collage med bärbar dator och konturerna av en hjärna

Doktorandprojekt: Visuell inlärningsanalys för att stödja lärarnas pedagogiska arbete

Detta doktorandprojekt innefattar ett samarbete med ett antal EdTech-bolag som utvecklar digitala läromedel. Målet är att att tolka och modellera digitala utbildningsdata från dessa med hjälp av visuell inlärningsanalys, samt att utveckla ett verktyg som kan ge lärare beslutsstöd kring elevers utveckling och även främja elevers studieresultat.

Fakta om projektet

Doktorand
Zeynab Mohseni
Handledare
Italo Masiello, Rafael Messias Martins
Deltagande organisationer
Linnéuniversitetet, Binogi AB, Växjö kommun
Finansiär
Forte, Växjö kommun
Tidsplan
Okt 2020–sept 2024
Ämne
Data- och informationsvetenskap (Institutionen för datavetenskap och medieteknik, Fakulteten för teknik)

Mer om projektet

Detta är ett samarbetsprojekt med ett antal EdTech-bolag som utvecklar digitala läromedel. Användningen av digitala läromedel genererar så kallade datapunkter (visuella/textuella) som en del av lärandeaktiviteten. Det saknas dock en standard för hur sådan data modelleras och bearbetas.

Rådata från medverkande företag används därför i syfte att driva och stödja utveckling och användning av så kallad visuell inlärningsanalys (visual learning analytics, VLA). Användningen av denna typ av data är en ny företeelse även för de olika bolag som producerar digitala läromedel, vilket i sin tur gör det svårt att utveckla datamodeller.

I detta projekt kommer vi att via tillämpningen av olika tekniker för datautvinning (data mining), till exempel kluster och klassificeringsmetoder, organisera och strukturera den insamlade datan. Dels för att underlätta interoperabiliteten mellan digitala läromedel, dels för att göra datan mer tillgänglig och användbar för alla inblandade. Ett enhetsrelationsdiagram och en metod för de insamlade datamodellerna kommer också att föreslås som ett initialt standardprotokoll.

Efter det kommer vi att presentera ett analytiskt arbetsflöde för att koppla metoder för datautvinning, visualisering och maskininlärning till metoder för lärandeprogression och elevers utvecklingsbanor. Nästa steg är att organisera de olika datamängderna och analysera resultaten enligt vårt standardprotokoll för visuell inlärningsanalys, maskininlärning och uppskattning, för att kunna förstå vilka VLA-modeller som passar bäst för den insamlade datan och för användarnas behov.

Det sista steget är att utveckla en inlärningsanalytisk instrumentpanel som kan ge lärare beslutsstöd kring elevers utvecklingsbanor, men även främja studieresultat genom att kombinera olika individuella visualiseringar för olika valda datamängder.

Projektet är en del av forskningen i forskargrupperna EdTechLnu och Information and Software Visualization (ISOVIS).