Információfogyasztási tevékenységek – eredményesség

3.4.3.1. Az online tanulás jellegzetes információfogyasztási hálói leírhatók (H5) Ahhoz, hogy a hallgatók információfogyasztási jellegzetességeit le tudjuk írni, az adatbányászat kezdő lépéseként az adattisztítást kellett végrehajtanunk. Ez azt jelentette, hogy a keretrendszerek által logolt kattintásokat be kellett kódolni, azaz a kurzusfelületeket figyelve, le kellett írni, hogy az adott kattintás, milyen tevékenységet takar. Ebben a fázisban tehát minden egyes kattintás kapott egy tevékenységkódot. (A tevékenységkódok listáját ld. a 3. számú mellékletben.) A logolásban lévő kattintások tevékenységekkel való párosítása tette lehetővé, hogy (1) a három különböző mintát egy tevékenységi keretben értelmezhessük; (2) számolásokat és kimutatásokat végezzünk a tevékenységekről. Ezután kerülhetett sor olyan változók kialakítására, amelyeket a logolt ada-tokból tudtunk kiszámítani. Ilyen volt például a tanuló top három tevékenysége, azaz a leggyak-rabban végzett kattintások tevékenységalapú leírása. Vagy ilyen volt az is, hogy mi a leggyakoribb kezdő és záró kattintás egy-egy tanulói belépés időtartama alatt. Ezekről a változókról adunk egy leíró statisztikai elemzést annak érdekében, hogy az információfogyasztási hálók leírásakor köny-nyebben érthetővé váljon, hogy milyen változók mentén különülnek el a tanulói csoportok.

Az oldalletöltések száma azt írja le, hogy az adott hallgató a kurzus online felületének első és utolsó megnyitása között hány alkalommal kattintott a felületen. Ez tehát nem a belépések száma, hanem a kurzus online tanulás környezetén végzett összes kattintás száma. Mindhárom mintát nézve, egy hallgató átlagosan 188-at kattintott a kurzus online felületén. Nagy különbsé-gek vannak azonban az egyes intézmények között: az 1. kurzuson egy hallgató átlagosan 163-szor, a 2. kurzuson 501-szer, a 3. kurzuson pedig 170-szer kattintott a tanulmányi félév során a kurzusfe-lületen. (A nagy eltérések részben a minták elemszámából is adódnak.)

A logolás részletes időpontokkal való rögzítése (év, hónap, nap, óra, perc), lehetővé tette, hogy bevezessük a session fogalmát. A session azt az időintervallumot jelenti, amely a hallgató egy adott alkalommal történő, online kurzusfelületre való belépése és kilépése között telt el. Mivel minden online rendszerben előfordulhat, hogy nem történik szabályos, log out gomb megnyo-másával történő kilépés, ezért be kellett vezetnünk azt a szabályt, hogy ha 30 percig nem történik kattintás, akkor új session indul. A session-ök kapcsán több dolgot is kiszámoltunk. Az egyik az volt, hogy egy hallgató átlagos session-je milyen hosszú, és erre eredményként azt kaptuk, hogy átlagosan 33,13 perc egy átlagos session hossza. Vagyis egy konkrét belépés alkalmával a hall-gatók átlagosan körülbelül fél órát töltöttek az online kurzusoldalon. Az egyes kurzusok felhasz-nálói között itt is jelentős különbségek vannak: az 1. kurzusban a session átlagos hossza 18 perc, a 2. kurzusban 86 perc (!), a 3. kurzusban pedig 35 perc.

A másik dolog, amit a session-ök kapcsán meg tudtunk vizsgálni, az az, hogy melyek voltak egy-egy felhasználó tipikus session indító és session záró tevékenységei.

15. ábra: A session indító tevékenységek gyakorisági előfordulása

16. ábra: A session záró tevékenységek gyakorisági előfordulása

A grafikonok jól kirajzolják azt a nem meglepő eredményt, mely szerint a felhasználók leggyak-rabban a kezdőoldalon indítják tevékenységeiket, és kicsit kisebb arányban, de többnyire ott is fejezik be. Fontos megjegyeznünk, hogy ez a kezdőoldal nem magának az oktatási keretrendszer-nek a kezdőoldala (login oldala), hanem az adott kurzus felületékeretrendszer-nek kezdőoldala. Az indító tevé-kenységeknél talán izgalmasabb a záró tevékenységek listája, mert előzetes elképzeléseink szerint talán kimutatható olyan tevékenység, ahol a tanulás megszakad. Ezt a fenti, 16. ábra nem igazán támasztja alá, mert a felhasználók 63,3%-a a kezdőoldalon hagyja abba az online kurzusfelületen

végzett tevékenységét, ami elvileg azt jelentené, hogy nem hagy félbe folyamatokat, hanem mint-egy lezárásként visszalép a kezdő oldalra. Tudjuk azonban, hogy ez nem feltétlenül így van, hiszen például egy teszt félbehagyása után is van lehetősége arra, hogy a kezdőoldalra lépjen. Vannak azért jelek arra, hogy akár félbe is hagyhatnak tevékenységeket az oldalon: a felhasználók 17%-a a tananyag megtekintése után, közben, alatt lép ki az oldalról, további körülbelül 10%-uk pedig a teszt megnyitása után.

Összességében a session indító és záró tevékenységek nem hozták a várakozásainknak meg-felelő eredményeket, mert az látszik, hogy a kezdőoldalra lépésen kívüli tevékenységek nem sze-repelnek meghatározó arányban. Ugyanakkor az az előnye megvolt ennek a kimutatásnak, hogy a későbbiekben, a klaszterezés során ezzel a változóval is tudtunk tovább dolgozni, számolni.

