Literaturnachweis - Detailanzeige
| Autor/inn/en | Keyserlingk, Luise von; Lauermann, Fani; Yu, Renzhe; Rubach, Charlott; Arum, Richard |
|---|---|
| Titel | What can digital trace data tell us about post-secondary students' academic success? An overview of the literature and an illustrative example. |
| Quelle | In: Jahrbuch der Schulentwicklung, (2023) 23, S. 128-149Infoseite zur Zeitschrift |
| Beigaben | Illustration |
| Sprache | englisch |
| Dokumenttyp | gedruckt; Zeitschriftenaufsatz |
| ISSN | 0173-4210 |
| Schlagwörter | Längsschnittuntersuchung; Lernverhalten; Beispiel; Lernmethode; Lernplattform; Digitalisierung; Messung; Kurs; Daten; Leistung; Student; Forschungsprojekt; Kalifornien; USA |
| Abstract | Selbstreguliertes Lernen (SRL) ist ein wesentlicher Prädiktor für akademischen Erfolg in postsekundärer Bildung. Das Kapitel gibt einen Überblick über aktuelle Studien, die digitale Verhaltensspurdaten zur Untersuchung von Lernverhalten und SRL von Studierenden nutzen. Digitalen Verhaltensspuren, die zumeist von Lernmanagement Systemen wie Moodle, Ilias oder Canvas gewonnen werden, eignen sich insbesondere für die Untersuchung des Zeitmanagements oder der Selbstevaluation von Studierenden als zentrale Aspekte von SRL. Dabei zeigt sich, dass quantitative Maße von Lernverhalten, wie die gesamte Anzahl an Klickaktivitäten oder die Dauer die Studierende auf einem online Kurs verbringen eher moderate Prädiktoren von Kursleistung darstellen. Spezifischere Maße von SRL, wie z. B. Veränderungen im Klickverhalten von Studierenden vor Deadlines oder die Nutzung regelmäßiger freiwilliger Testfragen zur Überprüfung des Lernzuwachses sind hingegen vielversprechendere Maße um adaptive und erfolgreiche SRL Strategien zu erfassen. Hierbei sind detaillierte Informationen über den Kursablauf und -kontext zu berücksichtigen. Um neben diesen vornehmlich deskriptiven Maßen von SRL auch internale SRL Prozesse identifizieren zu können, sollten zusätzlich zu digitalen Verhaltensspuren auch Selbstberichtdaten zu motivationalen und meta-kognitiven SRL Elementen erhoben werden. Neben einem Überblick über aktuelle Studien nutzen wir Daten der UCI-MUST Studie, um ein Beispiel zur Verwendung von digitalen Verhaltensspuren zur Beschreibung von Lernverhalten und zur Vorhersage von Kursleistungen von Studierenden zu geben. (DIPF/Orig.). Self-regulated learning (SRL) is an important facilitator of students' academic success in post-secondary education. We provide an overview of the growing literature that uses digital trace data to investigate students' study behaviors and SRL in post-secondary institutions. Digital trace data such as (changes in) click activity obtained from learning management systems (LMS; e. g., Moodle, Ilias, or Canvas) can be a useful indicator of SRL regarding students' time management and aspects of monitoring behavior. Whereas broad measures of study activities in online environments, such as the number of clicks and time spent on course activities do not consistently predict performance, more fine-grained measures, such as number of clicks before deadlines in courses or using voluntary quizzes to monitor learning, can identify adaptive self-regulated learning strategies. Hereby, information about course design and context is essential for creating such SRL measures. In addition, multi-source data (e. g., digital traces and self-reported learning strategies) are needed to capture not only behavioral but also motivational and meta-cognitive aspects of SRL. In this study, we provide an illustrative example of the type of digital trace data that can be collected via LMS to predict students' academic success using data from the ongoing longitudinal UCI-MUST project. (DIPF/Orig.). |
| Erfasst von | DIPF | Leibniz-Institut für Bildungsforschung und Bildungsinformation, Frankfurt am Main |
| Update | 2024/1 |
Literaturbeschaffung und Bestandsnachweise in Bibliotheken prüfen
Permalink als QR-Code
Inhalt auf sozialen Plattformen teilen (nur vorhanden, wenn Javascript eingeschaltet ist)
Teile diese Seite:
