![[pdf]](https://inftars.infonia.hu/img/pdf.png)
Cím: Egy felnőttképzési MOOC-programon részt vevők aktivitási adatainak elemzése
Alcím: lemorzsolódás, sikeresség és tanulási profilok
Absztrakt: A tömeges nyílt online kurzusok (Massive Open Online Courses, MOOC) olyan távoktatási képzések, amelyek a résztvevők nagy számával és heterogenitásával, valamint a magas lemorzsolódási aránnyal tűnnek ki. Mindezek megnehezítik a résztvevők előrehaladásának nyomon követését. Jelen kutatás során egy felnőttképzési környezetben megvalósított, tömeges nyílt online kurzus résztvevőinek (N = 7760) tanulói profiljait vizsgáltuk. A tanulói profilok meghatározását a résztvevők tanulási aktivitásának alapján végeztük el, amelyhez látens profil (Latent Profile Analysis, LPA) elemzést használtunk. A résztvevők aktivitása, kurzus iránti elkötelezettsége a kurzus első felében jelentős mértékben, a második felében csak kis mértékben csökkent. A kurzus záróvizsgáján való sikerességet legnagyobb mértékben a tananyagban való előrehaladás határozta meg. A résztvevők aktivitása alapján kilenc tanulói profilt azonosítottunk, amelyek két nagyobb kategóriába sorolhatók. A tanulói profilok egy része esetén a záróvizsgán nyújtott teljesítmény arányos volt a résztvevők aktivitásával, más részüknél nem állt fenn ez az összefüggés. A tanulói profilok azonosítása megalapozhatja a személyre szabott oktatás lehetőségét.
Kulcsszavak: tanulói aktivitás, MOOC, klaszteranalízis, látens profil elemzés, tanulói profilok
Cím: Learning profiles of participants in an adult education MOOC program
Absztrakt: Massive Open Online Courses (MOOCs) are distance education courses that stand out for their large number and heterogeneity of participants and high drop-out rates. This makes it difficult to monitor the progress of participants. In the present study, we investigated the learning profiles of participants (N = 7760) in a massive open online course in an adult learning environment. Learner profiles were determined based on the learning activity of the participants using Latent Profile Analysis (LPA). Participants’ activity and engagement in the course decreased significantly in the first half of the course and only slightly in the second half. Success in the final exam was most strongly determined by progress in the course material. Based on the activity of the participants, nine learning profiles were identified, which can be grouped into two broad categories. The identification of student profiles can provide a basis for personalised learning.
Kulcsszavak: student activity, MOOC, cluster analysis, latent profile analysis, student profiles