A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Open Access
Practical Application of an e-Learning Support System Incorporating a Fill-in-the-Blank Question-Type Concept Map
Abra o Access
Aplicação prática de um sistema de apoio ao e-Learning que incorpora um mapa conceitual do tipo pergunta para preencher as lacunas

Takumi HASEGAWA, Tessai HAYAMA

  • Exibições de texto completo

    252

  • Cite isto
  • Free PDF (1.2MB)

Resumo:

O e-learning, que pode ser usado em qualquer lugar e a qualquer hora, é muito conveniente e foi introduzido para melhorar a eficiência do aprendizado. No entanto, garantir uma taxa de conclusão tem sido um grande desafio. Recentemente, as formas de aprendizagem do e-learning exigem que os alunos sejam introspectivos, deliberados e lógicos e provaram ser incompatíveis com muitos alunos com baixas taxas de conclusão. Assim, desenvolvemos um sistema de e-learning que incorpora um mapa conceitual do tipo perguntas para preencher as lacunas para aprofundar a compreensão dos alunos sobre os conteúdos de aprendizagem enquanto assistem a vídeos de aprendizagem. O sistema desenvolvido promove a aprendizagem ativa de forma reflexiva e lógica, permitindo que os alunos respondam rótulos de perguntas em branco em mapas conceituais a partir de conteúdo de vídeo e rótulos associados aos rótulos de perguntas em branco. Confirmámos na experiência de laboratório, comparando com um sistema de aprendizagem convencional baseado em vídeo, que o sistema desenvolvido incentivou o aluno a realizar mais operações do sistema para verificar novamente o conteúdo de aprendizagem e a compreender melhor o conteúdo de aprendizagem enquanto assiste ao vídeo de aprendizagem. Como próximo passo, é necessário um experimento de campo para investigar a utilidade e eficácia do sistema desenvolvido em ambientes reais, a fim de aumentar a praticidade do sistema desenvolvido. Neste estudo, introduzimos o sistema desenvolvido nas duas turmas do curso uversity e investigamos o nível de compreensão dos conteúdos de aprendizagem, as operações do sistema e a utilidade do sistema desenvolvido comparando com aqueles do experimento de laboratório. Os resultados mostraram que o sistema desenvolvido proporcionou suporte à compreensão do conteúdo de aprendizagem e à utilidade de cada função no experimento de campo, como no experimento de laboratório. Por outro lado, os alunos da experiência de campo atribuíram menor utilidade ao sistema desenvolvido do que os da experiência de laboratório, sugerindo que os alunos que tentaram compreender completamente os conteúdos de aprendizagem na experiência de campo foram menos numerosos do que os da experiência de laboratório de suas operações de sistema durante o aprendizado.

Publicação
IEICE TRANSACTIONS on Information Vol.E107-D No.4 pp.477-485
Data de publicação
2024/04/01
Publicitada
2024/01/15
ISSN online
1745-1361
DOI
10.1587/transinf.2023IHP0012
Tipo de Manuscrito
Special Section PAPER (Special Section on Information and Communication Technology to Support Hyperconnectivity)
Categoria

1. Introdução

Geralmente, fornecer aos alunos uma compreensão passo a passo do conteúdo de aprendizagem em cursos de vídeo on-line evita que muitos alunos que não se enquadram no estilo de aprendizagem exigido para e-learning em cursos de vídeo on-line abandonem o curso. Como primeiro passo para alcançá-lo tecnicamente, este estudo propõe um sistema de e-learning que fornece conteúdo de aprendizagem baseado em vídeo com ferramenta de pensamento visual para promover a compreensão dos alunos sobre o conteúdo de aprendizagem em tempo real e investiga sua eficácia na compreensão e no estilo de aprendizagem. em cursos de aprendizagem reais.

Na aprendizagem on-line baseada em vídeo, o aluno normalmente não precisa estar em contato direto com a turma ao mesmo tempo, o que traz vantagens significativas. Ele oferece suporte ao aprendizado em qualquer lugar e a qualquer hora por meio de um telefone celular ou computador e permite acesso a um aprendizado que nunca esteve disponível antes. Recentemente, embora os cursos de aprendizagem online tenham sido cada vez mais comercializados para adultos e estudantes, a elevada taxa de abandono desses cursos continua a ser uma preocupação para as instituições e organizações educativas. Muitas pesquisas têm mostrado uma alta taxa de abandono percentual de alunos que participam de cursos on-line, em comparação com alunos em sala de aula presencial. Por exemplo, foi relatado que mais de 95% dos alunos abandonaram o MOOC [1], [14] e aproximadamente 78% dos alunos abandonaram a Universidade Aberta [22], [23].

