Phân biệt dữ liệu định lượng và định tính trong học tập

Hai loại dữ liệu này không thay thế nhau. Khi được kết hợp, chúng tạo ra bức tranh đầy đủ hơn về năng lực, tiến trình và hành vi học tập của người học.

Dữ liệu định lượng trong học tập phản ánh điều gì?

Dữ liệu định lượng là các thông tin được biểu diễn bằng số liệu, có thể đo lường, thống kê và so sánh. Trong môi trường học tập số, loại dữ liệu này thường được thu thập tự động từ hệ thống quản lý học tập, nền tảng khóa học trực tuyến hoặc các công cụ đánh giá.

Một số ví dụ về dữ liệu định lượng trong học tập gồm:

·         Điểm số bài kiểm tra

·         Tỷ lệ hoàn thành khóa học

·         Số lần đăng nhập vào hệ thống

·         Thời gian học trực tuyến

·         Số lượng bài tập đã nộp

·         Tỷ lệ trả lời đúng trong từng dạng câu hỏi

·         Mức độ tương tác với tài liệu học tập

Giá trị chính của dữ liệu định lượng nằm ở khả năng trả lời các câu hỏi như:

·         Người học đạt kết quả ở mức nào?

·         Xu hướng tiến bộ có thay đổi theo thời gian không?

·         Nhóm người học nào đang gặp khó khăn?

·         Hoạt động học tập nào có mức độ tham gia cao hơn?

Ví dụ, một hệ thống học tập số có thể phát hiện rằng 70% người học hoàn thành một mô-đun trong khóa học nhưng chỉ có 45% đạt điểm trên mức yêu cầu. Dữ liệu này cho thấy có vấn đề về mức độ hiểu bài, nhưng chưa giải thích được nguyên nhân.

Dữ liệu định tính trong học tập giải thích điều gì?

Dữ liệu định tính tập trung vào nội dung, trải nghiệm, nhận xét và hành vi của người học thay vì các con số. Loại dữ liệu này giúp khám phá những yếu tố khó đo lường trực tiếp như động lực học tập, cảm nhận, khó khăn nhận thức hoặc nguyên nhân phía sau một kết quả.

Các nguồn dữ liệu định tính phổ biến gồm:

·         Phản hồi của người học

·         Nhận xét của giảng viên

·         Phỏng vấn người học

·         Thảo luận trực tuyến

·         Nhật ký học tập

·         Phân tích câu trả lời tự luận

·         Quan sát quá trình học

Dữ liệu định tính giúp trả lời các câu hỏi mà dữ liệu số thường không giải thích được:

·         Vì sao người học đạt điểm thấp?

·         Nội dung nào khiến người học khó hiểu?

·         Người học cảm thấy phương pháp học có phù hợp không?

·         Yếu tố nào ảnh hưởng đến khả năng tiếp thu?

Ví dụ, nếu dữ liệu định lượng cho thấy nhiều người học bỏ dở một khóa học ở cùng một chương, dữ liệu định tính có thể phát hiện nguyên nhân là nội dung quá khó, hướng dẫn chưa rõ ràng hoặc thời lượng bài học chưa phù hợp.

Dữ liệu định lượng và định tính khác nhau như thế nào?

Sự khác biệt cốt lõi là dữ liệu định lượng cho biết điều gì đang xảy ra, còn dữ liệu định tính giúp hiểu tại sao điều đó xảy ra.

Vì sao đánh giá học tập số cần kết hợp hai loại dữ liệu?

Đánh giá học tập số ngày càng dựa vào nhiều nguồn dữ liệu để hiểu toàn diện quá trình học. Chỉ sử dụng dữ liệu định lượng có thể dẫn đến việc nhìn nhận người học qua các chỉ số mà bỏ qua nguyên nhân phía sau.

Ngược lại, chỉ sử dụng dữ liệu định tính có thể khó xác định mức độ phổ biến của một vấn đề hoặc khó theo dõi sự thay đổi theo thời gian.

