شناسایی مولفه‌های واکاوی یادگیری در آموزش و ارائه چارچوب مفهومی برای بهینه‌سازی یادگیری

پیشینه و اهداف: واکاوی یادگیری حیطه‌ای نوین و آینده‌دار در آموزش است که به دنبال دریافت، تحلیل و گزارش داده راجع به یادگیرنده و محیط یادگیری‌اش به منظور بهینه‌سازی یادگیری و محیط یادگیری است. داده و واکاوی، دو کلیدواژه اصلی واکاوی یادگیری است که می‌توان گفت داده به عنوان تغذیه کننده واکاوی به منظور فراهم نمودن بینش‌های مبتنی بر شواهد راجع به یادگیری و تدریس عمل می‌کند. واکاوی یادگیری توجه بسیاری از محققان را در طول دهه گذشته جلب کرده است؛ اما پژوهش‌هایی که به فراهم نمودن یک چارچوب جامع از واکاوی یادگیری پرداخته باشند، بسیار کم بوده است. این پژوهش بنا دارد تا با شناسایی مولفه‌های واکاوی یادگیری در آموزش به ارائه چارچوب مفهومی از واکاوی یادگیری برای بهینه سازی یادگیری بپردازد. روش‌ها‌: این پژوهش یک مطالعه کیفی است که طرح تحقیق آن تحلیل محتوا است. تحلیل مضمون یا تحلیل تماتیک که توسط براون و کلارک پیشنهاد شده است در قالب شش گام به‌عنوان روش پژوهش استفاده شد که عبارتند از: (1) آشناسازی با داده‌های جمع آوری شده  (2) استخراج کدهای اولیه (3) جستجو برای مضامین و مولفه‌ها (4) بررسی مضامین و مولفه‌های احتمالی (5) تعریف و نامگذاری مضامین و مولفه‌ها و (6) گزارش نتایج. در این پژوهش، 14 نفر از متخصصان حیطه واکاوی یادگیری مورد مصاحبه قرار گرفتند. روش نمونه‌گیری هدفمند برای انتخاب شرکت کنندگان استفاده شد و استراتژی انتخاب این متخصصان بر اساس ارتباط فعالیت‌های پژوهشی و نظری آنها بوده است. دلیل این‌که چرا 14 نفر مورد مصاحبه واقع شدند؛ مبنای اشباع نظری بود که به معنای انجام فرایند جمع آوری داده است تا زمانی که داده جدید به‌دست نیاید. این به این معنا است که قاعده اشباع نظری به‌عنوان مبنای تعیین حجم نمونه استفاده شد. برای جمع آوری داده ها، مصاحبه بدون ساختار اجرا شد. تجزیه و تحلیل داده ها در سه مرحله کدگذاری باز (کدگذاری خط به خط)، کدگذاری محوری (ترکیب کدها و ایجاد طبقه‌ای از مفاهیم کلی‌تر) و کدگذاری انتخابی (فرایند انتخاب یک طبقه به‌عنوان مقوله اصلی و ربط دادن دیگر طبقه‌ها به این مقوله) انجام شده است. نرم‌افزار مورد استفاده برای تحلیل داده ها maxqda نسخه 2018 بوده است. روایی یافته ها بر اساس مولفه روایی محتوا (cvi) و پایایی یافته ها براساس آزمون ضریب کاپا مورد بررسی قرار گرفت. یافته‌ها: یافته‌ها نشان داد که واکاوی یادگیری از هفت مولفه محیط (زمینه، فرهنگ و ارتباطات)، اهداف (بهینه سازی یادگیری، تشخیص، آگاهی از فرایند یادگیری، بازخورد، تصمیم گیری، بازتاب، خودتنظیمی، شخصی سازی، انگیزش، نظارت و ارزیابی)، ذی نفعان (یادگیرندگان، معلمان، طراحان یادگیری، مدیران و والدین)، داده (فراداده، داده معنی دار، داده سوابق تحصیلی، داده تحصیلی، داده عملکردی، داده تعاملی و داده روانشناختی)، سطوح واکاوی (توصیفی، تشخیصی، پیش بینی و تجویزی)، فرآیند (جمع‌آوری، تحلیل، گزارش و تفسیر) و تکنیک (تحلیل شبکه‌های اجتماعی، خوشه بندی، طبقه بندی، پیش بینی، رگرسیون، درخت تصمیم گیری، تحلیل عاملی، کشف قوانین انجمنی، کشف الگوهای ترتیبی و تحلیل توصیفی)  تشکیل شده است که در کنار هم چارچوب مفهومی مولفه های واکاوی یادگیری در آموزش برای بهینه سازی یادگیری را تشکیل می دهند. نتیجه‌گیری: براساس یافته های پژوهش به کاربران واکاوی یادگیری در آموزش پیشنهاد می شود که این هفت مولفه شناسایی شده را در هنگام استفاده از واکاوی یادیگری در آموزش برای بهینه سازی یادگیری مورد توجه قرار دهند. براساس یافته‌ها، توصیه‌ها برای فعالیت‌های پژوهشی و عملی آتی پیشنهاد شده است.