De acordo com um relatório de inquérito [24], as razões que levam os alunos a abandonar os cursos de aprendizagem on-line são classificadas em duas categorias principais de problemas: a procrastinação dos alunos e o estilo de aprendizagem incompatível com o e-learning. A primeira categoria de problema implica que alguns alunos não conseguem gerir eficazmente o tempo e o progresso da aprendizagem do e-learning por si próprios, o que torna difícil a conclusão dos cursos de e-learning. Para resolver a primeira categoria de problema, algumas instituições de e-learning introduziram tutoria e mentoria online para fornecer apoio individual a esses alunos [13]. Outros identificaram alunos com probabilidade de desistir, analisando as suas atividades de aprendizagem a partir dos registos do sistema [18]. Essas abordagens são formas eficazes de manter a taxa de retenção de cursos de e-learning [7]. Entretanto, a segunda categoria de problema é que o conteúdo multimédia fornecido pelos sistemas de e-learning gera efeitos de carga cognitiva nos alunos em comparação com a típica aprendizagem presencial na sala de aula [6]. Os efeitos da carga cognitiva no e-learning reduzem o desempenho de aprendizagem dos alunos, aumentando a tendência de abandono escolar. Para resolver a segunda categoria de problema, alguns investigadores conceberam sistemas de e-learning com funções que se adaptam ao estilo de aprendizagem do e-learning; por exemplo, projetar um curso baseado na web levando em consideração o conteúdo e o estilo de aprendizagem [4] e apresentações multimídia eficazes [8], [15], [17]. Apesar de criar uma abordagem melhor do que o estilo normal de e-learning, muitos sistemas recentes de e-learning ainda adotam uma forma simples com um vídeo no centro da interface. Além disso, alguns investigadores investigaram o estilo de aprendizagem do e-learning e demonstraram que tanto os estilos de aprendizagem reflexivos como os activos são relevantes para melhorar o progresso do e-learning e que os alunos sensoriais são provavelmente adaptáveis ​​ao estilo de aprendizagem do e-learning [5], [13]. Portanto, é necessário que o aluno realize a aprendizagem com habilidades metacognitivas e um método de pensamento passo a passo durante o e-learning. No entanto, é difícil para muitos alunos utilizarem as suas competências metacognitivas porque a atual aprendizagem baseada em vídeo proporciona uma aprendizagem passiva e é um desafio para os alunos abandonarem os conceitos do conteúdo de aprendizagem enquanto assistem ao vídeo. Além disso, os alunos com tendências ao abandono não conseguem compreender eficazmente o conteúdo de aprendizagem desde o início de um curso de e-learning [23]. Se o sistema de e-learning tiver suporte para corresponder ao método de pensamento do aluno no e-learning e no estilo de aprendizagem, exigido pelo e-learning, as taxas de abandono em cada curso de e-learning serão reduzidas.

Portanto, desenvolvemos uma interface de aprendizagem de vídeo on-line que fornece um mapa conceitual do tipo pergunta para preencher as lacunas [9]. Um mapa conceitual é uma forma eficaz de fornecer conceitos complexos com representações gráficas; portanto, é frequentemente usado em instituições educacionais para fornecer aos alunos uma melhor compreensão do conteúdo de aprendizagem [19]. No entanto, conforme discutido em detalhes na Seção. 2, normalmente é difícil para um certo número de alunos criar mapas conceituais do zero, e é quase impossível para eles criar um mapa conceitual apropriado enquanto assistem a um vídeo de aula [11]. Assim, empregamos um mapa conceitual do tipo pergunta para preencher as lacunas, no qual alguns rótulos importantes para a compreensão dos conteúdos de aprendizagem são retirados de um mapa conceitual completo, incentivando os alunos a pensar sobre eles enquanto assistem ao vídeo. Na experiência de laboratório, confirmamos que o sistema desenvolvido encorajou o aluno a compreender melhor os conteúdos de aprendizagem e promoveu o estilo de aprendizagem ativo do aluno enquanto assistia ao vídeo de aprendizagem. Como próximo passo, é necessário um experimento de campo para investigar a utilidade e eficácia do sistema desenvolvido em ambientes reais, a fim de aumentar a praticidade do sistema desenvolvido.

Neste estudo, introduzimos o sistema desenvolvido nas duas turmas do curso de universidade atual e investigamos o nível de compreensão dos conteúdos de aprendizagem, as operações do sistema e a utilidade do sistema desenvolvido, comparando com aqueles do experimento de laboratório. Os resultados mostraram que o sistema desenvolvido proporcionou suporte à compreensão do conteúdo de aprendizagem e à utilidade de cada função no experimento de campo, como no experimento de laboratório. Por outro lado, os alunos da experiência de campo atribuíram menor utilidade ao sistema desenvolvido do que os da experiência de laboratório, sugerindo que os alunos que tentaram compreender completamente os conteúdos de aprendizagem na experiência de campo foram menos numerosos do que os da experiência de laboratório de suas operações de sistema durante o aprendizado.

2. Estudos Relacionados

Um mapa conceitual é uma ferramenta útil para apoiar a compreensão profunda dos alunos, avaliar sua compreensão e assim por diante [19]-[21], pois pode representar visualmente as relações entre vários conceitos. Alguns pesquisadores têm utilizado mapas conceituais para apoiar a aprendizagem, refletindo sobre o conteúdo de aprendizagem de uma aula, complementando ou aprofundando a compreensão do conteúdo de aprendizagem após a aula. Por exemplo, Cimolino et al. [3] confirmaram a eficácia dos mapas conceituais para os professores avaliarem a compreensão dos conceitos dos alunos em uma área de aprendizagem subdividida, fazendo com que os alunos criassem e analisassem mapas conceituais para reconhecer entendimentos conceituais e mal-entendidos do conteúdo de aprendizagem. Como é difícil para todos os alunos criar mapas conceituais adequados, alguns pesquisadores desenvolveram um método usando mapas conceituais Kit-Build, onde os especialistas preparam componentes com rótulos e links antecipadamente e os alunos os montam. Por exemplo, Yamasaki et al. [26] e Hirashima et al. [12] demonstraram que os mapas conceituais Kit-Built podem ser usados ​​para diagnosticar a compreensão do conteúdo de aprendizagem do aluno e comparar os mapas conceituais dos alunos com os dos especialistas, respectivamente, para avaliação da aprendizagem. Hayashi [10] apresentou mais exemplos em que um mapa conceitual Kit-Built foi altamente útil no ensino real em sala de aula e na aprendizagem cooperativa. Por outro lado, alguns pesquisadores desenvolveram sistemas que incorporam mapas conceituais para preencher as lacunas, onde alguns rótulos são mascarados de um mapa conceitual criado por um especialista. Chang et al. [2] desenvolveram um sistema usando mapas conceituais para preencher as lacunas. Eles confirmaram que o sistema foi mais eficaz do que os mapas conceituais convencionais em termos de compreensão dos alunos sobre o conteúdo de aprendizagem por meio da tarefa de criar um mapa conceitual do conteúdo de aprendizagem após a aula.

