Cách cải thiện trải nghiệm học tập số từ hành vi người học

Tuy nhiên, dữ liệu hành vi chỉ có giá trị khi được chuyển thành quyết định thiết kế. Một người học rời khỏi bài học sớm chưa chắc vì nội dung kém; họ có thể đang thiếu kiến thức nền, gặp khó khăn với giao diện, bị quá tải thông tin hoặc đơn giản là không thấy bước tiếp theo đủ rõ ràng.

Vì vậy, cải thiện trải nghiệm học tập số nên được xem là một vòng lặp liên tục: quan sát hành vi → giải thích nguyên nhân → điều chỉnh trải nghiệm → đo lại kết quả.

Hiểu hành vi người học trước khi thay đổi trải nghiệm

Bước đầu tiên không phải là chọn công cụ phân tích mà là xác định hành vi nào thực sự có ý nghĩa đối với mục tiêu học tập.

Có thể chia tín hiệu hành vi thành bốn nhóm chính.

Hành vi tiếp cận cho biết người học vào bài học như thế nào: họ bắt đầu từ đâu, sử dụng thiết bị nào, mất bao lâu để tìm được nội dung cần học và có bỏ qua những phần quan trọng hay không.

Hành vi tương tác phản ánh mức độ tham gia: số lần thực hiện bài tập, xem lại nội dung, sử dụng tài liệu bổ trợ, đặt câu hỏi hoặc tương tác với hoạt động học tập.

Hành vi tiến trình cho thấy người học đang đi đến đâu: tỷ lệ hoàn thành, thời gian giữa các bước, điểm dừng và những đoạn có tỷ lệ bỏ cuộc cao.

Hành vi kết quả liên quan đến mức độ đạt mục tiêu: điểm đánh giá, tỷ lệ hoàn thành nhiệm vụ, khả năng áp dụng kiến thức hoặc mức độ cải thiện sau khi học.

Điểm quan trọng là không nên đánh đồng hành vi với nguyên nhân. Một chỉ số chỉ cho biết điều gì đang xảy ra; để biết tại sao xảy ra, cần kết hợp dữ liệu định lượng với phản hồi trực tiếp, quan sát, phỏng vấn hoặc phân tích nội dung.

Phân tích hành vi để tìm đúng điểm ma sát

Sau khi thu thập dữ liệu, mục tiêu không phải là tạo ra thật nhiều báo cáo mà là tìm những điểm làm gián đoạn quá trình học.

Một quy trình thực tế có thể bắt đầu từ funnel học tập:

Người học bắt đầu bài → xem nội dung → tương tác → thực hiện nhiệm vụ → hoàn thành → đạt kết quả.

Ở mỗi bước, có thể theo dõi các chỉ số như tỷ lệ tiếp tục sang bước kế tiếp, thời gian trung bình giữa các bước, tỷ lệ bỏ cuộc và tỷ lệ quay lại.

Chẳng hạn, nếu nhiều người học xem hết một video nhưng tỷ lệ hoàn thành bài tập ngay sau đó thấp, vấn đề có thể nằm ở khoảng cách giữa phần giải thích và phần thực hành. Khi đó, chỉ tăng thời lượng video sẽ không giải quyết được nguyên nhân. Thiết kế tốt hơn có thể là thêm ví dụ chuyển tiếp, câu hỏi kiểm tra nhanh hoặc một nhiệm vụ thực hành nhỏ trước khi chuyển sang bài lớn.

Tương tự, nếu người học thường xuyên quay lại cùng một đoạn nội dung, đó có thể là tín hiệu cho thấy khái niệm này quan trọng nhưng khó hiểu. Thay vì coi việc xem lại là hành vi tiêu cực, hệ thống có thể dùng nó như dấu hiệu để bổ sung giải thích, ví dụ hoặc hỗ trợ đúng thời điểm.

Một nguyên tắc quan trọng là ưu tiên chỉ số gắn với mục tiêu học tập, thay vì chỉ tối ưu các chỉ số dễ đo. Thời gian trên nền tảng tăng không đồng nghĩa với trải nghiệm tốt hơn nếu người học mất nhiều thời gian vì không tìm được nội dung hoặc không biết phải làm gì tiếp theo.

Từ dữ liệu hành vi đến điều chỉnh trải nghiệm cá nhân hóa

Phân tích chỉ tạo ra giá trị khi dẫn đến thay đổi cụ thể trong trải nghiệm.

Có thể điều chỉnh theo bốn hướng.

Điều chỉnh nội dung

Nếu dữ liệu cho thấy người học liên tục gặp khó khăn ở một khái niệm, nội dung nên được chia nhỏ hơn, bổ sung ví dụ hoặc thay đổi cách giải thích. Với những phần đã được nắm vững, có thể giảm nội dung lặp lại để người học tiến nhanh hơn.

Điều chỉnh nhịp độ

Người học không nhất thiết cần cùng một tốc độ. Những tín hiệu như số lần xem lại, thời gian hoàn thành và kết quả bài tập có thể giúp hệ thống gợi ý học chậm hơn ở phần khó hoặc chuyển nhanh hơn ở phần đã thành thạo.

Điều chỉnh hỗ trợ

Không phải mọi người học đều cần cùng một loại trợ giúp. Một số người cần gợi ý ngắn; một số cần ví dụ; số khác cần ôn lại kiến thức nền. Hệ thống có thể dùng hành vi trước đó để cung cấp hỗ trợ phù hợp thay vì đưa cùng một thông báo cho tất cả.

