کاربست کلان داده ها در بررسی روابط بین استعداد کاری و سبک یادگیری دانش آموزان
الموضوعات :حجت اله میاندهی رودسری 1 , زهره شکیبایی 2 , علی خلخالی 3
1 - دانشجوی دکتری مدیریت آموزشی، واحد تنکابن، دانشگاه آزاد اسلامی، تنکاین، ایران.
2 - استادیار، گروه مدیریت آموزشی، واحد تنکابن، دانشگاه آزاد اسلامی، تنکابن، ایران
3 - دانشیار گروه مدیریت آموزشی، واحد تنکابن، دانشگاه آزاد اسلامی، تنکاین، ایران.
الکلمات المفتاحية: کلان داده, سبک یادگیری, استعداد کاری,
ملخص المقالة :
هدف از مطالعه ی حاضر بررسی تاثیر کلان داده ها بر استعداد کاری و سبک یادگیری دانش آموزان در مدارس می باشد. روش تحقیق از نوع آمیخته اکتشافی و از لحاظ هدف، از نوع کاربردی می باشد. جامعه آماری پژوهش شامل 82442 نفر از دانش آموزان مقطع متوسطه در استان گیلان می باشد که تعداد5000 نفر آنان با استفاده از جدول تعیین حجم نمونه کرجسی و مورگان به عنوان نمونه و به روش نمونه گیری تصادفی چند مرحله ای انتخاب شدند. در این پژوهش برای دستیابی به پایگاه کلان داده، یک وب سایت برخط طراحی و در 100 مدرسه و در حوزه مورد مطالعه نصب گردید. ابزار جمع آوری داده ها، پرسشنامه شاخص سبک های یادگیری کلب و پرسشنامه استعداد کاری هالند بود. ضرایب پایایی پرسشنامه به روش باز آزمایی 86/0 به دست آمد. روایی پرسشنامه ازطریق مدل فلدر و ساپرلین تایید شده است. داده های گردآوری شده از طریق وب سایت طراحی شده با استفاده از تکنیک‌های مناسب آماری و کد نویسی های انجام شده مورد تجزیه و تحلیل قرار گرفت. نتایج به دست آمده نشان داد افراد با سبک های یادگیری تجربه ی عینی بیشترین آمار مربوط به استعداد کاری در شاخه های جستجوگر و اجتماعی داشتند. همچنین افراد با سبک یادگیری آزمایشگری فعال دارای برتری استعداد کاری در زمینه های جسارت و تهور، هنری و جستجو گر بودند. یافته ها کلی حاکی از آن است که در افراد با سبک یادگیری مشاهده تاملی استعداد های کاری بیشتر به سمت واقع گرا و اجتماعی تمایل داشته است.
جمشیدی، سهیلا. (1388). رابطه بین سبک یادگیری شناختی (تکانشی– تأملی) و توانـایی حـل مـسأله در دانش آموزان پایه اول راهنمایی شهر تهران، پایان نامه کارشناسی ارشد، دانشگاه آزاد اسـلامی واحـد علـوم تحقیقات تهران.
حسینی لرگانی، مریم . (1377). مقایسه سبکهای یادگیری دانشجویان با توجه به جنسیت، مقطع تحـصیلی و رشته تحصیلی در سال77 – 1376، پایان نامه کارشناسی ارشد، دانشگده روانشناسی و علوم تر بیتی، دانشگاه علامه طباطیایی.
روحانی، شادی. رشیدی، زهرا. فریدونی، سمیه. (1398). ارایه چارچوبی مفهومی برای بکارگیری کلان داده ها در سیاست گذاری آموزش عالی، نامه آموزش عالی، 12 (45): 121-146.
زرین، فاطمه و منتظر، غلامعلی. (1398). شخصی سازی محیط یادگیری الکترونیکی براساس خودکارامدی یادگیرنده، فناوری آموزش (فناوری و آموزش)، 14 (1): 141-151.
عباسی کسانی، حامد. شمس مورکانی، غلامرضا. (1397). رشد فناوری، تغییر یادگیری، فصلنامه رشد فناوری، 14 (54):17- 25
فردانش، هاشم. (1381). طبقه بندی الگوهای طراحی سازنده گرا بر اساس رویکردهای یادگیری و تدریس، مطالعات تربیتی و روان شناسی، 9 (2):5-21.
Alsobhi, A.Y. and Alyoubi, K.H. (2019), Adaptation algorithms for selecting personalised learning experience based on learning style and dyslexia type, Data Technologies and Applications, 53 (2): 189-200.
Boyd, D. & Crawford, K. (2012). Critical questions for Big Data, Communication & Society, 15 (5): 662–679.
Bughin, J.; Chui, M. & Manyika, J. (2010). Clouds, big data, andsmart assets: Ten tech-enabled business trends to watch, McKinsey Quarterly, 56, 1- 14.
Cano-Garcia, F., & Hughes, E.H., (2000). Learning and thinking style, Educatioal Psychology, 20 (4): 413-430.
Creswell, John W.(2003). Research Design: Qualitative, Quantitative, and Mixed-Method Approaches, 3th Edition, Saga Publication.
Hickson, J., & Baltimore, M., (1996). Gender-relatedlearning style patterns of middle school pupils, School Psychology International, 20: 59-70.
Kolb, D. A., Boyatzis, R. E., & Mainemelis, C. (2001). Experiential learning theory: Previous research and new directions, Perspectives on thinking, learning, and cognitive styles, 1(2): 227-247.
Kolb, D., (1985). The learning Style Inventory: Tchnical Manual, Boton-A.M: McBer
Long, P. & Siemen, G. (2011). Penetrating the fog: analytics in learning and education, EDUCAUSE Review, 46 (5): 30–40.
Pardos A , Zachary . (2017). Big data in education and the models that love them, Current Opinion in Behavioral Sciences, 18 (2): 107-113.
Peterson, Andy. (2018). Big Data in Education: New Efficiencies for Recruitment, Learning, and Retention of Students and Donors, VP for Educational Innovation and Global Outreach, Western Seminary, Charlotte, North Carolina.
Picciano, B. Anthony G. (2012). The Evolution of Big Data and Learning Analytics in American Higher Education, Journal of Asynchronous Learning Network, 16 (3): 9 - 20·
Sedkaoui, S. and Khelfaoui, M. (2019). Understand, develop and enhance the learning process with big data, Information Discovery and Delivery, 47 (1): 2-16.
Wagner, E. & Ice, P. (2012). Data changes everything: delivering on the promise of learning analytics in higher education, EDUCAUSE Review, July/August: 33–42.