No entanto, com a recente disseminação da aprendizagem online, foram desenvolvidas tecnologias que utilizam mapas conceituais enquanto assiste a vídeos de palestras. Por exemplo, Liu et al. [16] desenvolveram um sistema que incorpora mapas conceituais como navegação enquanto assistem a vídeos de palestras. Em seu estudo, eles propuseram um método de criação de mapas conceituais agregando vários mapas conceituais criados por usuários em geral e confirmaram que os mapas conceituais criados por seu método continham conteúdos semelhantes aos criados por especialistas. No entanto, seu método só permite que os alunos se debrucem sobre mapas conceituais enquanto assistem a um vídeo de aula. Para promover um estilo de aprendizagem mais ativo, os alunos precisam interagir ao criar mapas conceituais enquanto assistem a vídeos de palestras.

Acima de tudo, desenvolvemos um sistema de apoio à aprendizagem que incorpora um mapa conceitual com perguntas para preencher as lacunas, que faz com que o aluno responda perguntas sobre pontos importantes do conteúdo de aprendizagem enquanto assiste a um vídeo de aula. Em nosso experimento de laboratório, confirmamos que o sistema desenvolvido promoveu nos alunos um estilo de aprendizagem mais ativo. Como próximo passo, realizamos um experimento de campo no sistema desenvolvido, uma vez que são necessárias investigações sobre a praticidade do sistema desenvolvido. Até onde sabemos, não existe nenhum estudo de caso de aprendizagem baseada em vídeo sobre o uso de mapas conceituais em um ambiente prático.

3. Sistema Desenvolvido

3.1. Visão Geral

Desenvolvemos um sistema de e-learning baseado em vídeo usando um mapa conceitual com perguntas para preencher as lacunas. Conforme ilustrado na Figura 1, o sistema desenvolvido consiste em uma área de exibição de vídeos de palestras, uma área de exibição de mapa conceitual e uma área de entrada de respostas para perguntas de preenchimento.

FIG. 1  Interface do sistema desenvolvido.

Na área de exibição de vídeos, são fornecidos vídeos de palestras, incluindo slides e discursos de palestras. Esses vídeos de palestras podem ser reproduzidos e interrompidos usando botões, e a posição de reprodução pode ser especificada usando a barra de reprodução. O tempo de reprodução dos vídeos das palestras é definido para 0.8 vezes mais lento que o normal para facilitar o trabalho dos usuários enquanto assistem ao vídeo. Na área de exibição do mapa conceitual, as localizações de vários rótulos no mapa conceitual criado pelo palestrante ou por outros especialistas são automaticamente perfuradas e exibidas. Conforme mostrado na área de exibição do mapa conceitual na Fig. 1, os rótulos amarelos em branco foram automaticamente perfurados no mapa conceitual que consiste em links e rótulos. Cada rótulo é automaticamente associado à posição de reprodução do vídeo da aula que pode conter o conteúdo do rótulo. Para fazer com que o usuário perceba o(s) rótulo(s) associado(s) à posição de reprodução do vídeo da aula, o(s) rótulo(s) é(são) colorido(s) em laranja e um link para a posição de reprodução de vídeo correspondente também é definido. O processo de extração de rótulos para a questão de preencher as lacunas do mapa conceitual e a correspondência entre rótulos e posições de reprodução de vídeo são explicados em detalhes nas Seções. 3.2.1 e 3.2.2, respectivamente.

Na área de entrada de respostas para as perguntas de preenchimento, uma lista de candidatos de rótulos é fornecida, bem como um botão de execução para combinar as respostas. Na lista de candidatos a rótulos, é exibida uma lista de rótulos perfurados. Na área de exibição do mapa conceitual, para cada rótulo selecionado com o mouse, o item selecionado na lista de candidatos é inserido no rótulo em branco. Quando um usuário pressiona o botão executar para corresponder às respostas, o sistema verifica se o item inserido na etiqueta em branco do mapa conceitual está correto ou não, e se o item errado for inserido na etiqueta em branco, a etiqueta fica vermelha para notificar o usuário que isso é um mal-entendido.

Ao assistir a um vídeo-aula disponibilizado na área de exibição de vídeos, o usuário verifica a parte do mapa conceitual relacionada aos conteúdos de aprendizagem que está sendo assistido, considera os conteúdos de aprendizagem correspondentes ao rótulo em branco e insere o item no rótulo selecionando-o da lista de rótulos candidatos. O usuário então confirma se suas respostas estão corretas e, se houver resposta(s) errada(s), o usuário reconfirma os conteúdos de aprendizagem correspondentes no vídeo. Assim, o sistema permite que o usuário esteja sempre atento aos pontos importantes do conteúdo da palestra para prestar atenção e assistir ao vídeo da palestra enquanto confirma as informações relacionadas aos pontos importantes.

3.2 Módulos Funcionais
3.2.1 Extração de rótulos para questões de preenchimento de lacunas em mapas conceituais

Criamos regras heurísticas para extrair automaticamente rótulos para perguntas de preenchimento de lacunas de um mapa conceitual.