A teljes mintára nézve a leggyakrabban végzett tevékenység a „Lapozás tesztben” (14746 kat-tintás), a második a „Kezdőoldalra lépés” (12562), a harmadik a „Tananyag megtekintése” (11299), a negyedik pedig a „ZH teszt megnyitása” (10630). A minták azonban természetesen ebben sem egyformák, hiszen az alkalmazott oktatásmódszertan és a felépített online tanulási környezet erő-sen befolyásolja és meghatározza, hogy a négy leggyakoribb tevékenység sorrendje hogyan alakul.

1. számú kurzus 2. számú kurzus 3. számú kurzus Top tevékenység 1. Kezdőoldalra lépés SCORM tananyag indítása Lapozás tesztben Top tevékenység 2. Válaszlehetőség

megtekinté-se (szavazás)

SCORM tananyag alfejezet megnyitása

Tananyag megte-kintése

Top tevékenység 3. ZH teszt megnyitása Kezdőoldalra lépés ZH teszt megnyitása Top tevékenység 4. Oktatóvideó megtekintése ZH teszt megnyitása Kezdőoldalra lépés

19. táblázat: A legtöbbször végzett tevékenységek minták szerint Ha nem ismernénk a kurzusok tartalmát, akkor is ki tudnánk következtetni nagy valószínűséggel egy ehhez hasonló táblázatból azt, hogy a hallgatóknak mit kellett csinálniuk az online kurzusfe-lületen, hogy hogyan kellett tanulniuk, és mit használhattak. Az 1. kurzusról az látszik, hogy gyak-ran kellett véleményt nyilvánítaniuk egy-egy szavazás keretén belül, biztosan írtak egy vagy akár több online tesztet is, és gyakran használták a tananyagok közül az oktatóvideókat. A 2. kurzuson SCORM tananyagokból tanultak a hallgatók, amelyekhez kapcsolódva ZH teszteket írtak. A 3. kur-zuson pedig online tananyagokkal és online tesztekkel dolgoztak.

Az időbeli jellemzőkből kiindulva foglalkoztunk még azzal, hogy a hallgatók jellemzően mely napszakban tanultak online, azaz mely napszakban voltak jelen jellemzően az online felületen. Azt gondoltuk előzetesen, hogy akár még ez is lehet egy olyan tanulási jellemző, amely befolyásol-hatja az eredményességet, a kapott érdemjegyet. Három napszakot definiáltuk előre: (1) délelőtt

= hajnali 4-től 13 óráig; (2) délután = 13 órától 19 óráig; (3) éjszaka = 19 órától hajnali 4 óráig. Az összes (81598) kattintásból

• délelőtt történt a kattintások 20,48%-a (16711 darab),

• délután történt a kattintások 52,79%-a (43072 darab), és

• éjszaka történt a kattintások 26,73%-a (21815 darab).

A teljes mintára nézve tehát a délután 13-19 óra közötti tanulás volt jellemző. Az éjszakai és a délelőtti tanulás majdnem azonos arányban fordult elő.

Az információfogyasztási jellemzők leíró elemzése után térhetünk rá arra, hogy a kialakított te-vékenységkódolás és az újonnan kiszámolt, tevékenységi változók alapján a felhasználók, hallgatók csoportosíthatók-e valahogyan, kimutathatóak-e köztük olyan alcsoportok, amelyek az online tevé-kenységeik alapján képezhetők. Ehhez a (Clementine adatbányászati szoftvert használva) a klaszte-ranalízis módszerét tartottuk alkalmasnak. A klaszteklaszte-ranalízis az a statisztikai eljárás, amelynek során a vizsgálati személyeket – bizonyos változók mentén – csoportosíthatjuk. Az eljárás során azt nehéz meghatározni, hogy melyek legyenek ezek a változók, amelyek alapján a felhasználókat érdemes csoportosítani úgy, hogy a kialakult klaszterek nagyjából azonos létszámúak legyenek, és kirajzolód-janak olyan különbségek, amelyek jól elhatárolható csoportok leírását teszik lehetővé. A klaszterana-lízisben beállítottuk – figyelembe véve a hallgatók létszámát -, hogy 3 klasztert alakítson ki a szoftver.

Első lépésben megpróbáltuk a klaszterezést úgy, hogy csakis a logolt tevékenységadatok vál-tozóit tettük a csoportosítás alapjául. Ezzel az eljárással az alábbi felhasználói klasztereket kaptuk:

Klaszter – 1 Top tevékenységek kezdőoldalra lépés lapozás tesztben (111)

SCORM (67)

lapozás tesztben (36) SCORM (36) Melyik kurzus hallgatói 65% – 1. kurzus

35% – 3. kurzus 96% – 3. kurzus

4% – 2. kurzus 71% – 3. kurzus 25% – 2. kurzus 4% – 1. kurzus

20. táblázat: A teljes mintára készített tanulói klaszterek és azok jellemzői A klaszterekbe tartozó felhasználói csoportok jellemzőit nézve, egy-egy fantázianevet is adhatunk a csoportoknak az alapján, hogy milyen jellemzőik vannak.

• Klaszter – 1 = Nézelődő, kukkoló csoport: sűrűn lépnek be az online felületre, és a viszony-lag kevés kattintásukkal sok tevékenységet végeznek. Leggyakoribb kattintásuk a kez-dőoldalra lépés, és nem jellemző, hogy foglalkoznának a tananyagokkal. Jellemzően az 1. kurzus hallgatói tartoznak ide.

• Klaszter – 2 = Célorientált csoport: ritkán lépnek be, de akkor erős tanulási céllal (ld. SCORM és tesztelés). Közepes mind a tevékenységeik változatossága, mind pedig a kattintásainak a száma. A csoport erősen homogén, a 3. kurzus tagjai tartoznak ide.