Analytique multimodale de l'apprentissage basée sur des preuves pour le feedback et la réflexion dans l'apprentissage collaboratif

L'analytique multimodale de l'apprentissage (AML) offre le potentiel de fournir des informations basées sur des preuves sur des phénomènes d'apprentissage complexes tels que l'apprentissage collaboratif. Cependant, peu d'applications d'AML ont fermé la boucle de l'analytique d'apprentissage en étant évaluées dans des contextes éducatifs réels. Cette étude évalue l'efficacité d'une solution d'AML pour améliorer le feedback et la réflexion dans un environnement d'apprentissage collaboratif complexe et hautement dynamique. Une étude longitudinale de deux ans a été réalisée avec 399 étudiants et 17 enseignants, utilisant un système d'AML lors des débriefings réflexifs dans le contexte de l'éducation en santé. Nous avons analysé les données d'enquête de 74 étudiants et 11 enseignants concernant leurs perceptions du système d'AML. Nous avons appliqué le Cadre d'évaluation de l'analytique d'apprentissage, augmenté des mesures de complexité, de précision et de confiance, pour évaluer à la fois les perspectives des enseignants et celles des étudiants. Les résultats ont illustré que les enseignants et les étudiants avaient généralement des perceptions positives de la solution d'AML. Les enseignants ont trouvé la solution d'AML utile pour faciliter le feedback et la réflexion lors des sessions de débriefing. De même, les étudiants ont trouvé la solution d'AML efficace pour apporter de la clarté sur les données collectées, stimuler la réflexion sur leurs comportements d'apprentissage et inciter à des considérations pour l'adaptation de leurs comportements d'apprentissage. Cependant, la complexité de la solution d'AML et la nécessité de mesures qualitatives de communication sont apparues comme des domaines à améliorer. De plus, l'étude a souligné l'importance de la précision des données, de la transparence et de la protection de la vie privée pour maintenir la confiance des utilisateurs. Les résultats fournissent des contributions précieuses pour faire progresser notre compréhension de l'utilisation de l'AML dans le soutien aux pratiques de feedback et de réflexion dans des contextes d'apprentissage collaboratif complexes tout en identifiant des voies pour des recherches et améliorations futures. Nous avons également fourni plusieurs insights et recommandations pratiques pour la mise en œuvre réussie de l'AML dans des contextes d'apprentissage authentiques. Notes pour les praticiens Ce qui est actuellement connu sur ce sujet L'analytique multimodale de l'apprentissage (AML) cherche à générer des insights basés sur des données concernant les états métacognitifs et émotionnels des apprenants ainsi que leurs comportements d'apprentissage, en utilisant des signaux physiques et physiologiques complexes. L'AML a non seulement ouvert de nouvelles méthodes d'analyse de données, mais a également aspiré à compléter la boucle de l'analytique d'apprentissage en élaborant des solutions innovantes et tangibles qui communiquent ces insights aux parties prenantes concernées. Une direction importante dans la recherche sur l'AML a été la formulation d'outils pour soutenir le feedback et la réflexion dans des scénarios d'apprentissage collaboratif, étant donné la capacité de l'AML à discerner des comportements d'apprentissage complexes et dynamiques. Ce que cet article ajoute Les perceptions positives des enseignants et des étudiants concernant la mise en œuvre de l'AML dans la stimulation des considérations d'adaptation dans leurs pratiques pédagogiques et comportements d'apprentissage, respectivement. Des preuves empiriques soutenant le potentiel de l'AML à aider les enseignants à faciliter les pratiques réflexives des étudiants lors de scénarios d'apprentissage collaboratif complexes. L'importance de traiter les problèmes liés à la complexité de la conception, à l'interprétabilité pour les utilisateurs en situation de handicap, à la représentation des données agrégées et aux préoccupations liées à la confiance pour construire une solution d'AML pratique dans des contextes d'apprentissage réels. Implications pour la pratique et/ou la politique La solution d'AML peut fournir aux enseignants une vue d'ensemble des performances des étudiants, éclairer les domaines à améliorer et confirmer les résultats des scénarios d'apprentissage. La solution d'AML peut stimuler les réflexions des étudiants sur leurs comportements d'apprentissage et promouvoir des considérations d'adaptation dans leurs comportements d'apprentissage. Fournir des explications claires et des orientations sur la façon d'interpréter l'analytique, ainsi que de traiter les préoccupations liées à l'exhaustivité et à la représentation des données, est essentiel pour maximiser l'utilité.