Para extrair rótulos de perguntas para preencher as lacunas, os rótulos relacionados a partes importantes do conteúdo de aprendizagem são identificados com base no número de links para cada rótulo e nos tipos de rótulos de link, e os rótulos em branco devem ser reconhecidos a partir dos rótulos adjacentes. . Neste estudo, como rótulos de links para mapas conceituais, simplificados por tentativa e erro, os rótulos de “Método”, “Descrição”, “Função”, “Exemplo”, “Conteúdo”, “Vantagem/Desvantagem” e outras definições do usuário frases foram usadas.

As regras para extrair rótulos para questões de preenchimento de lacunas são mostradas na Figura 2 e listadas abaixo.

  1. Se um rótulo gerar um link com um rótulo “Descrição”, o rótulo será deixado em branco porque a resposta ao rótulo pode ser inferida a partir do rótulo do link de saída que o descreve.
  2. Se um rótulo gerar um link com um rótulo que aparece apenas uma vez no mapa conceitual, o rótulo vinculado será deixado em branco porque o conteúdo do rótulo vinculado é inferido do conteúdo associado ao rótulo do link definido pelo usuário exclusivo.
  3. Se um rótulo gerar vários rótulos vinculados a um rótulo de link de “Método”, “Descrição”, “Função” ou “Conteúdo”, os rótulos ímpares do lado esquerdo dos rótulos vinculados serão deixados em branco porque as características do conteúdo do rótulo de ligação são inferidas a partir dos rótulos vinculados. Entretanto, se uma etiqueta em branco não tiver link de saída, o espaço em branco da etiqueta será cancelado.
  4. Se um rótulo gerar links com um rótulo de “Função”, os rótulos vinculados, que possuem mais de um link de saída, serão deixados em branco porque o conteúdo de cada rótulo pode ser inferido a partir do conteúdo de rótulos vinculados/vinculados ao rótulo.
  5. Se um rótulo não gerar um link e estiver vinculado a vários rótulos, o rótulo será deixado em branco porque o conteúdo do rótulo é inferido do conteúdo de vários rótulos vinculados ao rótulo.
  6. Se um rótulo gerar links com rótulos “Vantagem” e “Desvantagem”, os rótulos para os quais cada link de seus rótulos é gerado serão deixados em branco porque o conteúdo do rótulo pode ser inferido a partir dos rótulos de link com suas vantagens e desvantagens.
  7. Se um rótulo gerar apenas um(s) link(s) com rótulo(s) de “Exemplo”, o rótulo será deixado em branco porque o conteúdo do rótulo é inferido a partir do conteúdo do(s) exemplo(s) do rótulo.

FIG. 2   Regras de extração para rótulos de perguntas de preenchimento em mapas conceituais. (Os nós acima e abaixo indicam o relacionamento pai-filho e o nó colorido indica um rótulo em branco.)

As regras de extração são aplicadas a todos os rótulos na ordem de (a) a (g), com prioridade máxima e prioridade à esquerda em um mapa conceitual, e o processo de extração é concluído se não houver rótulos a serem aplicados pelas regras.

3.2.2 Correspondência entre os rótulos do mapa conceitual e as posições de reprodução do vídeo da aula

Para corresponder cada rótulo em um mapa conceitual à posição de reprodução do vídeo da palestra, os termos contidos em cada rótulo e os termos contidos em cada slide exibido no vídeo da palestra foram combinados. Se cada rótulo incluir múltiplas posições de reprodução de vídeo no resultado correspondente, a primeira posição de reprodução em que o(s) termo(s) do rótulo aparece provavelmente conterá uma explicação mais detalhada; assim, o vídeo da palestra é reproduzido em ordem a partir da primeira posição de reprodução que aparece quando o rótulo é selecionado por um usuário.

No procedimento do processo de correspondência, o(s) termo(s) contido(s) em cada rótulo de um mapa conceitual e o(s) termo(s) contido(s) nos slides são analisados ​​morfologicamente para extrair apenas as palavras de conteúdo (substantivo, verbo, adjetivo, advérbio e numeral). Cada rótulo recebe então a posição inicial da reprodução do vídeo, descrevendo o slide que contém todas as palavras de conteúdo contidas no rótulo. Se nenhum slide contiver todas as palavras de conteúdo do rótulo, o rótulo será atribuído ao slide que contém o maior número de palavras de conteúdo no rótulo.

3.3 Efeitos

O sistema desenvolvido chama a atenção do aluno, que está aprendendo enquanto assiste a um vídeo de aula, para os termos importantes que ele deve compreender no conteúdo de aprendizagem e os termos a eles relacionados. O aluno revisa os vídeos de aprendizagem e realiza operações de tentativa e erro até obter as respostas corretas às questões de preenchimento das lacunas do mapa conceitual.

No outro estudo [9], conduzimos um experimento de laboratório com 16 sujeitos para avaliar nosso sistema desenvolvido comparando-o com um sistema convencional com mapa conceitual e confirmamos que o sistema desenvolvido promove aprendizagem ativa enquanto assiste a um vídeo de aula e é eficaz em melhorar a compreensão dos conteúdos de aprendizagem para alunos que não estão familiarizados com a aprendizagem baseada em vídeo.

4. Configurações de Experimentos

Para investigar os efeitos de aprendizagem e como o sistema desenvolvido é utilizado em um curso real, conduzimos um experimento de campo e o comparamos com um experimento de laboratório com base no nível de compreensão do conteúdo de aprendizagem, interação do sistema e uma pesquisa pós-questionário. Uma visão geral dos experimentos de campo e laboratório é descrita nas Seções. 4.1 e 4.2, respectivamente.

