Toldi, Lajos (2024) A tanulói motiváció kiaknázása intelligens oktatórendszerekben (kiaknázatlan elkötelezettség: a tanulói motiváció modellezése intelligens oktatórendszerekben) In: Agria Média 2023. Eger, Eszterházy Károly Katolikus Egyetem Líceum Kiadó. pp. 218-231.
![[thumbnail of 218_Toldi.pdf]](http://publikacio.uni-eszterhazy.hu/style/images/fileicons/text.png) |
pdf
218_Toldi.pdf Download (495kB) [error in script] |
Absztrakt (kivonat)
Azzal, hogy az intelligens oktatórendszerek (ITS, Intelligent Tutoring System) a tanulást egyre élményszerűbbé kívánják alakítani, a modern oktatás mind hatékonyabb eszközeivé válnak. Ezt az élményszerűséget, ami egyúttal a tanulási célok elérésének sikerét is szolgálja, az ITS-ek leginkább a tanuló egyéni igényeihez, képességeihez és tudásszintjéhez igazított, személyre szabott tanulási útvonalak biztosításával érik el. Az adaptivitás mértéke azonban tovább fokozható. Tanulmányok sora – például (Waschull, 2005), (Hartnett, 2016), (Urhahne & Wijnia, 2023) – mutat rá arra, hogy a különböző digitális oktatási platformok kapcsán, minden olyan esetben, amikor a tanulók a tanárok közvetlen beavatkozása nélkül vesznek részt a tanulási folyamatban, az elköteleződés, a tanulói motivációs állapot különösen meghatározó szerephez jut. Tanulmányunk a digitális platformok, ezen belül is az ITS-ek és a tanulói motiváció közötti összetett kapcsolat feltárására törekszik, annak lehetőségeit vizsgálva, hogy ezek a rendszerek miként térképezhetik fel és hasznosíthatják, szükség esetén adaptív beavatkozás révén tarthatják fenn, vagy továbbmenve, a kívánt szintre transzformálhatják a tanuló aktuális motivációs állapotát a tanulási folyamat során. A vonatkozó kutatási eredmények – például (Heckhausen, 2000), (Aunger & Curtis, 2013), (Urhahne & Wijnia, 2023) – rendre bizonyítják, hogy a mindenkor megélt motivációs állapotunkat számos dimenzió együttesen határozza meg. Ezen dimenziók jelentős hányada a digitális tanulási folyamat során is jelen van, az intrinzik motivációtól kezdve (például egy feladat vállalása a benne rejlő örömért (Ryan & Deci, 2000b)), a külső jutalmak vagy tényezők által irányított (extrinsic) motiváción át (Ryan & Deci, 2000a), egészen a teljesítmény motivációig (Ames & Archer, 1988). Továbbá az olyan ismert elméletek, mint az önhatékonyság (Zimmerman, 2000), az elvárás elmélet (Wigfield & Eccles, 2000) vagy a kimutatott, különféle teljesítményorientációk (Elliot & McGregor, 2001) esetleges figyelembevétele még bonyolultabbá és sokrétűbbé teszik a kiaknázni kívánt motivációs mixet. Tanulmányunkban arra törekszünk, hogy átfogó képet nyújtsunk a tanulást alátámasztó motivációs állapot-modellekről, bemutassuk azoknak a tanulási eredményekre gyakorolt kritikus hatásait, majd megvizsgáljuk az ITS-nek a motivációs állapot felismerésére és annak kiaknázására szolgáló jelenlegi lehetőségeit. Kutatásunk eredményei rávilágítanak arra, hogy jelenlegi lehetőségek, amik a tanulók motivációs állapotának azonosítására és az erre alapuló adaptációra irányulnak, egy-egy motivációs síkra egyszerűsített megközelítéseket alkalmaznak. A modellek még nem veszik figyelembe a motivációs dimenziók összetett, paralel változó állapotait, ami korlátozhatja az adaptáció hatékonyságát. Ezért felvetjük annak szükségességét, hogy további részletes kutatásokat végezzünk ezen a területen, hogy a jövőben még jobban megérthessük, ezáltal még hatékonyabbá tudjuk tenni a motivációs állapotoknak a hatékony adaptációban betöltött szerepét. ----- HARNESSING LEARNERS’ MOTIVATION IN INTELLIGENT TUTORING SYSTEMS (UNTAPPED ENGAGEMENT: MODELING LEARNERS’ MOTIVATION IN INTELLIGENT TUTORING SYSTEMS) Intelligent Tutoring Systems (ITS), with their focus on experiential learning, are emerging as increasingly effective tools in modern education. The best way to achieve this experiential learning, which is also a means to achieve learning objectives, is through the provision of personalised learning pathways tailored to the individual needs, abilities and knowledge levels of given learner. Nevertheless, there exists potential to augment the level of adaptiveness within these frameworks. Several studies - for example, studies by Waschull (2005), Hartnett (2016), and Urhahne & Wijnia (2023) show that in the context of different digital learning platforms, whenever learners are engaged in the learning process without direct intervention by teachers, engagement and learner motivation play a particularly crucial role. Our study explores the intricate relationship between digital platforms, including ITSs, and learner motivation, examining how these systems can identify, harness, and, if necessary, adaptively transform a learner’s motivational state to optimize the learning process. Relevant research findings, such as (Heckhausen, 2000), (Aunger & Curtis, 2013), (Urhahne & Wijnia, 2023), have consistently demonstrated that our motivational state at any given time is determined by a combination of dimensions. These dimensions, present in the digital learning process, range from intrinsic motivation, for example undertaking a task for the pleasure it provides (Ryan & Deci, 2000b), to extrinsic motivation (Ryan & Deci, 2000a), and achievement motivation (Ames & Archer, 1988). Furthermore, the possible inclusion of well-known theories, including self-efficacy (Zimmerman, 2000), expectancy theory (Wigfield & Eccles, 2000) or the demonstrated variety of performance orientations (Elliot & McGregor, 2001) adds further complexity and diversity to the motivational mix which deserves further attention in order to fully appreciate its intricate nature and potential influence on motivation in context of digital learning. In our study, we aim to provide a comprehensive overview of the motivational state models underpinning learning, describe their critical implications for learning outcomes, and then examine the current potential of ITS for motivational state detection and exploitation. The results of our research highlight that current options for identifying and adapting to learners' motivational states are based on simplified approaches to a single motivational plane. Current models fail to consider the dynamic interplay of diverse motivational factors, potentially hindering their ability to adapt effectively. Consequently, we advocate for more detailed research in this domain to deepen our understanding and more effectively address the intricate dynamics of motivational states.
| Mű típusa: | Könyvrészlet - Book section |
|---|---|
| Szerző: | Szerző neve Email MTMT azonosító ORCID azonosító Közreműködés Toldi, Lajos NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző |
| Kapcsolódó URL-ek: | |
| Kulcsszavak: | intelligens oktatórendszer, adaptivitás, tanulói motiváció, személyre szabott tanulás, önszabályozott tanulás, tanulóközpontú megközelítés ----- intelligent tutoring, adaptivity, learner motivation, personalised learning, self-regulated learning, learner-centred approach |
| Nyelv: | magyar |
| DOI azonosító: | 10.17048/AM.2023.218 |
| Felhasználó: | Tibor Gál |
| Dátum: | 25 Szep 2024 09:58 |
| Utolsó módosítás: | 29 Nov 2024 08:54 |
| URI: | http://publikacio.uni-eszterhazy.hu/id/eprint/8206 |
 |
Tétel nézet |
