理解非课堂和非计算机环境下个人数据追踪与意义构建实践在自主学习中的应用

荣誉提名
在线学习与 MOOC 平台协作学习与同伴教学环境感知与上下文计算大学教授与研究人员在线辅导教师

文献标题

Understanding Personal Data Tracking and Sensemaking Practices for Self-Directed Learning in Non-classroom and Non-computer-based Contexts

文献信息

  • 主题领域: 人工智能与教育技术,特别是自我导向学习(context: 非教室和非基于计算机的场景)
  • 关键词: 自我信息学, 自我追踪, 非课堂学习, 非基于计算机学习, 自主学习, 行为改变

研究背景与问题

  1. 发现的问题或挑战:

    • 学生在自我学习中,可能面临注意力分散、缺乏动力、以及难以进行元认知分析的挑战。
    • 当前的学习追踪技术主要面向课堂和基于计算机的学习场景,无法有效支持非教室和非基于计算机的学习活动,例如处理纸质材料的学习任务。
    • 当前的系统在提供数据上下文信息和个性化学习反馈方面存在缺陷,更多关注群体数据。
  2. 问题的重要性:

    • 自主学习是一种提升学习能力、问题解决能力和积极学习态度的重要理论,然而在家中或图书馆等非课堂环境中实现高效的自主学习仍存在困难。
    • 新冠疫情加强了在线和自主学习的重要性,这也暴露了传统学习追踪工具的局限性。
  3. 研究动机:

    • 需要探索如何设计适应非课堂和非计算机学习活动的学习追踪工具。
    • 理解哪些类型的学习数据对学习者具有个人意义以及他们如何利用这些数据进行反思和改进。
  4. 研究目标:

    • 探索学生在 Timing(一款流行学习追踪应用)中记录和理解学习数据的动机、数据类型和反思方法。
    • 提供设计启示以改善未来的学习追踪工具设计。

解决方案

  1. 方法与研究设计:

    • 采用质性方法,对 24 名 Timing 用户完成半结构化访谈。
    • 分析用户追踪的数据类型、行为和得出的反思策略。
  2. 创新之处:

    • 强调非计算机和非课堂环境中的学习追踪场景。
    • 深入探讨了定性数据(如情绪、照片和视频记录)在促进元认知和反思方面的作用。
    • 提出帮助自我指导学习的设计建议,以弥补现有学习追踪技术的不足。
  3. 实施步骤和关键技术:

    • 用户使用 Timing 手动追踪学习数据(如学习计划、学习视频、学习结果和情绪)。
    • 分析逐步地进行数据分类(如学习前的计划、学习中的行为轨迹以及学习结果)及观察用户如何从多种数据中获取洞见。

研究成果

  1. 取得的具体成果:

    • 用户动机: 主要是通过追踪数据支持自律学习,保持学习动力。
    • 追踪的数据类型:
      • 学习计划:包括每日、每周、每月或年度计划。
      • 学习过程:时间追踪和动态学习视频(如学习任务、环境、表情)。
      • 学习结果:完成的任务图片、笔记和视频编辑的加速版本。
      • 情绪:用标记(如表情符号、短语)表示学习时的不同情绪状态。
    • 反思策略:
      • 回放动态学习视频,观察行为和学习状态。
      • 简要浏览静态的计划和结果照片。
      • 在不同数据之间迁移以分析学习中的挑战。
      • 手动记录反思性总结来便于未来的参考。
  2. 与现有解决方案的比较:

    • 当前学习追踪系统主要围绕自动化量化数据,而此研究揭示了定性数据(例如学习视频、情绪记录)在支持深度反思中的独特价值。
    • 强调了跨数据类型整合的元认知提升作用。
  3. 实验与评估结果:

    • 使用 Timing 的数据追踪和反思显著帮助学习者进行自我管理、自我监控和自我调整。
    • 压缩的视频再现学习行为,激发和增强用户的学习动力。
  4. 局限性与未来方向:

    • 局限性:
      • 样本集中于中国的学生(特别是高考或考研学生),高压情境可能限制结论的普适性。
      • 未考察非学生用户。
    • 未来方向:
      • 在更广泛、跨文化的语境下进行验证,如其他国家的学习者(如韩国、日本)。
      • 探索其他具有不同功能的学习追踪应用能否揭示新的用户行为模式。
      • 深化动态视频分析,优化用户对丰富情境数据的解读能力。

设计启示

  1. 支持情绪数据记录与回忆:

    • 提供隐私友好的情绪跟踪设计,同时避免给用户施加额外的数据收集负担。
  2. 平衡学习视频记录与隐私保护:

    • 允许用户控制哪些敏感信息可以记录,提供自动隐私屏蔽功能。
  3. 帮助动态视频的高效解读:

    • 将某些缩略视频延迟回放,添加机器视觉分析手段标记特定行为(如走神迹象)。
  4. 减轻跨数据源的反思负担:

    • 提供文本或语音提示功能,帮助用户即时记录多种反思数据的整合洞见,同时提高二次浏览的效率。

快捷操作

分享

分享当前页面

ios_share

https://hci.top/zh/papers/chi/96260/2023

广告推荐

学习 AI 编程到 CodeNow

open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3544548.3581364
一眼看懂

论文快照

fact_check
dataset
来源
CHI
calendar_month
年份
2023
emoji_events
奖项
荣誉提名
group
作者
4 位作者
sell
研究子方向
在线学习与 MOOC 平台、协作学习与同伴教学、环境感知与上下文计算
work
职业/产业
大学教授与研究人员、在线辅导教师
article
内容状态
已索引正文
hub
相关论文
0 篇相关论文