4.1 Experimento de Campo

O experimento de campo foi realizado em duas das 15 sessões do curso “Redes de Informação” para alunos de graduação, nas quais os alunos assistiram a vídeos utilizando o sistema desenvolvido. Em todas as demais aulas do curso, o docente ministrou uma aula presencial com recurso a slides. O curso foi realizado em uma sala de informática da universidade com uma grande tela na frente da sala e um PC para cada aluno. Foram 14 participantes para cada uma das duas palestras, Aula 1 e Aula 2, dos quais 13 assistiram às duas aulas e os diferentes assistiram a uma aula cada.

Nos primeiros 10 minutos da primeira aula, os alunos receberam uma apostila do material didático conforme mostrado na Figura 3 e uma explicação oral de como utilizar o sistema desenvolvido e o procedimento de aprendizagem. Em seguida, os alunos aprenderam assistindo ao vídeo da aula utilizando o sistema desenvolvido em seus próprios PCs em sala de aula. Eles também poderiam usar o método normal de aprendizagem, como simplesmente assistir ao vídeo sem pedir para usar o sistema desenvolvido. Após cada aula, foram aplicados testes de 32 e 29 questões verdadeiro/falso para confirmar a compreensão dos alunos sobre o conteúdo da aula, respectivamente. Um pós-questionário sobre o aprendizado utilizando o sistema desenvolvido também foi realizado após cada palestra. O histórico de operações do sistema dos alunos durante as aulas utilizando o sistema desenvolvido foi registrado em um arquivo.

FIG. 3  Imagens da apostila utilizada para explicar aos sujeitos o funcionamento do sistema e como aprender no experimento.

Nos vídeos da Aula 1 e da Aula 2, o palestrante explicou o conteúdo da aula por meio da exibição de slides, que duraram cerca de 42 minutos e 45 minutos, respectivamente. Os mapas conceituais e testes de compreensão utilizados no sistema desenvolvido foram elaborados pelo docente, e as propriedades dos mapas conceituais das Aulas 1 e 2 foram quase as mesmas mostradas na Tabela 1, com os números de 69 e 67 rótulos, os números dos rótulos de preenchimento de lacunas de 26 e 29, e os números de 76 links em ambos.

tabela 1  Propriedade dos mapas conceituais utilizados nos experimentos

4.2 Experimento de Laboratório

No experimento de laboratório, duas das 15 aulas do curso “Redes de Informação”, que era o mesmo curso do experimento de campo, foram utilizadas para aprendizagem baseada em vídeo utilizando o sistema desenvolvido. Um dos vídeos da aula foi a Aula 2, que foi igual ao experimento de campo, e o outro foi a Aula 3, que foi diferente do experimento de campo. Os participantes do experimento de laboratório foram 16 estudantes de graduação e pós-graduação que nunca haviam realizado esse curso. 8 deles aprenderam na Aula 2 e os outros 8 aprenderam na Aula 3.

Primeiramente, assim como no experimento de campo, os alunos receberam oralmente uma explicação de como utilizar o sistema desenvolvido junto com o material didático e, em seguida, em horários diferentes dos demais alunos, aprenderam utilizando o sistema desenvolvido em seus próprios PCs. . Após a aprendizagem de cada aula, foram aplicados testes de compreensão de 29 e 26 questões corretas/incorretas da Aula 2 e da Aula 3 para confirmar a compreensão dos alunos sobre o conteúdo de aprendizagem. Também foi realizado um pós-questionário sobre a aprendizagem baseada em vídeo utilizando o sistema desenvolvido, que foi o mesmo utilizado no experimento de campo. O histórico das operações do sistema dos alunos durante o aprendizado utilizando o sistema desenvolvido também foi registrado em um arquivo.

Os vídeos das Aulas 2 e 3 tinham aproximadamente 45 minutos de duração e as propriedades de seus mapas conceituais eram semelhantes conforme mostrado na Tabela 1, com os números de 67 e 77 rótulos, o número do preenchimento das lacunas rótulos de 29 e 35 e os números de 76 e 83 links.

5. Resultados e Discussões

Os resultados do teste de compreensão, o histórico de funcionamento do sistema desenvolvido e os resultados do pós-questionário são apresentados na Figura 4, Tabelas 2 e 3, respectivamente.

FIG. 4  Pontuações médias dos testes de compreensão dos alunos nos experimentos.

tabela 2  Número médio de operações do sistema nos experimentos

tabela 3  Resultados do pós-questionário sobre o sistema desenvolvido (escala Likert 5)

Conforme mostrado na Figura 4, houve pouca diferença nas notas médias do teste de compreensão dos alunos da Aula 2 entre o experimento de campo e o experimento de laboratório (23.13 e 22.57, respectivamente). Por outro lado, comparando as notas médias da prova de compreensão dos alunos entre as aulas do mesmo experimento, houve poucas diferenças entre as aulas 1 e 2 do experimento de campo (25.57 de 32 e 22.57 de 29, respectivamente), e entre as Aulas 2 e 3 do experimento de laboratório (22.57 de 29 e 20.38 de 26, respectivamente). No experimento de laboratório do outro estudo [9], foi confirmado que o sistema desenvolvido apoia a compreensão dos alunos sobre o conteúdo de aprendizagem enquanto assistem a um filme de aprendizagem. Assim, o sistema desenvolvido apoia o aluno na compreensão de um conteúdo de aprendizagem enquanto assiste a um vídeo de aprendizagem como no experimento de laboratório, mesmo quando este é introduzido no ambiente de aprendizagem real.

