CC BY
10УДК 374(470)
А.М. Давлетов
АНАЛИЗ ПРИМЕНИМОСТИ МЕТОДОВ ОНЛАЙН ОБРАЗОВАНИЯ И ИГРОВЫХ МЕХАНИК В ОНЛАЙН СИСТЕМЕ ДЛЯ ПОДГОТОВКИ К ЕГЭ ПО МАТЕМАТИКЕ
данной статье рассмотрена проблема низкой эффективности MOOC систем, основанных на асинхронных курсах. Для решения этой проблемы были проанализированы различные методы онлайн образования и игровые механики. На основе заданных критериев была выбрана комбинация методов и игровых механик для разработки прототипа и провидение эксперимента, с помощью A/B тестирования и опросов пользователей. В будущем планируется добавлять методы и создать открытую систему для добавления различных методов и тестирования их эффективности.
Ключевые слова: методы онлайн образования, игровые механики, ЕГЭ, математика, онлайн система
Проблема современных MOOC систем связанна с низкой эффективностью обучения. Это связано с неправильным способом подачи учебного материала, отсутствия прямого контакта с преподавателем, что приводит к низкой мотивации и потери внимание во время обучения через MOOC систему. Особенно это актуально в асинхронных курсах, где процесс обучения не имеет фиксированных сроков и регулярного расписания, а также для учеников 10-11 классов при подготовке к ЕГЭ. Поэтому исследование и выбор комбинации методов для повышения эффективности онлайн системы по подготовке к ЕГЭ по математике является весьма актуальной и своевременной задачей.
По данным статьи [1], есть много вариантов померить эффективность методов. Из чего следует, что "Результаты обучения" или "Выявление конкретных навыков" две самые популярные оценки эффективности методов для курсов связанных с школьным или высшим образованием. Но для оценки методов с помощью них необходимо иметь прототип и провести эксперимент. Поэтому на данном этапе анализ методов будет осуществляться с точки зрения функциональности, т.е. применимости метода и реализуемости в онлайн системе по подготовке к ЕГЭ по математике.
Для анализа были выбранны 10 методов, описанных в Innovating Pedagogy 2015[2] и игровые механики.
Crossover learning - соединение формального обучения и не формального обучения. Ученики отвечают на жизненные вопросы, используя знания приобретенные в школе, с помощью этого они более лучше усваивают материал. В ЕГЭ все задания четко определены, поэтому этот метод тяжело использовать.
Learning through argumentation - обучение через аргументацию. Ученики доказывают свои суждения с помощью аргументов одноклассникам. Учитель выступает в качестве модератора и судьи. Такой метод возможен только в классе с учителем. В случае с онлайн системой, когда ученик занимается один с компьютером, это не возможно использовать.
Incidental learning - побочное обучение. Обучение там, где это не является основной целью, например, через игры или другие развлекательные приложения.Так как основная цель онлайн системы это научить решать задания из ЕГЭ, поэтому использование этого метода является не целесообразным.
Context-based learning - контекстное обучение. Обучение через окружающий контекст, например, рассказывая про исторические события, показывая их. Не во всех предметных областях хорошо работает контекст, например, в математике тяжело использовать контекст, для лучшего восприятия.
Computational thinking - алгоритмическое мышление. При обучении основам программирования, ученик получает общие знания необходимые для решения общих задач, например, декомпозиция, абстракция и т.д. Этот метод можно применять в онлайн системе, разбивая задания ЕГЭ, на более мелкие и обучать решать их.
Learning by doing science with remote labs - обучение используя удаленную лабораторию. Это позволяет ученику дополнять теоретические знания, практическими умениями. Опять же этот метод имеет узкую область применения и в математике его тяжело использовать, особенно, при подготовке к ЕГЭ.
© Давлетов А.М., 2016.
ISSN 2223-4047
Вестник магистратуры. 2016. № 7(58). Т. II
Embodied learning - обучение с погружением. При обучении подключается ещё и тело, например, как при обучении на права. Использовании этого метода не имеет смысла в рамка подготовки к ЕГЭ.
Adaptive teaching - адаптивное обучение. Этот метод использует репетитор, то есть строит индивидуальный план обучения. В онлайн системе это будет один из ключевых методов. Определяя уровень знания система сможет подстраиваться под конкретные знания и умения ученика, строя для него индивидуальный план подготовки.
Analytics of emotions - анализ эмоций. Этот метод анализирует эмоции ученика, для понимания подходит ли такое обучение или нет. В онлайн системе это очень тяжело реализовать, так как, ученик с системой общается только посредством клавиатуры и компьютерной мышки.
Stealth assessment - незаметное слежение. Слежение за действиями пользователя позволяет адаптивному обучению более точно определить его уровень знаний. В системе планируется отслеживать время ответа пользователя на конкретное задание, количество не правильных ответов и т.д., что позволит системе лучше определить пробелы в знаниях учеников.
Игровые механики - применение подходов, характерных для компьютерных игр в программных инструментах для не игровых процессов с целью привлечения пользователей и потребителей, повышения их вовлечённости в решение прикладных задач, использование продуктов, услуг. Автор диссерта-ции[3] выделяет 30 игровых механик, которые могут быть применены в онлайн системах. Из них были выбраны: Постепенная подача информации; Постепенное усложнение; Краткосрочные и долгосрочные цели; Мгновенная реакция или интерактивность; Испытания.
