Predicting learning outcomes and motivating student achievement in interactive learning environments: guidelines for learning design

Abstract

De siste årene har e-læring fått betydelig oppmerksomhet. Gode e-læringsplattformer kjennetegnes ved å kunne gi studentene tilstrekkelig veiledning for å kunne fasilitere aktiv læring. En av de viktigste utfordringene involverer å identifisere den optimale kombinasjonen av læringsinnhold og tilbakemeldingsmekanismer som både maksimerer studentenes læringsresultater og fremmer engasjement. Tradisjonelle e-læringsplattformer tilbyr som regel upersonaliserte løsninger, uten klare retningslinjer for å designe gode brukerstyrte dashboards. Oppgaven bidrar med et nytt e-læring dashboard som tillater tilpasningsalternativer til studenten, og oppgaver i objektorientert programmering med progresjonssporing. Programmet ble testet under et eksperiment på en måned på studenter (n=73) fra Universitetet i Sørøst-Norge. Gjennom testperioden løste de 4630 oppgaver til sammen. Under dataanalysen ble det oppdaget hvilke lavnivå predikatorer som påvirker læringsutbytte. Selv om det ble funnet sterke korrelasjoner, bidro determinasjonskoeffisienten (R^2) til en minimal variasjon i læringsresultatene. Videre fant studien at de som valgte å delta i et konkurransefremmende miljø, viste tendenser til å oppnå høyere nivå av læringsresultat. Til slutt gir studien retningslinjer for å designe effektive dashboards for læringsanalyse. Ved å gi innsikt i disse to aspektene, har oppgaven som mål å bidra til feltet e-læring og foreslå nye retninger for fremtidig forskning.

The field of e-learning has received significant attention over the last few years. The effectiveness of e-learning platforms lies in whether they can give the students appropriate guidance through their learning journey while keeping them engaged and motivated. One of the key challenges involves determining the optimal combination of learning content, engagement tactics, and feedback mechanisms that maximize the student's learning outcomes and foster engagement. Traditional e-learning platforms typically offer the students a one-size-fits-all approach, lacking definite solutions for designing learner analytics dashboards. The thesis contributes with a new LA dashboard that offers customization options and facilitates solving object-oriented programming tasks with corresponding progress tracking. The application was tested during a one-month experiment on students (n=73) from the University of South-Eastern Norway. They generated 4630 exercise data entries. The following data analysis discovered which low-level on-task predictors influence the learning outcome. While strong correlations were found, the explanatory power (R-squared) contributed to a low explanation of variance in learning outcomes. Moreover, the study found that those who chose to participate in a competitive environment tended to show higher learning outcomes. Finally, the study provides guidelines for designing effective learner analytics dashboards. By providing insights into these two aspects, the thesis aims to contribute to the e-learning field and proposes new directions for future research.