DOI: https://doi.org/10.18608/jla.2025.8349
تاريخ النشر: 2025-01-23
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تتناول ورقة البحث تطوير محرك FLoRA، المصمم لتعزيز التعلم الذاتي المنظم (SRL) في البيئات التعليمية المعززة بالتكنولوجيا. مع إدراك أن العديد من المتعلمين يواجهون تحديات في إدارة عمليات SRL الخاصة بهم بشكل فعال، يهدف FLoRA إلى دعم الطلاب والعمال والمحترفين من خلال توفير أدوات مستندة إلى نظرية SRL ومعززة بتحليلات التعلم (LA). تشمل المساهمات الرئيسية لمحرك FLoRA جمع بيانات تتبع دقيقة وغير مزعجة حول أفعال المتعلمين، وتطبيق تقنيات تعدين العمليات لتحليل سلوكيات SRL، وتوفير دعم شخصي بناءً على تقدم المتعلمين.
تسلط الورقة الضوء على إمكانية FLoRA في تسهيل جمع بيانات شاملة حول سلوكيات تعلم الطلاب، وربط الأفعال المعرفية وما وراء المعرفية بمراحل التعلم. تشمل التطورات المستقبلية لـ FLoRA دمج أدوات متقدمة مثل تسجيل الفيديو لتحليل المشاركة، ومستشار كتابة أكاديمي، وأداة فحص القواعد، ومنصة كتابة تعاونية. تهدف هذه التحسينات إلى تعميق الفهم لعمليات SRL وتحسين النتائج التعليمية. بالإضافة إلى ذلك، يُقترح دمج روبوتات الدردشة الذكية، مثل ChatGPT، لاستكشاف التفاعل بين SRL البشري والذكاء الاصطناعي، مما قد يحول الأساليب التربوية ويخصص تجارب التعلم.
مقدمة
تناقش مقدمة ورقة البحث أهمية التعلم الذاتي المنظم (SRL) كعملية متعددة الأبعاد تشمل الأبعاد المعرفية وما وراء المعرفية والدافعية والعاطفية (Panadero, 2017). يتميز المتعلمون المنتجون ذاتيًا بتوجههم نحو الأهداف وإدارتهم النشطة لعمليات التعلم الخاصة بهم، وهو ما ارتبط بأداء متفوق عبر مهام ومواضيع مختلفة (Uzir et al., 2020). على الرغم من الفوائد المعترف بها لـ SRL، يواجه العديد من الطلاب صعوبة في تنظيم تعلمهم بشكل فعال، مما يبرز الحاجة إلى مزيد من البحث والدعم (Järvelä et al., 2023; Lee et al., 2019).
تؤكد الورقة على إمكانية البيئات التعليمية المعززة بالتكنولوجيا (TELs) في تسهيل SRL من خلال جمع بيانات تتبع مفصلة وآليات دعم تفاعلية. تم تطوير TELs مختلفة، مثل MetaTutor، لتعزيز استراتيجيات التعلم الفعالة من خلال الدعم، الذي يوفر إرشادات خارجية يتم تقليلها تدريجياً مع اكتساب المتعلمين الكفاءة (Hmelo-Silver & Azevedo, 2006). ومع ذلك، غالبًا ما تفتقر الأساليب الحالية للدعم إلى التخصيص والقدرة على التكيف مع احتياجات المتعلمين الفردية، مما يحد من فعاليتها (Guo, 2022). لمعالجة هذه التحديات، يقدم المؤلفون FLoRA، وهو محرك تعلم وتحليل بيانات قائم على الويب مصمم لتعزيز SRL من خلال استخدام تحليلات التعلم والدعم التكيفي المستند إلى الأبحاث التجريبية والنماذج النظرية لـ SRL (Panadero, 2017; Chi, 2021). يهدف FLoRA إلى توفير دعم شخصي من خلال تحليل بيانات تتبع المتعلمين لاكتشاف عمليات SRL وتوليد دعائم مخصصة، مما يحسن نتائج التعلم.
