Podpora autoregulace učení v e-learningu

1 Úvod

Autoregulace učení je považována za dovednost, která není vrozená a je třeba ji vhodnými prostředky rozvíjet a podporovat (Hadwin et al., 2017). Zároveň se jedná o dovednost, která může pozitivně ovlivňovat studijní úspěšnost studentů, a to i v online prostředí (Cazan, 2014). Aby mohl jedinec rozvíjet svou autoregulaci, musí jeho učení probíhat v takovém prostředí, které k tomu nabízí dostatek příležitostí. V projektu ověřujeme, zda může být za takové prostředí považován e-learning vedený formou PLE (personal learning environment). Experimentální skupina studentů (n = 36) absolvovala semestrální kurz SZ6062 Virtuální třída, na jehož začátku a konci byly měřeny Mgr. Gabrielou Šimkovou jejich autoregulační dovednosti. Výsledky byly porovnány se studenty kontrolní skupiny.

2 Teorie

V projektu se zaměřujeme na potencialitu rozvoje autoregulačních dovedností studentů učitelství prostřednictvím e-learningového prostředí. E-learning je designován v souladu s konceptem PLE (personal learning environment, Dabbagh & Kitsantas, 2012) a obsahuje prvky, které mohou autoregulaci pozitivně ovlivňovat – student plně přebírá zodpovědnost nad studiem v kurzu – určuje si například témata, kterým se bude věnovat i podobu závěrečných výstupů. Stává se jedincem, který přebírá kontrolu nad procesem plánování, monitorování, hodnocení a změn (Hadwin et al., 2017).

Obrázek 1: Funkce personal learning environment

3 Metodologie dotazníkového šetření

V této studii byl využit kvaziexperimentální design. Kvaziexperimenty jsou modifikací klasických experimentálních designů – kontrola ze strany výzkumníka je zde nižší, jelikož zde nedochází k náhodnému výběru účastníků do skupin. Experimentální skupinu tvořili studenti (n = 51 unikátních pozorování, návratnost dotazníku = 36) PdF MU, kteří dobrovolně absolvovali semestrální e-kurz SZ6062 Virtuální třída. K měření sebevnímaných autoregulačních dovedností (AD) se jako pretest a posttest využil dotazník OSLQ (Online Self-Regulated Learning Questionnaire), již dříve adaptovaný do českého prostředí (Šimková, 2021) a vykazující dobré základní psychometrické vlastnosti (cronbach. alpha u všech 6 subdomén dotazníku > 0,75, CVI = 0,88). Totožný dotazník byl administrován studentům (n = 223) v kontrolní skupině, kteří absolvovali distanční vzdělávání nedesignované s cílem podporovat AD.

Dotazník obsahoval 22–24 otázek s pětibodovou Likertovou škálou odpovědí (od 1 - naprosto souhlasím po 5 - naprosto nesouhlasím), které tvořily čtyři okruhy učících strategií: strategie plnění úkolů, strategie učení, strategie sdílení a přizpůsobení studijního prostředí. Tyto okruhy se snaží zmapovat vhodnost e-learningového studia viz nákres funkcí PLE (personal learning environment). Kompletní seznam otázek je k nahlédnutí v příloze na konci projektu.

Unikátních účastníků, kteří odeslali dotazník před i po absolvování kurzu bylo 26. Tito účastníci vstupovali do párového testování středních hodnot při neznámých rozptylech.

Obrázek 2: Výzkumný design

4 Průzkumová analýza

Počty respondentů: kontrolní skupina 223, po odstranění prázdných hodnot pre-dotazník 45, post-dotazník 32, přičemž oba dotazníky odeslalo 26 studentů.