A seguir, verificamos o número de operações utilizadas no sistema no caso do sistema desenvolvido. Conforme mostrado na Tabela 2, o número médio de “mudanças do rótulo para a posição de reprodução de vídeo” foi de 7.07-10.71 nos experimentos de campo e laboratório, indicando comportamentos semelhantes entre os dois experimentos. Por outro lado, os números médios de “verificar as respostas às perguntas para preencher as lacunas (na primeira vez)”, “verificar novamente as respostas às perguntas para preencher as lacunas” e “mudar para a posição de reprodução de vídeo” foram 14.79-18.86, 12.21-19.07 e 36.79-37.14 no experimento de campo, respectivamente, enquanto no experimento de laboratório foram 4.33-37.14, 4.33-10.71 e 10.83-18.13, respectivamente, indicando um aumento tendência no experimento de campo. No conteúdo da aula 'Aula 2' utilizada em ambos os experimentos, confirmamos diferenças estatisticamente significativas entre os experimentos para cada um desses três itens das operações do sistema pelo teste t de Welch ((\(t\)(19) = 1.812, \(p\) = 0.086, \(r\) = 0.685), (\(t\)(18) = 2.297, \(p\) = 0.034, \(r\) = 0.856) e (\(t\)(20) = 1.613, \(p\) = 0.122, \(r\) = 0.630)). Assim, um aluno que utiliza o sistema desenvolvido na aprendizagem real baseada em vídeo verifica as respostas às questões com mais frequência e verifica novamente o conteúdo do vídeo com mais frequência do que no experimento de laboratório.

Conforme mostrado na Tabela 3, o pós-questionário sobre o sistema de desenvolvimento mostrou que a utilidade de cada função do sistema de desenvolvimento foi altamente avaliada tanto nos experimentos de campo quanto em laboratório, com média de 3.8 ou superior. Além disso, a satisfação com a própria aprendizagem e a suficiência do tempo de aprendizagem ao utilizar o sistema de desenvolvimento foram bem avaliadas tanto nos experimentos de campo quanto em laboratório, com médias de 3.43 e 3.69 a 3.88. Entre eles, as classificações de “Suficiência do tempo de aprendizagem”, “Nível de compreensão do conteúdo de aprendizagem” e “Utilidade do estilo de aprendizagem para manipular mapas conceituais enquanto assiste a vídeos de aprendizagem” no experimento de campo foram 0.2 inferiores às do laboratório. experimento, respectivamente; existem diferenças estatisticamente significativas entre os experimentos ((\(t\)(28) = 2.106, \(p\) = 0.044, \(r\) = 0.792), (\(t\)(26) = 2.212, \(p\) = 0.036, \(r\) = 0.846) e (\(r\)(22) = 1.675, \(p\) = 0.108, \(r\) = 0.652)). Assim, os alunos que utilizaram o sistema desenvolvido na aprendizagem real constataram a utilidade das funções do sistema, o elevado nível de satisfação com a aprendizagem e a eficiência do tempo de aprendizagem, embora estes tenham sido inferiores aos da experiência de laboratório.

Além disso, para investigar a relação entre as influências do sistema desenvolvido na aprendizagem no experimento de campo, calculamos as correlações entre a avaliação de cada item do pós-questionário no experimento de campo e o escore de compreensão do conteúdo de aprendizagem. A Tabela 4 apresenta a matriz de correlação entre os itens pós-questionário com coeficientes de correlação iguais ou superiores a 0.5 e o escore de compreensão do conteúdo de aprendizagem. Conforme mostrado na Tabela 4, houve correlações positivas estatisticamente significativas entre cada um dos itens a seguir.

  • “nível de compreensão do conteúdo de aprendizagem” e “satisfação com a própria aprendizagem” (\(t\)(25) = 4.842, \(p\) = 0.000056, \(r\) = 0.642),
  • “utilidade do estilo de aprendizagem para manipular mapas conceituais enquanto assiste a vídeos de aprendizagem” e “satisfação com a própria aprendizagem” (\(t\)(25) = 5.639, \(p\) = 0.0000072, \(r\) = 0.036),
  • “utilidade do estilo de aprendizagem para manipular mapas conceituais enquanto assiste ao vídeo de aprendizagem” e “nível de compreensão do conteúdo de aprendizagem” (\(t\)(25) = 3.732, \(p\) = 0.001, \(t\) = 0.477),
  • “dificuldade em aprender conteúdos” e “satisfação com a própria aprendizagem” (\(t\)(25) = 3.367, \(p\) = 0.002, \(r\) = 0.244),
  • “dificuldade em aprender o conteúdo” e “nível de compreensão do conteúdo de aprendizagem” (\(t\)(25) = 3.106, \(p\) = 0.005, \(t\) = 0.452),
  • “dificuldade em aprender conteúdo” e “utilidade do estilo de aprendizagem para manipular mapas conceituais enquanto assiste a vídeos de aprendizagem” ((\(t\)(25) = 3.164, \(p\) = 0.004, \(t\) = 0.152).

tabela 4  Matriz de correlação dos itens do questionário e pontuação do teste de compreensão

Por outro lado, os coeficientes de correlação entre esses itens e os escores de compreensão variaram de \(-0.025\) para 0.272, indicando que houve pouca correlação. Supõe-se que os alunos que obtiveram pontuações elevadas tanto em “compreensão do conteúdo de aprendizagem” como em “dificuldade com o conteúdo de aprendizagem” tentaram compreender o conteúdo de aprendizagem mais profundamente durante a sua aprendizagem do que aqueles que obtiveram pontuações baixas em ambos os itens. Assim, independentemente do seu nível de compreensão do conteúdo de aprendizagem, os alunos que tentaram compreender completamente os conteúdos de aprendizagem ficaram altamente satisfeitos com a sua própria aprendizagem, indicando a eficácia do estilo de aprendizagem proporcionado pelo sistema desenvolvido.

