Het ondersteunen van het gebruik van opnames van colleges met behulp van tags
•Descargar como PPTX, PDF•
0 recomendaciones•1,236 vistas
Presentatiebestand tijdens het symposium "De docent online: het succesvol toepassen van weblectures in het hoger onderwijs" tijdens de Onderwijs Research Dagen 2014 in Groningen.
Recomendados
Más contenido relacionado
Similar a Het ondersteunen van het gebruik van opnames van colleges met behulp van tags
Similar a Het ondersteunen van het gebruik van opnames van colleges met behulp van tags (20)
Más de Pierre Gorissen
Más de Pierre Gorissen (20)
Het ondersteunen van het gebruik van opnames van colleges met behulp van tags
- 1. Het ondersteunen van het gebruik van opnames van colleges met behulp van tags.
- 2. Onderzoek gebruik opnames colleges: • Hoe maken studenten gebruik van de opnames? – Wat zeggen ze? – Wat doen ze? • Welke gebruikspatronen? • Ondersteunen gebruik met tags http://recordedlectures.com/
- 4. Onderzoek gebruik • Online vragenlijst – 517 (46.1%, N =1.122) – 7 vakken • Interviews (14) • Logdata op de server – Filteren / Opschonen / Analyseren
- 5. Resultaten • Studenten kijken meestal thuis • Geen grote technische problemen • Graag alle colleges opnemen • Kwaliteit college niet maatgevend voor kijkcijfers • Liever live college • Verschil in gebruik TU/e en Fontys
- 6. Resultaten 0% 20% 40% 60% 80% 100% < 10% 10% - 25% 25% - 50% 50% - 75% > 75% Studenten % van opname bekeken Vragenlijst Logbestanden
- 9. Functies van tags Golder and Huberman (2005) • Wat of waar gaat de opname over? • Wat is het? (bv. Vraag of voorbeeld) • Verwijzingen naar jezelf (bv “mijnvraag”) • Subcategorieën (bv “vraag 2”) • Indicatie van kwaliteit/eigenschappen bron (bv “grappig”, “moeilijk”) • Taak georiënteerd (bv “lezen”)
- 11. Tagging Protocol • Bekijk de structuur van het college (zie lijst) • Speel de opname af, luister naar tagindicatoren. • Markeer mogelijke tags. • Voeg altijd een tag toe op 00:00:00, hiermee is het begin eenvoudig te vinden voor studenten
- 12. Tag indicatoren bij structuur college Description Possible tag indicators Classical Lecture is series of related entities, describing their features or properties. Start of new entity Sequential Lecturer goes through a simple sequence of related sub-topics that underpin the main topic and form a logical and coherent ‘narrative’ with a specific conclusion. Start of new sub-topic Process Uses the sequence of components within a process (e.g., in biochemistry, ecology, geology, economics) as the framework for the lecture. Start of new process step Chronological Uses a temporal or historical sequence to structure the lecture. Start of new time sequence Spatial Uses the spatial relationships between entities as a structure, for example, in anatomy and embryology, geography or architecture. Start of new spatial relationship Comparative The lecturer sets up a debate between competing ideologies, concepts, methods, procedures or techniques. Start of new ideology Start of new concept Start of new method Start of new procedure Start of new technique Induction and deduction Induction is the process by which observations, facts and evidence are synthesized to form theories, rules and laws. The opposite process by which theories and rules are used to predict and calculate facts about the world is known as deduction. Both processes can be used to structure a lecture. Start of new theory Start of new rule Start of new observation Start of new fact/evidence Start of new deduction or induction step Problems and case studies Case studies can be uses to structure lectures by bringing together conceptual understanding and reasoning with real-life, relevant situations. Start of case / problem explanation
- 13. Gebruik Opnames 255 studenten Alleen TI = 8 Alleen RI = 172 RI + TI = 75
- 14. Conclusies • Studenten kijken korter met tags • Het gebruik neemt toe richting tentamen • Studenten die tags gebruiken scoren beter voor tentamen
- 16. Tagging experiment • 24 studenten; 1 expert • 10 clips (15 min) – 3 per student • Beschrijving eigen tagging protocol
- 17. Creëren van “Tag Similarity Vectors” Information retrieval / natural language processing (Manning & Schütze, 1999)
- 18. Tag Similarity
- 19. Tag Similarity r(22) = .871, p<.001
- 20. Conclusies • Studenten… – Kunnen goed genoeg taggen Guy and Tonkin (2006) – Taggen verschillend – Taggen niet allemaal hetzelfde als de expert/docent • Structuur van de dia (titel etc.) is belangrijke tag indicator!
- 21. Presteerden de studenten beter? • Ja, maar… – Zonder expliciete reden, kijken studenten niet. – Wie of wat heeft dan de meeste invloed? • De context van het onderzoek is van grote invloed op het gebruik – Maakt resultaten moeilijker te repliceren.