Struktura datasetu:

• UČO - jedinečný identifikátor; 0 NA’s
• Pohlaví - muž /žena; 11 NA’s
• Forma studia - denní/kombinované; 12 NA’s
• Ročník - Bc./Mgr./Dr.; 13 NA’s
• Studijní průměr - studenty ručně zadávaná hodnota studijního průměru za poslední, či předposlední semestr; 92 NA’s
• Skóre - průměrné skóre odpovědí za dotazník celkem i 4 myslitelných podoblastech (Help Seeking Strategies, Goal Setting Strategies, Environment Structuring, Task Strategies); 6 NA’s

Ve zkoumaném vzorku převládají ženy. Oproti mužům je jich až třikrát tolik. Konkrétně procentuální zastoupení ve všech skupinách: kontrol 77,83 %, pre 73,33 %, post 65,62 %, NA’s 11. Dle vizualizace si ženy věří v autoregulaci při online studiu více než muži.

Ve zkoumané populaci převládají studenti studující prezenční formu studia. Oproti studentům s kombinovaným studiem je jich až šestkrát tolik. Konkrétně procentuální zastoupení ve všech skupinách: kontrol 94,31 %, pre 64,44 %, post 71,88 %, NA’s 12. Dle vizualizace si kombinovaní studenti, více zvyklí na distanční výuku, věří v autoregulaci při online studiu nepatrně více. Toto lze vidět především v kontrolní skupině studentů. Naopak v post dotazníkovém hodnocení je medián průměrného skóre nižší u denní formy studia.

Ve zkoumaném vzorku převládají studenti bakalářského studia. Oproti magisterským studentům je jich až pětkrát tolik. Konkrétně procentuální zastoupení ve všech skupinách: kontrol 91,98 %, pre 56,83 %, post 64,52 %, NA’s 13. Dle vizualizace si bakalářští studenti věří v autoregulaci při online studiu nepatrně více.

Charakteristiky polohy a variability průměrného skóre odpovědí dle skupin

	Kontrol	Pre	Post
\(\bar x\)	2,8114	2,5368	2,5737
\(x_{0.25}\)	2,4583	2,3182	2,3258
\(x_{0.5}\)	2,8333	2,4583	2,5871
\(x_{0.75}\)	3,1250	2,8333	2,8504
\(s^2\)	0,2508	0,2632	0,1823
\(IQR\) (mezikvartilové rozpětí)	0,6667	0,5152	0,5246
\(CV\) (variační koeficient, v %)	17,8135	20,2253	16,588

5 Test středních hodnot při neznámém \(\sigma^2\)

Na základě Shapiro-Wilkova testu nezamítáme \(H_0\), že by rozdíly středních hodnot pre a post skupiny pocházely z normálního rozdělení. \(W = 0.95126\), \(alpha_k = 0.025\), \(p\text{-}value = 0.2482\).

Oboustranný párový t-test při neznámém \(\sigma^2\). \(H_0\): \(\mu_{pre} – \mu_{post} = 0\), \(H_1\): \(\mu_{pre} – \mu_{post} \neq 0\).

\(t = 0.23686\), \(alpha_{k} = 0.025\), \(p\text{-}value = 0.8147\). Nezamítáme \(H_0\) o shodě středních hodnot pre a post skupiny.

Výsledky ukazují statisticky nevýznamné rozdíly mezi sebevnímanou úrovní autoregulačních dovedností studentů na počátku kurzu a po jeho absolvování. Na úrovni frekventistické statistické analýzy dat je třeba konstatovat, že se nepodařilo prokázat vliv e-learningu na schopnost studentů regulovat své učení. K hlubšímu pochopení procesu učení v online prostředí tak bude využit bayesovský přístup.

6 Bayesovský přístup

Studenti, kteří vyplnili dotazník po skončení kurzu mají vyšší medián průměrného skóre odpovědí, tedy si méně věří, než studenti před kurzem. Boxplot odpovídající post skupině je symetrický, skupina obsahuje pouze jedno odlehlé pozorování. Naopak průměrné skóre odpovědí pro dotazníky vyplněné před kurzem je zešikmené zprava a pozorování jsou více rozprostřeny po celé škále. Boxploty odpovídají jádrovým odhadům hustot, které jsme viděli výše.