Постепенная подача информации. В системе задание будет разбиваться на шаги и каждый шаг будет открываться только после того, как сделаешь предыдущий.
Постепенное усложнение. Задания будут постепенно усложняться и дополняться, тем самым показывая, как изменяется решение.
Краткосрочные и долгосрочные цели. В системе будет возможность выбрать желаемый бал для сдачи ЕГЭ, это и будет долгосрочной целью, но также система будет выдавать каждодневные цели, для достижения общей цели.
Мгновенная реакция или интерактивность - система будет поощрять и запоминать каждый успешно выполненный шаг упражнения.
Испытания - сложные задачи. Система периодически пользователю будет давать сложные задания.
Хотя игровые механики позволяют увеличивать мотивацию пользователей, при этом могут возник некоторые проблемы[4]:
•Использование игровых механик может побуждать людей к читерству, то есть обходу проверяющей системы, а не к обучению.
•По теории самоопределения, внешняя мотивация, может подрывать внутреннюю и будет подрывать игровые механики
•Также по данным других исследований из IBM's Beehive social networking service ([5], [6], [7]) были сделаны выводы, что люди делятся на разные модели поведения, например, некоторые пользователи хотели быть на первом месте турнирной таблицы, в то время как другим было достаточно быть просто в списке не зависимо от рейтинга.
Поэтому внедрение игровых механик должно сопровождаться тщательным контролем результатов реакции пользователей и качеством обучения в целом. На стадии прототипа были выбраны следующие механики:
• Постепенная подача информации;
• Постепенное усложнение;
• Краткосрочные и долгосрочные цели;
• Мгновенная реакция или интерактивность;
• Испытания.
Эти игровые механики просты в реализации и не создают дополнительных проблем. Остальные будут добавляться по мере развития функциональности системы.
На основе двух критериев функциональности и реализуемости для первого эксперимента были выбрана комбинация следующих методов: Computational thinking, Adaptive teaching, Stealth assessment и игровых механик: Постепенная подача информации; Постепенное усложнение; Краткосрочные и долгосрочные цели; Мгновенная реакция или интерактивность; Испытания. В дальнейшем планируется разработать прототип и провести эксперименты на эффективность обучения, с помощью A/B тестирования и опросов пользователей.
В рамках исследования был проведен анализ проблемы низкой эффективности открытых массовых онлайн курсов и определены основные задачи для ее решения, связанные с выбором комбинации
методов для повышения мотивации и внимания обучаемых. Были проанализированы различные методы оценки эффективности методов онлайн обучения и выбраны критерии анализа методов. Также были проанализированы 10 методов и 30 игровых механик, из них была выбрана комбинация следующия методов: Computational thinking, Adaptive teaching, Stealth assessment и игровых механик: Постепенная подача информации; Постепенное усложнение; Краткосрочные и долгосрочные цели; Мгновенная реакция или интерактивность; Испытания. Определены дальнейшие шаги - это разработка прототипа и провидение экспериментов.
Библиографический список
1.Дяченко О., Родова Н. Оценка обеспеченности регионов банковскими услугами // Банковское обозрение.
2013. № 10.
2.Гамза В. Основные проблемы и пути развития банковской системы России // Аналитический банковский журнал. 2013. № 3, 4.
3.Jordan, K. Initial trends in enrolment and completion of massive open online courses. // International Review of Research in Open and Distance Learning. 15(1) 2014. Pp. 133-160.
4.Innovating_pedagogy_2015.pdf [Электронный ресурс]. Режим доступа: http://proxima.iet.open.ac.uk/ pub-lic/innovating_pedagogy_2015.pdf свободный. (дата обращения 06.06.2016)
5.Першин А.А. Методы создания интерактивных онлайн курсов на основе игровых механик: дис. ... канд. техн. наук. Санкт-Петербург. 2014. С. 26-32.
6.Hamari J., Koivisto J., Sarsa H. (2014). Does Gamification Work? - A Literature Review of Empirical Studies on gamification. // In proceedings of the 47th Hawaii International Conference on System Sciences, Hawaii, USA, January 6-9,
2014. Pp. 3025-34
7.Farzan R., DiMicco J.M., Millen D.R., Brownholtz B., Geyer W., and Dugan C., "When the experiment is over: Deploying an incentive system to all the users" // In Symposium on Persuasive Technology, 2008.
8.Farzan R., DiMicco J.M., Millen D.R., Brownholtz B., Geyer W., and Dugan C., "Results from deploying a participation incentive mechanism within the enterprise" // In Proceedings of the twenty-sixth annual SIGCHI conference on Human factors in computing systems, April 5-10, 2008, Florence, Italy, ACM, pp. 563-572.
9.Thom J., Millen D., and DiMicco J., "Removing gamification from an enterprise SNS" // In Proceedings of the ACM 2012 conference on Computer Supported Cooperative Work, February 11-15, 2012, Seattle, Washington, USA, ACM, pp. 1067-1070.
ДАВЛЕТОВ АРТУР МАРАТОВИЧ - магистрант, Челябинский государственный университет, Россия.
