Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Những cảm nhận về ý nghĩa và giá trị của phân tích trong các cơ sở giáo dục đại học tại New Zealand
Tóm tắt
Bài báo này trình bày những cảm nhận hiện tại về giá trị của phân tích và khả năng đóng góp của nó cho lĩnh vực giáo dục đại học ở New Zealand. Bí mật từ bảy trên tám trường đại học công lập có nghiên cứu cao ở New Zealand đã tham gia vào nghiên cứu này. Người tham gia bao gồm quản lý cấp cao và những người có vai trò nhất định liên quan đến việc ra quyết định trong giáo dục đại học (N = 82). Nghiên cứu cho thấy sự hiểu biết không đồng nhất về ý nghĩa của phân tích giữa các người tham gia. Đặc biệt, ba hình thức nhận thức về phân tích đã được xác định: cấu trúc; chức năng và cấu trúc-chức năng. Rõ ràng rằng một số người tham gia nhìn nhận phân tích trong các yếu tố cấu trúc của nó như thống kê, chỉ số, xu hướng, số liệu, đồ thị và bất kỳ thông tin/dữ liệu nào liên quan nhằm cải thiện việc ra quyết định, trong khi những người tham gia khác lại nhìn nhận khái niệm phân tích từ khía cạnh chức năng; như một phương tiện đạt được mục tiêu, một quy trình sử dụng dữ liệu để hiểu biết và đối phó với các vấn đề phức tạp, tuy nhiên một nhóm thứ ba lại nhìn nhận phân tích từ cả hai góc độ cấu trúc-chức năng. Những loại cảm nhận này đã ảnh hưởng đến mức độ lớn đến quan điểm của người tham gia về giá trị của phân tích trong việc hình thành chính sách và thực tiễn. Bên cạnh đó, tài liệu cũng đã đề cập đến một số thách thức có thể xảy ra liên quan đến việc triển khai phân tích quy mô lớn trong các tổ chức. Các thách thức này bao gồm: khó khăn trong việc trích xuất dữ liệu từ nhiều cơ sở dữ liệu khác nhau, duy trì chất lượng dữ liệu, vấn đề đạo đức và quyền riêng tư, và thiếu cơ hội phát triển nghề nghiệp. Bài báo này nhằm có đóng góp rộng rãi cho việc hiểu rõ hơn về cảm nhận và giá trị hiện tại của phân tích trong giáo dục đại học, đặc biệt là trong bối cảnh New Zealand.
Từ khóa
#Giá trị của phân tích #giáo dục đại học #New Zealand #sự hiểu biết về phân tích #chính sách và thực tiễn giáo dụcTài liệu tham khảo
Althubaiti, A., & Alkhazim, M. (2014). Medical colleges in Saudi Arabia: Can we predict graduate numbers? Higher Education Studies, 4(3), 1–8.
Armayor, G. M., & Leonard, S. T. (2010). Graphic strategies for analyzing and interpreting curricular mapping data. American Journal of Pharmaceutical Education, 74(5), 81–91.
Arnold, K. E., & Pistilli, M. D. (2012). Course signals at Purdue: Using learning analytics to increase student success. In Paper presented at the proceedings of the 2nd international conference on learning analytics and knowledge. Vancouver, British Columbia: Canada Retrieved from http://dl.acm.org/citation.cfm?id=2330666
Bichsel, J. (2012). Analytics in Higher Education: Benefits, Barriers, Progress, and Recommendations (research report). Louisville, CO: EDUCAUSE Center for Applied Research https://library.educause.edu/resources/2012/6/2012-ecar-study-of-analytics-in-higher-education
Bottles, K., Begoli, E., & Worley, B. (2014). Understanding the pros and cons of big data analytics. Physician Executive, 40(4), 6–12.
Campbell, J. P., & Oblinger, D. G. (2007). Academic analytics. In EDUCAUSE Retrieved 15 October 2007, from https://library.educause.edu/resources/2007/10/academic-analytics
Charlton, P., Mavrikis, M., & Katsifli, D. (2013). The potential of learning analytics and big data. In Ariadne Retrieved from http://www.ariadne.ac.uk/issue71/charlton-et-al
Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly: Management Information Systems, 36(4), 1165–1188.
Clow, D. (2013). An overview of learning analytics. Teaching in Higher Education, 18(6), 683–695. doi10.1080/13562517.2013.827653.
Cox, B. L., & Jantti, M. H. (2012). Discovering the impact of library use and student performance. EDUCAUSE review. no. July 18, pp. 1-9. Retrieved from http://ro.uow.edu.au/cgi/viewcontent.cgi?article=1507&context=asdpapers
Daniel, B. K. (2015). Big data and analytics in higher education: Opportunities and challenges. British Journal of Educational Technology, 46(5), 904–920.
Daniel B. K., & Butson, R. (2013). Technology Enhanced Analytics (TEA) in Higher Education, Proceedings of the International Conference on Educational Technologies, 29 November–1 December, 2013, Kuala Lumpur, Malaysia,. 89–96.
