РОЛЬ ПРОГРАММЫ CANVAS В УСПЕВАЕМОСТИ СТУДЕНТОВ: МОДЕЛИ ПРИНЯТИЯ ТЕХНОЛОГИЙ И АКАДЕМИЧЕСКОГО СОПРОТИВЛЕНИЯ (НА ПРИМЕРЕ УНИВЕРСИТЕТА НАРХОЗ)

Цель исследования – изучение жизнеспособности моделей принятия технологий (TAM) и академического сопротивления (ARM) для работы Moodle и Canvas в Университете Нархоз.
Методология. Методологической основой исследования является опрос 9 педагогов. Интервью было посвящено восприятию и опыту преподавателей в использовании платформ Moodle и Canvas. Это исследование выдвинуло гипотезу о применении приложений TAM и ARM для использования Canvas.
Вопросы были направлены на изучение того, как TAM и ARM могут объяснить практику преподавателей на платформах Moodle и Canvas. Затем данные, собранные в ходе интервью, были отправлены в Atlasti. Любая заинтересованность в использовании Canvas выявлен тематическим анализом.
Оригинальность / ценность исследования. Простое использование TAM не работает должным образом для Canvas. Вклад этого исследования в существующую литературу заключается в том, что отсутствуют исследования по влиянию TAM и ARM на платформы Canvas в Университете Нархоз.
Результаты исследования. В целом, большинство преподавателей удовлетворены качеством Canvas со следующими предложениями по улучшению:
- Использование Canvas преподавателями, связанными с когнитивными и эмоциональными установками ARM, различно.
- Дизайн курса имеет ту же структуру. Никакого другого воображения, связанного с дизайном курса, нет. Некоторые функции Canvas явно непонятны преподавателям.
- Canvas должен помочь контролировать студентов из группы риска для поддержания их успеваемости. С этой точки зрения, система PLA (предиктивная аналитика обучения) должна работать, чтобы контролировать успеваемость студентов.

1. Gasevic D., Dawson S., Rogers T. Learning analytics should not promote one size fits all: The effects of instructional conditions in predicating learning success // Internet and Higher Education. – 2016. – № 28. – P. 68-84. – DOI: https://doi.org/10.1016/j.iheduc.2015.10.002.

2. Viberg O., Hatakka M., Bälter O., Mavroudi A. The current landscape of learning analytics in higher education // Computers in Human Behavior. – 2018. – № 89. – P. 98-110. – DOI: https://doi.org/10.1016/j.chb.2018.07.027.

3. Barney J. Firm Resources and Sustained Competitive Advantage // Journal of Management. – 1991. – № 17. – P. 1-20. – DOI: https://doi.org/10.1177/014920639101700108.

4. Davenport T. H. Competing on Analytics // Harvard Business Review. – 2016. – № 84(1). – P. 98-107.

5. Shabbir M. Q., Gardezi S. B. Application of big data analytics and organizational performance: The mediating role of knowledge management practices // Journal of Big Data. – 2020. – № 7(1). – Article 47. – DOI: 10.1186/s40537-020-00317-6.

6. Sekli G., Vega I. Adoption of Big Data Analytics and its impact on Organizational performance in Higher Education Mediated by Knowledge Management // Journal of Open Innovation: Technology, Market, and Complexity. – 2021. – № 2. – P. 1-20. – DOI: https://doi.org/10.3390/joitmc7040221.

7. Tiropanis T., Hall W., Crowcroft I., Contractor N., Tassiulas L. Network science, web science, and internet science // Communications of the ACM. – 2015. – № 58(8). – P. 76–82. – DOI: https://doi.org/10.1145/2699416.

8. Pardos Z. A. Big data in education and the models that love them // Current Opinion in Behavioral Sciences. – 2017. – № 18. – P. 113-117. – DOI: 10.1016/j.cobeha.2017.11.006.

9. Laux Ch., Li N. Impacting Big Data analytics in higher education through Six Sigma techniques // International Journal of Productivity and Performance Management. – 2017. – № 66(5). – P. 15-21. – DOI: 10.1108/IJPPM-09-2016-0194.

10. Drigas A. S., Leliopoulos P. The Use of Big Data in Education // IJCSI International Journal of Computer Science Issues. – 2014. – Vol. 11. – № 5(1). – P. 58-63.

11. Herodotou Ch., Rientiis B., Boroowa A., Zdrahal Z., Hlosta M. A large‑scale implementation of predictive learning analytics in higher education: the teachers’ role and perspective // Educational Technology Research and Development. – 2019. – № 67. – P. 1-34. – DOI: 10.1007/s11423-019-09685-0.

12. Davis F. D. Perceived usefulness, perceived ease of use, and user acceptance of information technology // MIS Quarterly. – 1989. – № 13(3). – P. 319–340. – DOI: 10.2307/249008.

13. Davis F. D., Bagozzi R. P., Warshaw P. R. User acceptance of computer technology: A comparison of two theoretical models // Management Science. – 1989. – № 35(8). – P. 982-1002. – DOI: https://doi.org/10.1287/mnsc.35.8.982.

14. Teo T., Zhou M. The influence of teachers’ conceptions of teaching and learning on their technology acceptance // Interactive Learning Environments. – 2016. – № 25(4). – P. 513-527. – DOI: 10.1080/10494820.2016.1143844.

15. Bandura A. Theories of Cognitive Self-Regulation // Organizational Behavior and Human Decision Processes. – 1991. – № 50(2). – P. 248-287. – DOI: https://doi.org/10.1016/0749-5978(91)90022-L.

16. Mergel I. Big Data in Public Affairs Education // Journal of Public Affairs Education. – 2016. – № 22(2). – P. 928-937. – DOI: 10.1111/puar.12625.