件中的认知表现 (Cognitive Presences) 指标。
CLA toolkit dashboard图片来自 Dr Kitto 简报 我们如何从 xAPI 到学习分析? 我们这个专案首先处理的关键问题之一是限制词的相关基础 (处方 (Recipe)、设定 (Profiles)、Linked Data)。因为我们要从多个来源聚合资料，必须要先投入了大量的工作打好基础。另一个考虑是跨越不同 LMS、机构和其他标准 (如 IMS 的 Caliper) 的资料可携性。例如，学习者在小学阶段的纪录可以与他高中的活动资料放在一起，可以带进他就读的大学或甚至是职业生涯，而所有的资料整合起来能有意义。 此外，我们需要更为複杂的资料萃取功能，我们目前在 xAPI 世界看到大量的简单计数和横条图，但更複杂的分析已在学习分析研究领域被发展许久，例如 Discourse Analysis、Metacognition、Reflection、Group Dynamic。在大规模的整合资料上要进行这些高层次的分析，必须要在标准化投入了大量努力之后才有可能，否则肯定会是一片混乱。所以，在开始时我们花了很长时间(超过 6 个月的时间，现在仍正扩展它)创建社群学习的处方，这工作完成后我们仅在几个星期内就能产出仪表板与分析。 我们有资料以标准格式储存 — 接下来呢? 步骤 1: 从 LRS 提取资料 步骤 2: 构建适合你用途的分析和仪表板 (Kitto 博士在影片时间 19:00 ~ 27:30 处做了一个 CLAtoolkit 仪表板的展示) 将资料反馈送回当事人手上 如果你要使用机器学习 (Machine Learning) 来分类学习者，你会发现它是非常困难的，因为学习是一种高度情境化 (Contextualized) 的活动。不同的情境，例如不同班级或是不同语言，你将会看到非常不一样的行为。要找到一个让你可以训练机器在不同情境下都能正确执行分类的资料集是非常困难的。例如，认知表现 (Cognitive Presences) 是用以分类人们如何参与社群学习的分析，这对 Connected Learning 相当重要，认知表现有触发 (Triggering)，探索 (Exploration)、整合 (Integration) 和决议 (Resolution) 等 4 种分类。我们曾经使用来自 Moodle 论坛的训练资料集 (发生在加拿大) 来分类来自 Youtube (发生在澳大利亚) 的实际资料集，所产生的结果并不理想。 所以我们建立一个 “Active Learning Squared” 的工具，它让学生参与对内容分类，这训练他们反思自己与别人的学习过程，同时也让机器根据学生的输入资讯来学习，未来对该特定情境产生更准确的分类。以这种方式我们可以立即把资料返回学习者本身，以协助他们反省和改变自己的行为，而不是在事后说我们并不满意他们的行为 (而且他们不知如何改进)。 Discourse Analysis — 分析互动的内容 我们也尝试分析学生写作的内容和本质。它可以协助学生瞭解有什麽反应，以及不同层次的反应本质可以被强调。此工具是免费提供 (HTTP://alasi.nlytx.io/)，我们计画将其纳入我们的仪表板。 开始跳出学习框框 如果你想知道有关整个专案的详细资讯，请访问 www.beyondlms.org，相关的资讯将随著专案的进行被更新。 ************************** 关于 Dr Kirsty Kitto Dr Kitto 统筹领导一个由澳洲政府资助的研究专案 (Australian Government’s office for Learning and Teaching Enabling Connected Learning via open source analytics in the wild, ID14-3821) 。此专案正开发 Connected Learning Analytics toolkit，利用 xAPI 来追踪纪录学生在每天使用的各种社群媒体与部落格上的行为加以分析。她本身是 Queensland University of Technology，Information Systems School 的资深研究学者，主要研究人类如何与複杂的资讯环境互动，特别是语言、态度、记忆与学习之间的关系。 |