Dawson, S., Bakharia, A., & Heathcote, E. (2010). SNAPP: Realising the affordances of real-time SNA within networked learning environments. Proceedings of the 7th international conference on networked learning. 125-133.
Dietz-Uhler, B, & Hurn, J. E. (2013). Using learning analytics to predict (and improve) student success: A faculty perspective. Journal of Interactive Online Learning, 12(1), 17–26.
DiCerbo, K. E. (2014). Game-based assessment of persistence. Journal of Educational Technology & Society, 17(1).
Ferguson, R. (2012). Learning analytics: Drivers, developments, and challenges. Int J Technol Enhanced Learning, 4(5–6), 304–317.
Fowler, F. (2009). Survey research methods (4th ed.). London, UK: Sage Publications.
Gantz, J, & Reinsel, D. (2012). The digital universe in 2020: Big data, bigger digital shadows, and biggest growth in the far east. IDC iView: IDC Analyse the future. Retrieved from http://www.emc.com/leadership/digital-universe/index.htm
Goldstein, P. J. & Katz, R. N. (2005). Academic Analytics: The Uses of Management Information and Technology in Higher Education, ECAR Research Study Volume 8. Retrieved March 24, 2014, from http://www.educause.edu/ir/library/pdf/ers0508/rs/ers0508w.pdf.
Hung, J. L. & Zhang, K. (2012). Examining mobile learning trends 2003–2008: A categorical meta-trend analysis using text mining techniques. Journal of Computing in Higher education, 24(1), 1–17.
Jantawan, B., & Tsai, C.-F. (2013). The application of data mining to build a classification model for predicting graduate employment. Int J Comput Sci and Inf Security, 11(10), 1–7.
Jantti, M., & Cox, B. (2013). Measuring the value of library resources and student academic performance through relational datasets. Evidence-Based Library and Information Practice, 8(2), 163–171.
Johnson, L., Levine, A., Smith, R., & Stone, S. (2010). The 2010 horizon report. Austin, Texas: The New Media Consortium.
Jones, S. J. (2012). Technology review: The possibilities of learning analytics to improve learner-centred decision-making. The Community College Enterprise, 18(1), 89–92.
Kostoglou, V., Vassilakopoulos, M., & Koilias, C. (2013). Higher technological education specialties and graduates’ vocational status and prospects. Education+ Training, 55(6), 520–537. doi:10.1108/et-03-2012-0026.
Mahroeian, H., & Daniel, B. K. (2016). The dynamic landscape of higher education: The role of big data and analytics. In EdMedia: World Conference on Educational Media and Technology (pp. 1320-1325). Association for the Advancement of computing in education (AACE).
Manning, C. D.; Raghavan, P.; and Schutze, H. 2008. Introduction to information retrieval. Cambridge University press, 1st edition.
Mardikyan, S., & Badur, B. (2011). Analyzing teaching performance of instructors using data mining techniques. Informatics in Education, 10(2), 245.
Norris, D., Baer, L., & Offerman, M. (2009, September). A national agenda for action analytics. In National Symposium on Action Analytics (pp. 21-23).
Nunn, S., Avella, J., Kanai, T., & Kebritchi, M. (2016). Learning analytics methods, benefits, and challenges in higher education: A systematic literature review. Online Learning, 20(2). Retrieved from https://olj.onlinelearningconsortium.org/index.php/olj/article/view/790
Pardo, A., & Siemens, G. (2014). Ethical and privacy principles for learning analytics. British Journal of Educational Technology, 45(3), 438–450.
Picciano, A. G. (2012). The evolution of big data and learning analytics in American higher education. Journal of Asynchronous Learning Networks, 16(3), 9–20.
Scholes, V. (2016). The ethics of using learning analytics to categorize students on risk. Educational Technology Research and Development, 64(5), 939–955.
Sclater, N. (2014). Code of practice essential for learning analytics. JISC, London. Retrieved from https://analytics.jiscinvolve.org/wp/2014/09/18/code-of-practice-essential-for-learning-analytics/
Sclater, N., & Bailey, P. (2015). Code of practice for learning analytics. London: JISC Retrieved from http://www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics
Sharda, R., Asamoah, D. A., & Ponna, N. (2013). Business analytics: Research and teaching perspectives. In Information Technology Interfaces (ITI), Proceedings of the ITI 2013 35th International Conference on (pp. 19-27). IEEE.
Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380–1400.
Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. Educause Review, 46(5), 30–40.
Tulasi, B. (2013). Significance of big data and analytics in higher education. International Journal of Computer Applications, 68(14), 23–25.
Van Barneveld, A., Arnold, K. E., & Campbell, J. P. (2012). Analytics in higher education: Establishing a common language. EDUCAUSE Learning Initiative, 1, 1–11.
West, D. M. (2012). Big data for education: Data mining, data analytics, and web dashboards. Governance Studies at Brookings, 1-10. Retrieved from https://www.brookings.edu/research/big-data-for-education-data-mining-data-analytics-and-web-dashboards/
Xu, B., & Recker, M. (2012). Teaching analytics: A clustering and triangulation study of digital library user data. Journal of Educational Technology & Society, 15(3), 103–115.