No geral, o sistema desenvolvido suporta a aprendizagem baseada em vídeo usando um mapa conceitual com perguntas para preencher as lacunas fornecidas para apoiar a compreensão do conteúdo de aprendizagem e a utilidade de cada função no experimento de campo, como no experimento de laboratório. Por outro lado, os alunos que utilizaram o sistema desenvolvido na experiência de campo deram notas mais baixas no pós-questionário do que aqueles na experiência de laboratório, sugerindo que os alunos que tentaram compreender profundamente os conteúdos de aprendizagem na experiência de campo foram menos do que aqueles que utilizaram o sistema desenvolvido na experiência de campo. aqueles no experimento de laboratório. Isso pode estar relacionado às atitudes dos alunos que participaram do experimento de campo. Eles verificaram suas respostas imediatamente após responderem e verificaram frequentemente o conteúdo de aprendizagem em vídeo. A razão para isto pode ser que eles não deram muita consideração à forma como as suas respostas se relacionavam com os rótulos de resposta circundantes no mapa conceptual, uma vez que verificam a resposta imediatamente após responder a cada pergunta. Investigar essas atitudes e os usos das funções do sistema desenvolvido está em nosso trabalho futuro.

6. Conclusão

O e-learning por meio de streaming de vídeo é amplamente utilizado na educação e nos negócios. No entanto, neste ambiente de aprendizagem, os alunos tendem a tornar-se passivos e os alunos que são incompatíveis com este estilo de aprendizagem têm dificuldade em compreender o conteúdo de aprendizagem. Assim, desenvolvemos um sistema de e-learning que incorpora um mapa conceitual do tipo perguntas para preencher as lacunas para aprofundar a compreensão dos alunos sobre os conteúdos de aprendizagem enquanto assistem a vídeos de aprendizagem. O sistema desenvolvido promove a aprendizagem ativa de forma reflexiva e lógica, permitindo que os alunos respondam rótulos de perguntas em branco em mapas conceituais a partir de conteúdo de vídeo e rótulos associados aos rótulos de perguntas em branco. Confirmamos no experimento de laboratório que o sistema desenvolvido encorajou o aluno a compreender melhor os conteúdos de aprendizagem enquanto assistia ao vídeo de aprendizagem e proporcionou a utilidade das funções do sistema desenvolvido. Além disso, é necessário um experimento de campo para investigar o uso e a eficácia do sistema desenvolvido em ambientes reais, a fim de aumentar a praticidade do sistema desenvolvido. Neste estudo, introduzimos o sistema desenvolvido nas duas turmas do curso uversity e investigamos o nível de compreensão dos conteúdos de aprendizagem, as operações do sistema e a utilidade do sistema desenvolvido comparando com aqueles do experimento de laboratório. Os resultados mostraram que o sistema desenvolvido proporcionou suporte à compreensão do conteúdo de aprendizagem e à utilidade de cada função no experimento de campo, como no experimento de laboratório. Por outro lado, os alunos da experiência de campo atribuíram menor utilidade ao sistema desenvolvido do que os da experiência de laboratório, sugerindo que os alunos que tentaram compreender completamente os conteúdos de aprendizagem na experiência de campo foram menos numerosos do que os da experiência de laboratório de suas operações de sistema durante o aprendizado.

Em nossos trabalhos futuros, realizaremos mais estudos de caso do sistema desenvolvido para obter mais conclusões sobre os efeitos de aprendizagem e atitudes dos alunos em ambientes práticos. Por exemplo, gostaríamos de investigar como as atitudes dos alunos em relação à aprendizagem por vídeo mudam e como a sua compreensão do conteúdo de aprendizagem é afetada através do uso contínuo do sistema desenvolvido num curso de aprendizagem por vídeo. Gostaríamos também de investigar as influências do sistema desenvolvido na capacidade dos alunos de gerir a sua própria aprendizagem através de um curso de aprendizagem em vídeo no qual os alunos decidem o seu próprio horário de aprendizagem.

Agradecimentos

Este trabalho foi apoiado pela concessão JSPS KAKENHI número 19K12264 e 23K11364.

Referências

[1] K.M. Alraimi, H. Zo, and A.P. Ciganek, “Understanding the MOOCs continuance: The role of openness and reputation,” Computers & Education, vol.80, pp.28-38, 2015.
CrossRef

[2] K.E. Chang, Y.T. Sung, and S.F. Chen, “Learning through computer-based concept mapping with scaffolding aid,” Journal of Computer Assisted Learning, vol.17, no.1, pp.21-33, 2001.
CrossRef

[3] L. Cimolino and J. Kay, “Verified Concept Mapping for Eliciting Conceptual Understanding,” Proc. ICCE2002, pp.1561-1563, 2002.
CrossRef

[4] L. Combs, “The Design, Assessment, and Implementation of a Web-Based Course,” Association for the Advancement of Computing in Education, vol.12, no.1, pp.27-37, 2004.

[5] A.C. Dalmolin, G.A. O. Mackeivicz, M.T. Pochapski, G.L. Pilatti, and F.A. Santos, “Learning styles preferences and e-learning experience of undergraduate dental students,” Revista de Odontologia da UNESP, vol.47, no.3, pp.175-182, 2018.
CrossRef

[6] K.E. DeLeeuw and R.E. Mayer, “A comparison of these measures of cognitive load: Evidence for separable measures of intrinsic, extraneous, and germane load,” Journal of Educational Psychology, vol.100, no.1, pp.223-234, 2008.
CrossRef

[7] J. Grau and J. Minguillon, “When procrastination leads to dropping out: analysing students at risk,” eLC Research Paper Series, vol.6, pp.63-74, 2013.