نقاش
تتناول قسم النقاش في ورقة البحث تطور وأهمية نماذج التعلم الذاتي المنظم (SRL)، مع تسليط الضوء على طبيعتها الدورية التي تتميز بثلاث مراحل متميزة: التحضير، الأداء، والتقييم. تتضمن مرحلة التحضير تحليل المهام، والتخطيط، وتحديد الأهداف، بينما تركز مرحلة الأداء على مراقبة والتحكم في تقدم التعلم. تركز مرحلة التقييم على التفكير وتنظيم نتائج التعلم مقابل الأهداف الأولية. يبرز القسم أهمية العمليات ما وراء المعرفية، كما اقترح نيلسون ونارينز (1994)، التي تسهل التعلم الفعال من خلال آليات المراقبة والتحكم.
علاوة على ذلك، تتناول الورقة التحديات في اكتشاف وقياس عمليات SRL، خاصة في البيئات التعليمية المعتمدة على الكمبيوتر. تناقش فائدة تحليلات التعلم (LA) وبيانات السجل لالتقاط أفعال SRL، على الرغم من الاعتراف بالقيود في ربط هذه الأفعال بإدخالات سجل محددة. للتغلب على هذه التحديات، يقترح المؤلفون استخدام أدوات القياس المدمجة داخل البيئات التعليمية، كما يتضح من محرك FLoRA، الذي يدمج وحدات مختلفة لدعم SRL. لا تسهل هذه الأدوات فقط تتبع الأنشطة المعرفية وما وراء المعرفية للمتعلمين، ولكنها توفر أيضًا للمعلمين رؤى قيمة حول مشاركة الطلاب واستراتيجيات التعلم. يهدف تطوير محلل تتبع داخل محرك FLoRA إلى تعزيز القياس الفوري لعمليات SRL، مما يساهم في فهم أكثر دقة لسلوكيات المتعلمين وديناميات SRL في السياقات التعليمية.
القيود
يمثل محرك FLoRA تقدمًا كبيرًا في دراسة التعلم الذاتي المنظم (SRL) من خلال توفير أدوات متخصصة لاكتشاف وتسهيل عمليات SRL عبر أنشطة التعلم المختلفة. توضح الورقة الأساس النظري ومنطق التصميم لهذه الأدوات، مع تسليط الضوء على فعاليتها في التقاط أنشطة SRL، كما يتضح من الأبحاث السابقة. ومع ذلك، تم تحديد عدة قيود قد تعيق الإمكانات الكاملة للمحرك. على سبيل المثال، قد يُعزى الاستخدام المحدود لوظائف البحث والتخطيط إلى الطبيعة المنظمة للمواد التعليمية ومدة المهام. بالإضافة إلى ذلك، يفتقر المحرك إلى القدرة على تحليل النصوص أو الملاحظات المميزة، مما قد يوفر رؤى أعمق حول عمليات SRL، ولا يقيم خلفيات المتعلمين الأكاديمية أو معرفتهم السابقة.
علاوة على ذلك، فإن الدعم الحالي للدعم داخل FLoRA ليس سهل التعميم على دراسات أخرى، حيث يتطلب دمج سياقات تعليمية محددة. يجب أن يكون التصميم مخصصًا لتلبية الاحتياجات الفريدة لبيئات تعليمية مختلفة، بما في ذلك تحديد المحفزات والمحتوى المناسب للدعم. يجب أن تستكشف الأبحاث المستقبلية دمج نماذج إضافية، مثل إطار عمل COPES، لتعزيز تحليل عمليات SRL وتحسين فعالية المحرك. يعد معالجة هذه القيود أمرًا حيويًا لتعزيز قابلية تطبيق محرك FLoRA عبر سياقات التعلم المتنوعة ولتعزيز فهم أكثر دقة لديناميات SRL.
DOI: https://doi.org/10.18608/jla.2025.8349
Publication Date: 2025-01-23
Author(s): Zhenyun Du et al.
Primary Topic: Online Learning and Analytics
Overview
The research paper discusses the development of the FLoRA engine, designed to enhance self-regulated learning (SRL) in technology-enhanced educational environments. Recognizing that many learners face challenges in effectively managing their SRL processes, FLoRA aims to support students, workers, and professionals by providing tools grounded in SRL theory and enhanced with learning analytics (LA). Key contributions of the FLoRA engine include the unobtrusive collection of fine-grained trace data on learners’ actions, the application of process mining techniques to analyze SRL behaviors, and the provision of personalized scaffolding based on learners’ progress.