Kontrolní skupina je nejskeptičtější, což může být způsobeno sbíráním dat v době lockdownu způsobené virusem Covid-19 a nutností začít se učit jiným způsobem než dosud.

6.1 Apriorní a aposteriorní charakteristiky

Předpokládáme, že rozptyl i apriorní střední hodnotu známe, jelikož jsme je odhadli z kontrolní skupiny dotazníkového šetření. \(\tau_0^2\) jsme zvolili blízko \(\sigma^2\) , tak aby vliv \(\sigma^2\) na aposteriorní rozložení byl větší. Hodnoty apriorních parametrů jsou tedy: \(\mu_0 = 2,7\), \(\sigma^2 = 0,26\) a \(\tau_0^2 = 0,2\).

Graf odpovídá tomu, co jsme viděli v jádrových odhadech hustot, popřípadě v krabicových grafech. Post-kurzové šetření má průměrné skóre odpovědí horší a jeho rozptyl je mírně větší než u skupiny dotazníků vyplňované před kurzem. Tzn. studenti jsou po kurzu ke svým dovednostem více skeptičtější. Průměrné skóre odpovědí u kontrolní skupiny (v Bayesovském přístupu apriorní rozdělení) je nejvíce variabilní a výrazně posunuté směrem k vyšším hodnotám skóre.

Číslené charakteristiky apriorních a posteriorních rozdělení

	\(MAP\)	\(\bar x\)	\(s\)	\(x_{0.025}\)	\(x_{0.975}\)
kontrol		2.7435	0.4472	1.867	3.62
posterior pre	2.5425	2.5425	0.0745	2.3965	2.6885
posterior post	2.5802	2.5802	0.0878	2.4081	2.7524

Z číselných charakteristik vidíme, že průměry a směrodatné odchylky obou zkoumaných skupin si jsou velmi blízké - liší se až na druhém desetinném místě.

6.2 Analýza citlivosti

Z grafů lze vidět, že aposteriorní střední hodnotu výrazněji ovlivňuje apriorní střední hodnota než apriorní rozptyl, zvláště pohybujeme-li se okolo \(\mu_0\). Grafy jsou pro obě skupiny téměř totožné.

6.3 Prediktivní rozdělení

Rozložení predikovaného průměrného skóre odpovědí je nyní téměř totožné pro obě skupiny, ačkoliv průměr u skupiny, která vyplňovala dotazníky po kurzu je opět o něco málo horší, tedy predikujeme studenty z této skupiny skeptičtější. “Zvon” gaussovy křivky je nyní výrazně šiřší, jelikož směrodatné odchylky prediktivních rozdělení jsou nyní o řád větší než u aposteriorních rozdělení, jak lze vidět i v tabulce níže. V grafu jsou zobrazeny také pozorované hodnoty.

Číselné charakteristiky predikce

	\(\bar x\)	\(s\)	\(x_{0.025}\)	\(x_{0.975}\)
kontrol	2.7435	0.6759	1.4187	4.0682
posterior pre	2.5425	0.5122	1.5385	3.5465
posterior post	2.5802	0.5143	1.5721	3.5883

7 Závěr

Nevypadá to, že by kurz měl vliv na to, jak studenti hodnotí svoji autoregulaci učení. Ačkoliv pozorování průměrného skóre po kurzu bylo v mediánu vyšší, aposteriorní rozložení obou skupin si byla velmi blízká. Tedy studenti po absolvování kurzu nemají pocit, že by byli lepší, nebo horší než před ním.