Identifying components of learning analytics in education and providing a conceptual framework for optimizing learning

Background and Objectives: Learning analytics is a new and promising field of study in education that seeks to capture, analyze and report data about learners and their learning environment for the purpose of optimizing learning and its environment. Data and analytics are the two main keywords for learning analytics in which data is the feeder of analytics to provide evidencebased insights about teaching and learning. Although learning analytics has been of interest to many scholars during the last decade, little research has been done to provide a comprehensive framework of learning analytics. This study is aimed at identifying learning analytics components in education to provide a conceptual framework for optimizing learning. Methods: This is a qualitative study in which the design of the study is content analysis. The thematic analysis which is the research method suggested by Braun and Clarke was used in the following six steps: (1) familiarizing with collected data, (2) generating the initial codes, (3) searching for the themes and components, (4) reviewing the potential themes and components, (5) defining and naming the themes and components, and (6) reporting the results. In this study, 14 experts in the field of learning analytics were interviewed. Purposeful sampling method was used to select the participants. Moreover, the strategy for selecting these experts was based on the relationship between their theoretical and research activities. The reason why 14 experts were interviewed is the theoretical saturation which means data collection process continues until no new data is collected. That is to say that the theoretical saturation method was used to determine the sample size. To collect data, unstructured interview was performed. Data analysis was performed in three stages including open coding (line by line coding), axial coding (combining codes and developing a category of more general concepts) and selective coding the process of choosing one category to be the core category, and relating all other categories to this category). MAXQDA software version 2018 was used to run data analysis. The validity of the findings was assessed by the content validity index (CVI) and the reliability of the findings was determined based on Cohen’s kappa coefficient. Findings: The results showed that learning analytics is comprised of seven main components, including environment (background, culture, communication), objectives (optimization, learning, recognition, awareness of the process of learning, feedback, selfregulation, personalization, motivation, supervision, and assessment), stakeholders (learners, teachers, learning designers, administrators, and parents),  data )metadata, meaningful data, academic background data, academic data, performance data, interaction data, and psychological data), levels of analytics (descriptive, diagnostic, predictive, and prescriptive),], process (collection, analysis, report, and interpretation), and technique  (analysis of social networks, clustering, categorization, prediction, regression, decision tree, factor analysis, discovery of association rules, discovering sequential patterns, and descriptive analysis], which altogether provide the conceptual framework of the learning analytics components in teaching for optimization of learning. Conclusion: Based on the findings of the study, the users of learning analytics in education can be recommended to consider these seven components when they are using them to optimize learning. Based on the findings, recommendations for future research and practical activities are made. ===================================================================================== COPYRIGHTS  ©2020 The author(s). This is an open access article distributed under the terms of the Creative Commons Attribution (CC BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, as long as the original authors and source are cited. No permission is required from the authors or the publishers.  =====================================================================================