[8] P.J. Guo, J. Kim, and R. Rubin, “How video production affects student engagement: an empirical study of MOOC videos,” Proc. first ACM Learning@ scale conference, pp.41-50, 2014.
CrossRef

[9] T. Hasegawa and T. Hayama, “Developing a Video-based e-Learning System Incorporating a Fill-in-the-blank Question-type Concept Map,” Proc. International Conference on Computers in Education 2023, pp.34-39, 2023.

[10] Y. Hayashi, “Open Information Structure Approach to Learning Support and Management with Kit-build Concept Map,” The 4th International Conference on Education and Management (COEMA 2019), PB - Atlantis Press, pp.82-88, 2019.
CrossRef

[11] T. Hayama and S. Sato, “Supporting Online Video e-Learning with Semi-automatic Concept-Map Generation,” In: P. Zaphiris and A. Ioannou (eds), Learning and Collaboration Technologies. Designing, Developing and Deploying Learning Experiences. HCII 2020, Lecture Notes in Computer Science, vol.12205, pp.64-76, 2020.
CrossRef

[12] T. Hirashima, K. Yamasaki, H. Fukuda, and H. Funaoi, “Kit-Build Concept Map for Automatic Diagnosis,” Proc. AIED2011, Lecture Notes in Computer Science, vol.6738/2011, pp.466-468, 2011.
CrossRef

[13] E. Huang, S. Lin, and T. Huang, “What type of learning style leads to online participation in the mixed mode e-learning environment? A study of software usage instruction,” Computers & Education, vol.58, no.1, pp.338-349, 2012.
CrossRef

[14] H. Khalil and M. Ebner, “MOOCs Completion Rates and Possible Methods to Improve Retention - A Literature Review,” Proc. World Conference on Educational Multimedia, Hypermedia and Telecommunications 2014, pp.1236-1244, 2014.

[15] R.F. Kizilcec, K. Papadopulolos, and L. Sritanyaratana, “Showing face in video instruction: Effects on information retention, visual attention, and affect,” Proc. Annual SIGCHI Conference on Human Factors in Computing Systems, pp.2095-2102, 2014.
CrossRef

[16] C. Liu, J. Kim, and H.-C. Wang, “ConceptScape: Collaborative Concept Mapping for Video Learning,” Proc. 2018 CHI Conference on Human Factors in Computing Systems, Paper N.387, pp.1-12, 2018.
CrossRef

[17] R.E. Mayer, “Principles of multimedia learning based on social cues: Personalization, voice, and image principles,” In: R.E Mayer (ed), The Cambridge handbook of multimedia learning, Cambridge University Press, pp.201-212, 2005.
CrossRef

[18] N. Mduma, K. Kalegele, and D. Machuve, “Machine learning approach for reducing students dropout rates,” International Journal of Database Theory and Application, vol.9, no.8, pp.119-130, 2016.

[19] J.D. Novak, “Concept Mapping: A Useful Tool for Science Education,” Journal of Research in Science Teaching, vol.27, no.10, pp.937-949, 1990.
CrossRef

[20] A.S. Ozdemir, “Analyzing Concept Maps as an Assessment (Evaluation) Tool in Teaching Mathematics,” J Soc Sci, vol.1, no.3, pp.141-149, 2005.
CrossRef

[21] R. Schmid and G. Telaro, “Concept Mapping as an Instructional Strategy for High School Biology,” The Journal of Education Research, pp.78-85, 2015.

[22] O. Simpson, “22% - can we do better?” In: The CWP Retention Literature Review, p.47, 2010.

[23] O. Simpson, “Student retention in distance education: Are we failing our students?,” Open Learning: The Journal of Open, Distance and e-Learning, vol.28, no.2, pp.105-119, 2013.
CrossRef

[24] A. Tominaga and C. Kogo, “Developments and issues in practical studies of e-learning,” The Annual Report of Educational Psychology in Japan, vol.53, pp.156-165 (in Japanese), 2014.
CrossRef

[25] W. Wunnasri, J. Pailai, Y. Hayashi, and T. Hirashima, “Reciprocal Kit-Building of Concept Map to Share Each Other's Understanding as Preparation for Collaboration,” Proc. Artificial Intelligence and Education (AIED), pp.599-612, 2018.
CrossRef

[26] K. Yamasaki, H. Fukuda, T. Hirashima, and H. Funaoi, “Kit-Build Concept Map and Its Preliminary Evaluation,” Proc. ICCE2010, pp.290-294, 2010.

autores

Takumi HASEGAWA
  Nagaoka University of Technology

received the B.S. in Infomration and Management Systems Engineering of Nagaoka University of Technology in 2022. Currently he is a master course student in Infomration and Management Systems Engineering of Nagaoka University of Technology. His research interests include education engineering, e-learning support system, and visual thinking support tool.

Tessai HAYAMA
  Nagaoka University of Technology

received his B.E. degree in Knowledge Engineering from Doshisha University in 2001, and M.E. and Ph.D. degrees in Knowledge Science from Japan Advanced Institute of Science and Technology in 2003 and 2006, respectively. From 2006 to 2012, he was an Assistant Professor with Knowledge Science of Japan Advanced Institute of Science and Technology. From 2012 to 2016, he was an Associate Professor with Information Engineering of Kanazawa Institute of Technology. From 2016 to 2022, he was an Associate Professor with Information and Management Systems Engineering of Nagaoka University of Technology. Currently he is a Professor with Information and Management Systems Engineering of Nagaoka University of Technology. His research interests include knowledge systems, creative support systems and human interface.

Palavra-chave