Ačkoliv jsme nezamítli hypotézu o tom, že průměrné skóre se řídí normálním rozdělením, rozsah hodnot, kterých skóre může nabývat, je relativně malý. Viděli jsme, že v prediktivních rozděleních byla hustota pro \(x < 1\) stále nenulová, ačkoliv skóre hodnot nižších než 1 nabývat nemůže. Z toho důvodu by při dalších aplikacích možná bylo vhodné zvolit rozdělení, které nebude nutně symetrické, případně omezit definiční obor daného parametru.

8 Literatura

• CAZAN, A. M. (2014, 24 April). Self-regulated learning and academic achievement in the context of online learning environments. The 10th International Scientific Conference. eLearning and software for Education.
• DABBAGH, N., & KITSANTAS, A. (2012). Personal learning environments, social media, and self-regulated learning. The Internet and Higher Education.
• HADWIN, A. F., JÄRVELÄ, S., & MILLER, M. (2017). Self-regulation, co-regulation and shared regulation in collaborative learning environments. In Handbook of Self-Regulation of Learning and Performance. Routledge.
• ŠIMKOVÁ, G. (2021). Autoregulace učení v online prostředí: dotazník OSLQ. In Sborník příspěvků XXIX. výroční konference ČAPV. MU.

9 Příloha - seznam otázek

9.1 Strategie sdílení (Help Seeking Strategies)

1. Komunikuji se svými spolužáky, abych zjistil(a), jak si vedu ve svých online hodinách.
2. Komunikuji se svými spolužáky, abych zjistil(a), zda se nějak liší to, čemu se v průběhu studia online kurzu věnujeme.
3. Hledám si někoho, kdo se vyzná v obsahu kurzu, abych se s ním mohl(a) poradit, když potřebuji pomoc.
4. Sdílím své problémy se svými spolužáky online, abychom věděli, s čím se potýkáme a poradili si.
5. V případě potřeby se snažím setkat se svými spolužáky osobně.
6. V případě potřeby vytrvale žádám o pomoc lektory kurzu prostřednictvím e-mailu.

9.2 Strategie učení (Goal Setting Strategies)

1. V online kurzech si předem rozmýšlím, jak pečlivě budu zpracovávat své úkoly.
2. Stanovuji si krátkodobé (denní nebo týdenní) i dlouhodobé (měsíční nebo na semestrální) cíle.
3. Ve svých online kurzech si udržuji vysokou úroveň učení.
4. Ve svých online kurzech si stanovuji cíle, které mi pomáhají zorganizovat si dobu studia.
5. Nedělám kompromisy v kvalitě své práce jen proto, že se jedná o online kurz.
6. Ve svých online kurzech se snažím dělat si důkladné poznámky.
7. Snažím se naplánovat si studium v online kurzu vždy na stejný čas v rámci dne či týdne a tento plán dodržovat.
8. Svým online kurzům věnuji průměrně více času než prezenčním kurzům, protože vím, že jsou časově náročné.
9. I když nemusím navštěvovat lekce každý den, snažím se rozložit své studium rovnoměrně mezi jednotlivé dny.

9.3 Přizpůsobení studijního prostředí (Environment Structuring)

1. Vybírám si pro učení takové místo, kde nebudu příliš rušen(a).
2. Pro učení si hledám pohodlné místo.
3. Vím, kde mohu nejefektivněji studovat své online kurzy.
4. Pro studium v online kurzech si vybírám čas, kdy budu co nejméně rušen(a).

9.4 Strategie plnění úkolů (Task Strategies)

1. Abych se vyhnul(a) rozptylování, čtu si instrukce k online kurzům nahlas.
2. Otázky si připravuji ještě před tím, než se zúčastním diskuze s učitelem nebo se spolužáky.
3. Zpracovávám úkoly navíc, abych do obsahu kurzu pronikl(a) na vysoké úrovni.
4. Rekapituluji si své učení v online kurzech, abych prověřil(a), jak rozumím tomu, co jsem se naučil(a).
5. Při studiu online kurzu si kladu velké množství otázek ohledně témat v kurzu obsažených.