СТУДЕНТТЕРДІҢ ҮЛГЕРІМІНДЕ CANVAS БАҒДАРЛАМАСЫНЫҢ РӨЛІ: ТЕХНОЛОГИЯЛАРДЫ ҚАБЫЛДАУ МЕН АКАДЕМИЯЛЫҚ КЕДЕРГІ МОДЕЛЬДЕРІ (НАРХОЗ УНИВЕРСИТЕТІ МЫСАЛЫНДА)

Зерттеудің мақсаты – Нархоз Университетінде Moodle және Canvas қолдану үшін Технологияларды қабылдау (TAM) және Академиялық қарсылық (ARM) модельдері қалай жұмыс істейтінін зерттеу.
Әдіснамасы. Зерттеудің әдістемелік негізі 9 оқытушының сұхбаты болып табылады. Сұхбат мұғалімдердің Moodle және Canvas платформасын пайдалану тәжірибесіне және қабылдауына арналды. Бұл зерттеуде Canvas пайдалану үшін TAM және ARM қолданбалары гипотеза болды.
Сұрақтар Moodle және Canvas платформасында TAM және ARMге қатысты оқытушылар тәжірибесін қалай түсіндіре алатынын зерттеуге бағытталған. Содан кейін Atlasti-ге берілген сұхбаттар арқылы деректер жинақталған. Тақырыптық талдау арқылы Canvas-ты пайдалануға кез келген қызығушылық анықталған.
Зерттеудің бірегейлігі / құндылығы. TAM-ды оңай пайдалану Canvas үшін оңтайлы жұмыс істемейді. Бұл зерттеудің қазіргі әдебиеттерге қосқан үлесі Нархоз Университетіндегі Canvas платформасына қатысты TAM және ARM қалай жұмыс істейтіні туралы нәтижелердің болмауымен анықталады.
Зерттеу нәтижелері. Жалпы алғанда, оқытушылардың көпшілігі Canvas сапасына қанағаттанады және жақсарту бойынша келесі ұсыныстары бар:
- ARM когнитивтік және эмоционалдық қатынасына байланысты оқытушылардың Canvas қолдануы әртүрлі.
- Курс дизайнының құрылымы бірдей. Курс дизайнына қатысты басқа іздемпаздық тапшы. Canvas-тың кейбір функциялары оқытушылар үшін анық емес.
- Canvas тәуекел тобындағы студенттерді олардың үлгерімін сақтау үшін бақылауға көмектесуі керек. Осы тұрғыдан алғанда, PLA (болжалды оқыту аналитикасы) жүйесі оқушылардың үлгерімін бақылау үшін жұмыс істеуі керек.

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.