http://www.upenn.edu/learninganalytics/

任务
宾夕法尼亚大学学习分析中心使用大规模和小规模研究方法,从分析和数据挖掘到人种学和野外观察方法,以及学习和参与。我们对最先进的在线学习环境和传统课堂教学进行研究,研究哪些方法和方法可以最好地提高学生的长期成果。

改变学习环境
传统教室和在线课程之间的二分法越来越模糊,越来越多的学生在混合学习环境中工作。这些学生可能正在使用智能辅导系统(ITS),模拟,游戏或微观世界。即使在大规模在线开放课程(MOOC)等完全在线体验中,学生之间的互动也与他们与课程材料的互动一样重要。在PCLA,我们的目标是通过研究新的学习环境如何为全方位的学生提供服务来增强所有学习者的教育体验。我们研究环境和使用它们的学习者,与学术界和工业界的团体合作。在PCLA,我们不会创造新的学习环境;我们研究如何让它们变得更好。

创新
PCLA的研究人员开发了许多工具和模型,以便更好地理解大规模学习,通常是在在线学习系统的背景下。其中包括用于分析系统日志文件的新技术和用于现场观察的新协议。

我们开创了新的方法,用于在线模拟学生参与,推断复杂的学习和探究技能,学习逐步发生的学习,以及将学习者现在的经历与他们的职业和生活结果联系起来。 。我们还开创了将技术与人类判断相结合的新方法,以充分利用每种方法的优势。例如,BROMP方法是为了研究学生与教育软件的互动而开发的,它允许我们在没有侵入式传感器或视频设备的情况下研究学生的情感和行为体验。同样,我们使用文本回放(一种从教育软件中分析日志文件的方法)有助于提高我们对学生在游戏系统时所做工作的理解,而不是参与教育材料。

使(在线)学习系统更加人性化
与具有较大学生/教师比例的传统教室相比,在线学习系统可提供优势。通过自动检测错误和误解,这些系统可以提供及时的支持,以防止学生完成任务或不得不忘记了解不足的材料。无论学生是在一个充满同龄人的教室中,还是通过基于网络的应用程序独立工作,他们都应该享有教育经验,并将其视为个人。

我们的目标是通过让教师专注于他们最擅长教学的方式,使用这些方法为学生提供更好的教育体验。在拥有大量学生的班级中,自动化脚手架允许学生按照自己的进度工作。它还允许教师在更加个性化的层面上关注学生 – 帮助那些有更深层次误解而不是轻微表面错误的学生,或者与遇到与学习材料无关的问题的学生建立有意义的联系。

我们相信软件可以做的不仅仅是提供提示和自动更正,我们正在努力向人们展示如何。通过将学生的情绪和行为的课堂观察与学生日志文件相匹配,我们可以训练软件识别学生何时感到厌倦或困惑或沮丧。反过来,这可以用来使学生的学习体验更具吸引力和积极性 – 要么通过改变难度,要么提醒教育者注意可能会错过的挣扎。