Khi kết hợp hai loại dữ liệu:

·         Dữ liệu định lượng phát hiện vấn đề hoặc xu hướng

·         Dữ liệu định tính giải thích nguyên nhân của vấn đề

·         Dữ liệu định lượng kiểm chứng mức độ ảnh hưởng

·         Dữ liệu định tính hỗ trợ điều chỉnh phương pháp dạy và học

Ví dụ:

Một nền tảng học tập nhận thấy điểm trung bình của một nhóm người học giảm 15% sau khi chuyển sang nội dung mới. Đây là phát hiện từ dữ liệu định lượng. Sau đó, khảo sát người học cho thấy nhiều người gặp khó khăn vì thiếu ví dụ thực tế trong bài giảng. Đây là thông tin từ dữ liệu định tính. Kết hợp hai nguồn dữ liệu giúp giảng viên biết không chỉ rằng kết quả giảm, mà còn biết cần cải thiện phần nào.

Ứng dụng kết hợp dữ liệu định lượng và định tính trong học tập số

Việc kết hợp hai loại dữ liệu có thể hỗ trợ nhiều hoạt động quản lý và cải thiện học tập.

Cá nhân hóa trải nghiệm học tập

Dữ liệu định lượng giúp xác định mức độ tiến bộ, tốc độ học và điểm yếu của từng người học. Dữ liệu định tính giúp hiểu sở thích, khó khăn và nhu cầu hỗ trợ riêng.

Từ đó, hệ thống học tập có thể đề xuất:

·         Nội dung bổ sung phù hợp

·         Bài tập theo mức độ năng lực

·         Hình thức hỗ trợ phù hợp với từng người học

Cải thiện chất lượng khóa học

Các chỉ số như tỷ lệ hoàn thành, điểm kiểm tra và thời gian học giúp phát hiện những phần nội dung có vấn đề. Phản hồi của người học giúp xác định cách cải thiện nội dung, cấu trúc bài học hoặc phương pháp giảng dạy.

Hỗ trợ ra quyết định giáo dục

Nhà quản lý và giảng viên có thể sử dụng dữ liệu kết hợp để:

·         Đánh giá hiệu quả chương trình học

·         Xác định nhóm người học cần hỗ trợ

·         Điều chỉnh chiến lược giảng dạy

·         Đo lường tác động của các thay đổi trong khóa học

Những giới hạn khi chỉ sử dụng một loại dữ liệu

Dữ liệu định lượng có ưu thế về khả năng đo lường nhưng có thể không phản ánh đầy đủ trải nghiệm học tập.

Một người học có điểm số thấp có thể gặp nhiều nguyên nhân khác nhau:

·         Thiếu thời gian học

·         Khó tiếp cận tài liệu

·         Chưa hiểu phương pháp học

·         Gặp khó khăn về động lực

Nếu chỉ nhìn vào điểm số, người đánh giá có thể đưa ra kết luận chưa chính xác.

Dữ liệu định tính cung cấp nhiều bối cảnh hơn nhưng cũng có giới hạn:

·         Khó tổng hợp ở quy mô lớn

·         Có thể chịu ảnh hưởng bởi góc nhìn cá nhân

·         Cần phương pháp phân tích phù hợp để rút ra kết luận

Vì vậy, đánh giá học tập số hiệu quả cần cân bằng giữa khả năng đo lường của dữ liệu định lượng và chiều sâu giải thích của dữ liệu định tính.

Kết hợp dữ liệu định lượng và định tính tạo ra đánh giá học tập toàn diện hơn

Dữ liệu định lượng và dữ liệu định tính giữ hai vai trò bổ sung trong đánh giá học tập số. Dữ liệu định lượng cung cấp bằng chứng về kết quả, mức độ tham gia và xu hướng học tập. Dữ liệu định tính cung cấp bối cảnh để hiểu nguyên nhân, trải nghiệm và nhu cầu của người học.

Một hệ thống đánh giá hiệu quả không chỉ hỏi người học đạt kết quả bao nhiêu, mà còn cần hiểu vì sao họ đạt kết quả đó và cần hỗ trợ như thế nào để tiến bộ.

Sự kết hợp giữa hai loại dữ liệu giúp chuyển đánh giá học tập từ việc chỉ đo lường kết quả sang việc hiểu và cải thiện toàn bộ quá trình học tập.