Att spåra varje elev varje drag är centralt för revolutionen i högre utgåvan

högre ed nprBild: Chelsea Beck / NPR
Vänligen dela denna berättelse!
image_pdfimage_print

Technocrat-tankesättet är att spåra allt, hela tiden, och detta är särskilt sant i alla faser av modern utbildning. Studenter är bara statistiska objekt som ska analyseras och manipuleras.  TN Editor

På campus i dag lämnar nästan varje utbildningsinteraktion digitala spår. Uppdrag och feedback ges via onlineportaler; debatter och diskussioner sker via lärningshanteringssystem samt i klassrum, kaféer och sovsalar.

Dessa och andra digitala smulor ger teknologerna möjligheter att undersöka processer, praxis och mål för högre utbildning på sätt som i stort sett var omöjligt för ett decennium sedan.

Vi har rapporterat här och här på Stanford fysik nobelpristagaren Carl Wiemans "aktiva lärande" revolution.

En annan fysiker-vände-utbildning-innovatör (finns det något i fysiklaboratoriet vatten?) Som heter Timothy McKay ser stort löfte i "lärande analys" - använder stora data och forskning för att förbättra undervisning och lärande.

McKay, professor i fysik, astronomi och utbildning vid University of Michigan argumenterar i ett nyligen vitbok, att högre utbildning behöver "bryta ner den upplevda klyftan mellan forskning och praktik."

Det finns integritet och etiska problem, naturligtvis, vilket i sin tur har föranledde svängande uppförandekoder att springa upp.

Jag kontaktade professor McKay, som också är chef för Michigan Digital Innovation Greenhouse, för att gräva djupare om hur inlärningsanalyser fungerar i högre utbildning.

Jag ger dig ett exempel som dras från min egen erfarenhet. Jag har undervisat här vid University of Michigan i mer än 20 år. Det mesta av min undervisning har varit stora introduktionskurser i fysik ... från 400 till 700 studenter. Så som universitet traditionellt har gjort detta är att tillhandahålla ett slags industriellt tillvägagångssätt, gå till den stora gruppen människor och erbjuda dem samma material, be dem att göra samma typ av aktiviteter i samma takt och utvärdera alla dessa människor på exakt samma sätt. Alla får samma kurs.

Om det är väl utformat, är det kanske för medianstudenten i den klassen. Det fungerar typiskt bra för den medianstudenten, men det fungerar inte bra för någon annan.

Vad jag upptäckte när jag började titta på data om mina egna klasser är något som borde ha varit uppenbart från början men egentligen inte förrän jag undersökte data. Jag förstod hur olika alla elever i min klass var, hur bred de är spridda över en mängd olika spektra av skillnader, och att om jag ville lära dem alla lika bra, fungerar det inte att leverera exakt samma sak för varje elev.

Du kan bättre anpassa och smala för studenter som kan behöva hjälp, som kan ha en annan bakgrund, som kan ha ett annat perspektiv?

Eller olika mål. Många gånger kommer diskussionen att handla om studenter som kan vara bakom eller i riskzonen, men det gäller också för studenter som verkligen utmärker sig akademiskt. De behöver också speciella typer av uppmärksamhet. Det första som hände för mig var att öppna mina ögon för den verkliga utmaningen, den verkliga vikten av att personifiera, även när vi undervisar i stor skala.

Sedan var det som insåg att eftersom vi faktiskt hade information om bakgrunder och intressen och mål för var och en av våra elever, om vi kunde bygga verktyg, använda informationsteknologi, kanske vi kunde prata med var och en av dessa elever på olika sätt för att ge dem olika feedback och uppmuntran och råd.

Vi har byggt det här verktyget som heter ECoach, som är ett datoranpassat kommunikationssystem som gör att vi kan prata med en student med detaljerad kunskap om deras bakgrund, intressen och mål och kunna göra det i skala.

Något av det är automatiserat, men kan du skräddarsy det för varje student?

Det är intressant. Det automatiseras på ett sätt, men på ett annat sätt genereras allt av människor. Innehållet som vi kommer att tillhandahålla, hur vi skapar det, är att sitta ner tillsammans och titta på de typer av människor som är närvarande i våra klasser och tänka på hur vi skulle ändra budskapet om någon av dessa elever satte sig i framför oss.

Vi kan naturligtvis förändra vad vi säger. Vissa elever är mycket väl förberedda för att ta en fysikklass och faktiskt kanske de har studerat den i två år på gymnasiet innan de kommer till min klass. Det finns ett slags meddelande till dem. Det finns andra typer av studenter som aldrig har sett det här ämnet tidigare. Och där kanske jag verkligen vill fokusera på poäng som hur man tar en fysikklass skiljer sig från att ta andra typer av klasser som de har.

Vi sätter oss ner och tänker på vad vi skulle säga till dessa människor om de satt framför oss, och teknik som ECoach gör det bara för oss att säga det till alla studenter, istället för bara de få som kan få möten under våra kontor.

OK, säger ett gäng nybörjare i en amerikansk upplyst klass 20-talet, de papper de gör för den klassen, finns det relevant information där som kan vara användbar på ett lärande analytiskt sätt?

Absolut. Det är ett bra exempel på de nya typerna av data som dyker upp, de nya formerna av data. Det brukade vara när du och jag gick på college, att du skrev papperet för den kursen och du lämnade in det kanske på skrivpapper. Rätt? Instruktören tog den och markerade den med en penna och lämnade tillbaka den till dig, och sedan var den borta från systemet. Det lämnade inga rekord. Den enda posten som den lämnade var faktiskt betyget som din instruktör skrev i en kolumn i en liten bokbok.

Läs hela historien här ...

Prenumerera
Meddela om
gäst
0 Kommentarer
Inline feedbacks
Visa alla kommentarer