Cách đánh giá người học bằng dữ liệu thận trọng hơn

Dữ liệu hành vi như số lần đăng nhập, thời gian xem bài, số lần tương tác hoặc tốc độ hoàn thành nhiệm vụ có thể phản ánh một phần quá trình học tập. Tuy nhiên, các dữ liệu này không tự động giải thích được nguyên nhân phía sau hành vi.

Ví dụ, một người học ít truy cập hệ thống có thể đang thiếu động lực, nhưng cũng có thể vì:

·         Đã nắm được kiến thức và không cần xem lại nhiều lần

·         Gặp khó khăn về thiết bị hoặc kết nối

·         Ưu tiên cách học khác ngoài nền tảng trực tuyến

·         Có khả năng tự học tốt hơn và không cần nhiều tương tác

Nếu chỉ nhìn vào một chỉ số hành vi, người đánh giá dễ biến một dấu hiệu quan sát được thành một kết luận về năng lực, thái độ hoặc mức độ cam kết của người học.

Sai lầm cốt lõi nằm ở việc nhầm lẫn giữa:

·         Dữ liệu quan sát được

·         Ý nghĩa được suy ra từ dữ liệu

Hai yếu tố này không phải lúc nào cũng giống nhau.

Dữ liệu hành vi chỉ là tín hiệu, không phải kết luận cuối cùng

Một nguyên tắc quan trọng khi đánh giá người học bằng dữ liệu là phân biệt giữa evidence và interpretation.

Dữ liệu có thể cho biết:

·         Người học đã làm gì

·         Khi nào họ tương tác

·         Mức độ tham gia trong một môi trường cụ thể

Nhưng dữ liệu không trực tiếp cho biết:

·         Người học có thực sự hiểu bài hay không

·         Người học có động lực hay không

·         Người học có khả năng áp dụng kiến thức hay không

Để đánh giá chính xác hơn, cần kết hợp nhiều nhóm bằng chứng khác nhau.

Ví dụ:

Cách tiếp cận thận trọng giúp tránh việc gắn nhãn người học dựa trên những tín hiệu chưa đầy đủ.

Cần kết hợp dữ liệu hành vi với dữ liệu về kết quả học tập

Dữ liệu hành vi chỉ nên là một phần trong hệ thống đánh giá.

Một mô hình đánh giá toàn diện hơn cần kết hợp:

Dữ liệu quá trình học tập

Bao gồm:

·         Mức độ tham gia hoạt động học tập

·         Cách người học tương tác với tài liệu

·         Quá trình thay đổi hành vi theo thời gian

Nhóm dữ liệu này giúp hiểu cách người học tiếp cận việc học.

Dữ liệu kết quả học tập

Bao gồm:

·         Điểm số

·         Chất lượng bài làm

·         Khả năng vận dụng kiến thức

·         Mức độ đạt mục tiêu học tập

Nhóm dữ liệu này phản ánh kết quả đầu ra thay vì chỉ phản ánh hành vi bên ngoài.

Dữ liệu bối cảnh

Bao gồm:

·         Điều kiện học tập

·         Mục tiêu cá nhân

·         Kinh nghiệm trước đó

·         Các yếu tố ảnh hưởng đến khả năng tham gia

Bối cảnh giúp giải thích vì sao cùng một hành vi có thể xuất phát từ những nguyên nhân khác nhau.

Tránh suy diễn bằng cách kiểm tra nhiều giả thuyết trước khi kết luận

Khi phát hiện một hành vi bất thường, người đánh giá không nên chỉ đặt một cách giải thích duy nhất.

Thay vào đó, cần xem xét nhiều khả năng.

Ví dụ:

Quan sát: Người học không hoàn thành nhiều bài tập

Có thể có nhiều nguyên nhân:

·         Chưa hiểu kiến thức nền tảng

·         Chưa phù hợp với phương pháp học hiện tại

·         Gặp trở ngại về thời gian

·         Không nhận thấy mục tiêu của nhiệm vụ học tập

·         Có vấn đề trong thiết kế hoạt động học

Việc đặt nhiều giả thuyết giúp giảm nguy cơ đánh giá sai.

Dữ liệu tốt không chỉ giúp trả lời “điều gì đang xảy ra”, mà còn cần hỗ trợ câu hỏi “vì sao điều đó xảy ra”.

Sử dụng dữ liệu theo hướng hỗ trợ người học thay vì gắn nhãn

Mục tiêu của đánh giá dữ liệu không nên chỉ là phân loại người học thành:

·         Tốt

·         Yếu

·         Chủ động

·         Thụ động

Cách tiếp cận này dễ tạo ra định kiến và làm mất đi khả năng thay đổi của người học.

Một hệ thống đánh giá hữu ích hơn nên tập trung vào:

·         Người học đang gặp khó khăn ở đâu

·         Họ cần hỗ trợ gì

·         Hành động can thiệp nào có thể cải thiện kết quả

·         Dữ liệu nào cần thu thập thêm để hiểu rõ hơn

Ví dụ, thay vì kết luận:

“Người học này thiếu động lực vì ít tương tác”

Có thể diễn giải thận trọng hơn:

“Dữ liệu hiện cho thấy mức độ tương tác thấp; cần kiểm tra thêm nguyên nhân và các chỉ báo học tập khác trước khi đưa ra nhận định.”

Thiết lập giới hạn khi sử dụng dữ liệu để đánh giá người học

Mọi mô hình đánh giá bằng dữ liệu đều cần có giới hạn rõ ràng.

Một số nguyên tắc quan trọng:

·         Không sử dụng một chỉ số duy nhất để đưa ra kết luận lớn

·         Không đánh đồng hành vi với phẩm chất cá nhân

·         Không bỏ qua yếu tố bối cảnh

·         Không coi dự đoán từ dữ liệu là sự thật tuyệt đối

·         Luôn cho phép người học được giải thích hoặc bổ sung thông tin

Dữ liệu càng có ảnh hưởng đến quyết định quan trọng, yêu cầu về kiểm chứng và giải thích càng cao.

Đánh giá người học bằng dữ liệu hiệu quả cần dựa trên sự kết hợp giữa dữ liệu và phán đoán chuyên môn

Dữ liệu giúp mở rộng khả năng quan sát người học, nhưng không thể thay thế hoàn toàn sự hiểu biết về con người và quá trình học tập.

Một cách đánh giá thận trọng cần kết hợp:

·         Dữ liệu hành vi để nhận diện tín hiệu

·         Dữ liệu kết quả để kiểm tra tác động

·         Dữ liệu bối cảnh để giải thích nguyên nhân

·         Phán đoán chuyên môn để đưa ra quyết định phù hợp

Giá trị của dữ liệu không nằm ở việc tạo ra nhiều kết luận hơn, mà nằm ở khả năng giúp con người đưa ra những nhận định chính xác, công bằng và có cơ sở hơn.