Điều chỉnh giao diện và hành trình

Nếu người học thường xuyên quay lại menu, tìm kiếm cùng một tài liệu hoặc dừng ở một bước thao tác, vấn đề có thể nằm ở thiết kế trải nghiệm chứ không phải nội dung. Khi đó cần cải thiện điều hướng, nhãn nút, thứ tự nhiệm vụ hoặc khả năng hiển thị bước tiếp theo.

Mục tiêu của cá nhân hóa không phải là tạo ra một phiên bản khóa học hoàn toàn khác cho từng người. Giá trị lớn hơn nằm ở việc giảm những ma sát không cần thiết để người học tập trung vào nhiệm vụ nhận thức chính.

Đo hiệu quả bằng các chỉ số phản ánh hành vi và kết quả

Để biết một thay đổi có thực sự cải thiện trải nghiệm hay không, cần đo trước và sau khi triển khai.

Một bộ chỉ số thực tế có thể gồm:

·         Tỷ lệ bắt đầu và hoàn thành bài học

·         Tỷ lệ bỏ cuộc tại từng bước

·         Thời gian hoàn thành nhiệm vụ

·         Tỷ lệ quay lại nội dung

·         Tần suất sử dụng trợ giúp

·         Tỷ lệ hoàn thành bài tập

·         Điểm hoặc mức độ đạt mục tiêu học tập

·         Tỷ lệ người học quay lại sau một khoảng thời gian

·         Mức độ hài lòng hoặc phản hồi về trải nghiệm

Nên phân biệt chỉ số hành vi và chỉ số kết quả. Ví dụ, thời gian xem nội dung là một tín hiệu hành vi; khả năng hoàn thành nhiệm vụ học tập là một kết quả gần hơn với mục tiêu.

Có thể sử dụng công thức vận hành đơn giản:

Tín hiệu hành vi → Giả thuyết về nguyên nhân → Thay đổi thiết kế → Chỉ số kết quả → Kiểm chứng

Cách làm này tránh lỗi phổ biến là nhìn thấy một chỉ số xấu rồi lập tức thay đổi sản phẩm mà chưa xác định nguyên nhân.

Quan trọng hơn, nên theo dõi cả tác dụng phụ. Một thay đổi giúp tăng tỷ lệ hoàn thành nhưng làm giảm chất lượng kết quả hoặc tăng sự phụ thuộc vào gợi ý chưa chắc là một cải tiến thực sự.

Thiết lập vòng lặp cải tiến dựa trên hành vi người học

Cải thiện trải nghiệm học tập số bền vững cần một vòng lặp có cấu trúc thay vì các thay đổi rời rạc.

Đầu tiên, xác định một vấn đề đủ cụ thể, chẳng hạn tỷ lệ bỏ cuộc cao tại bước làm bài tập.

Tiếp theo, thu thập nhiều tín hiệu để hình thành giả thuyết. Dữ liệu hành vi có thể cho biết người học dừng ở đâu; phản hồi trực tiếp có thể giúp giải thích nguyên nhân.

Sau đó, thiết kế một thay đổi có thể kiểm chứng. Thay vì sửa toàn bộ khóa học, chỉ nên điều chỉnh một yếu tố có quan hệ rõ với vấn đề đang nghiên cứu.

Cuối cùng, so sánh kết quả trước và sau thay đổi. Nếu cải thiện xuất hiện ổn định, thay đổi có thể được mở rộng. Nếu không, cần quay lại giả thuyết ban đầu.

Vòng lặp này đặc biệt hiệu quả khi tổ chức xây dựng một bảng theo dõi đơn giản gồm hành vi, vấn đề, giả thuyết, thay đổi, chỉ số đo và kết quả. Nhờ đó, quyết định cải tiến dựa trên bằng chứng thay vì cảm nhận riêng của đội ngũ.

Những giới hạn cần lưu ý khi sử dụng dữ liệu hành vi

Phân tích hành vi người học có thể tạo ra thông tin rất chi tiết, nhưng không phải dữ liệu nào cũng có thể được diễn giải trực tiếp.

Một người học tương tác ít có thể vẫn hiểu bài. Một người học tương tác nhiều có thể đang loay hoay. Vì vậy, không nên dùng một chỉ số duy nhất để đánh giá chất lượng trải nghiệm hoặc năng lực của người học.

Ngoài ra, cần chú ý đến quyền riêng tư, mức độ minh bạch và mục đích sử dụng dữ liệu. Người học nên biết loại dữ liệu nào được thu thập và dữ liệu được dùng để cải thiện trải nghiệm theo cách nào.

Giới hạn quan trọng nhất là tránh biến phân tích hành vi thành cơ chế giám sát. Mục tiêu cuối cùng của dữ liệu là giúp người học học hiệu quả hơn, không phải chỉ tạo ra thêm điểm số về hành vi.

Cải thiện trải nghiệm học tập số bằng hành vi người học hiệu quả nhất khi dữ liệu không dừng ở việc mô tả người học đang làm gì. Giá trị thực sự xuất hiện khi dữ liệu được dùng để tìm nguyên nhân, điều chỉnh nội dung, nhịp độ, hỗ trợ và hành trình học, sau đó đo lại kết quả bằng những chỉ số gắn với mục tiêu học tập.