The paper highlights the potential of FLoRA to facilitate comprehensive data acquisition on student learning behaviors, linking cognitive and metacognitive actions to learning stages. Future developments for FLoRA include the integration of advanced tools such as video recording for engagement analysis, an academic writing advisor, a grammar check tool, and a collaborative writing platform. These enhancements aim to deepen insights into SRL processes and improve educational outcomes. Additionally, the incorporation of AI chatbots, such as ChatGPT, is proposed to explore the interaction between human SRL and AI, potentially transforming pedagogical approaches and personalizing learning experiences.
Introduction
The introduction of the research paper discusses the significance of self-regulated learning (SRL) as a multifaceted process encompassing cognitive, metacognitive, motivational, and emotional dimensions (Panadero, 2017). Productive self-regulated learners are characterized by their goal orientation and active management of their learning processes, which has been linked to superior performance across various tasks and subjects (Uzir et al., 2020). Despite the recognized benefits of SRL, many students struggle to effectively self-regulate their learning, highlighting the need for further research and support (Järvelä et al., 2023; Lee et al., 2019).
The paper emphasizes the potential of technology-enhanced learning environments (TELs) to facilitate SRL through the collection of detailed trace data and interactive support mechanisms. Various TELs, such as MetaTutor, have been developed to promote effective learning strategies through scaffolding, which provides external guidance that is gradually faded as learners gain proficiency (Hmelo-Silver & Azevedo, 2006). However, existing scaffolding approaches often lack personalization and adaptability to individual learners’ needs, which limits their effectiveness (Guo, 2022). To address these challenges, the authors introduce FLoRA, a web-based learning and data analysis engine designed to enhance SRL by utilizing learning analytics and adaptive scaffolding informed by empirical research and theoretical models of SRL (Panadero, 2017; Chi, 2021). FLoRA aims to provide personalized support by analyzing learner trace data to detect SRL processes and generate tailored scaffolds, thereby improving learning outcomes.
Discussion
The discussion section of the research paper elaborates on the evolution and significance of Self-Regulated Learning (SRL) models, highlighting their cyclical nature characterized by three distinct phases: preparatory, performance, and appraisal. The preparatory phase involves analyzing tasks, planning, and goal-setting, while the performance phase emphasizes monitoring and controlling learning progress. The appraisal phase focuses on reflecting and regulating learning outcomes against initial goals. The section underscores the importance of metacognitive processes, as proposed by Nelson and Narens (1994), which facilitate effective learning through monitoring and control mechanisms.
Furthermore, the paper addresses the challenges in detecting and measuring SRL processes, particularly in computer-based learning environments. It discusses the utility of learning analytics (LA) and log data to capture SRL actions, although recognizing the limitations in linking these actions to specific log entries. To overcome these challenges, the authors propose the use of instrumentation tools embedded within learning environments, exemplified by the FLoRA engine, which integrates various modules to support SRL. These tools not only facilitate the tracking of learners’ cognitive and metacognitive activities but also provide educators with valuable insights into students’ engagement and learning strategies. The development of a trace parser within the FLoRA engine aims to enhance the real-time measurement of SRL processes, thereby contributing to a more nuanced understanding of learners’ behaviors and the dynamics of SRL in educational contexts.
Limitations
The FLoRA engine represents a significant advancement in the study of self-regulated learning (SRL) by providing specialized tools for detecting and facilitating SRL processes across various learning activities. The paper outlines the theoretical foundation and design logic of these tools, highlighting their effectiveness in capturing SRL activities, as evidenced by previous research. However, several limitations have been identified that could hinder the engine’s full potential. For instance, the underutilization of the search and planner functions may be attributed to the structured nature of learning materials and task duration. Additionally, the engine lacks the capability to analyze highlighted text or notes, which could yield deeper insights into SRL processes, and it does not assess learners’ academic backgrounds or prior knowledge.
Moreover, the current scaffolding support within FLoRA is not easily generalizable to other studies, as it requires integration of specific learning contexts. The design must be tailored to meet the unique needs of different educational environments, including the determination of appropriate scaffold triggers and content. Future research should explore the incorporation of additional models, such as the COPES framework, to enhance the analysis of SRL processes and improve the engine’s effectiveness. Addressing these limitations is crucial for advancing the applicability of the FLoRA engine across diverse learning contexts and for fostering a more nuanced understanding of SRL dynamics.