Les Éducateurs Adoptent l'Analytique Multi-échelle pour Aider les Étudiants à Mieux Comprendre Leurs Processus de Conception

Table des liens

Abstrait et 1. Introduction

1. Travaux antérieurs et 2.1 Objectifs éducatifs des activités d'apprentissage

   2.2 Conception multi-échelle

   2.3 Évaluation de la conception visuelle créative

   2.4 Analyse de l'apprentissage et tableaux de bord

2. Artefact/Sonde de recherche

   3.1 Environnement de conception multi-échelle

   3.2 Intégration d'un tableau de bord d'analyse de conception à l'environnement de conception multi-échelle

3. Méthodologie et contexte

   4.1 Contextes des cours

   4.2 Entretiens avec les instructeurs

4. Résultats

   5.1 Acquérir des connaissances et informer l'action pédagogique

   5.2 Support pour l'exploration, la compréhension et la validation des analyses

   5.3 Utilisation des analyses pour l'évaluation et le feedback

   5.4 Les analyses comme source potentielle d'auto-réflexion pour les étudiants

5. Discussion + Implications : Contextualisation : Analyses pour soutenir l'éducation en design

   6.1 Indexicalité : Démontrer les analyses de conception en les reliant à des instances

   6.2 Soutenir l'évaluation et le feedback dans les cours de design grâce aux analyses de conception multi-échelle

   6.3 Limites des analyses de conception multi-échelle

6. Conclusion et Références

A. Questions d'entretien

\

5.3 Utilisation des analyses pour l'évaluation et le feedback

Plus la taille des classes de design continue d'augmenter, plus les instructeurs sont confrontés au défi de trouver le temps de fournir des niveaux optimaux de feedback à chaque étudiant [47]. Des études antérieures ont trouvé que les analyses sont utiles pour étendre l'évaluation et le feedback [49, 60]. Nos résultats pour les analyses de conception multi-échelle s'alignent sur ces conclusions. I1 et I4 ont exprimé que les analyses peuvent devenir une partie de leurs rubriques et du feedback qu'ils donnent aux étudiants. De plus, selon I4, intégrer ces analyses dans les rubriques peut motiver et guider les étudiants sur ce que les instructeurs recherchent dans leur conception.

\ I1 : Je pense que [ces analyses et mes rubriques] se complètent mutuellement. Je pense que ce serait très utile... s'il y avait un moyen de créer une rubrique sur [le tableau de bord] et de l'attacher lorsqu'ils reçoivent leur feedback.

\ I4 : Vous savez, leur donner quelque chose à viser... Je pense que je dirais... voici les choses que j'aimerais voir dans votre conception... Je pense que j'aimerais définitivement assigner des échelles comme partie de la rubrique pour dire, j'aimerais voir la vue d'ensemble depuis ici, et puis quand vous zoomez, voir plus.

\ Nous observons le potentiel des analyses de conception multi-échelle pour accélérer le travail d'évaluation des instructeurs. I9 préférait utiliser les analyses comme un indicateur rapide des problèmes sous-jacents. Les analyses les aident à réduire le temps qu'ils passeraient autrement à évaluer chaque conception.

\ I9 : Donc, je n'utiliserai pas les valeurs dans la colonne pour leur donner directement des points... Mais c'est mieux que de devoir aller à chaque [conception] et chercher chaque problème ou d'avoir une rubrique beaucoup plus grande que j'ai utilisée... Donc pensez aux analyses comme aux symptômes et [ensuite] vous identifiez réellement les maladies.

5.4 Les analyses comme source potentielle d'auto-réflexion pour les étudiants

Les instructeurs (I1, I4, I5, I6) de notre étude ont exprimé leurs attentes selon lesquelles les étudiants bénéficieraient de voir les analyses de conception multi-échelle. Selon eux, voir les analyses a le potentiel d'aider les étudiants à réfléchir sur leur progression. Plus précisément, voir les analyses peut aider les étudiants à prendre conscience de la façon dont ils organisent spatialement leurs idées à travers les échelles et les clusters. L'auto-réflexion à travers les analyses joue un rôle vital dans l'apprentissage, car elle aide les étudiants à comprendre leur progression et stimule l'amélioration de leur travail [77, 81].

\ I5 : Je suis tout à fait pour donner aux étudiants autant d'informations qu'ils peuvent utiliser... et vous savez... ils peuvent utiliser [les analyses] pour examiner leur progression.

\ I1 : Oui, j'aimerais que les étudiants explorent davantage les niveaux de zoom... parce que généralement, je pense que c'est plus comme... je le vois comme une image globale... mais ils n'utilisent pas vraiment la possibilité d'entrer dans certaines zones ou de zoomer sur certaines parties et d'élaborer... [Aussi,] peut-être des clusters spatiaux juste pour qu'ils puissent être plus conscients de la façon dont ils séparent.

\ Bien que I1 et I4 préconisent tous deux de fournir aux étudiants des analyses de conception multi-échelle, ils mettent également en garde contre l'imposition d'un type spécifique d'organisation visuelle. Selon eux, l'objectif de fournir des analyses serait d'aider les étudiants à réfléchir et à utiliser efficacement l'organisation multi-échelle, et non d'avoir un nombre spécifique d'échelles ou de clusters à travers les échelles.

\ I4 : Je ne voudrais pas qu'ils se ressemblent tous comme vous ne voulez pas aller quelque part et voir que chaque peinture se ressemble, mais c'était presque comme si certaines personnes peignaient avec des planches, des clous et des marteaux plutôt qu'avec des pinceaux et de la peinture. Ils n'ont pas vraiment compris ce qu'ils sont censés mettre sur la [conception multi-échelle]. Donc ce n'était pas aussi efficace.

\ I1 : [Bien qu'] ils doivent devenir un peu plus attentifs à [l'espace]... juste en voyant comment ils disposent tout eux-mêmes... je préférerais ne pas contrôler, intentionnellement ou non, comment ils voient les clusters spatiaux.

\ \

:::info Auteurs :

(1) Ajit Jain, Texas A&M University, USA; Affiliation actuelle : Audigent;

(2) Andruid Kerne, Texas A&M University, USA; Affiliation actuelle : University of Illinois Chicago;

(3) Nic Lupfer, Texas A&M University, USA; Affiliation actuelle : Mapware;

(4) Gabriel Britain, Texas A&M University, USA; Affiliation actuelle : Microsoft;

(5) Aaron Perrine, Texas A&M University, USA;

(6) Yoonsuck Choe, Texas A&M University, USA;

(7) John Keyser, Texas A&M University, USA;

(8) Ruihong Huang, Texas A&M University, USA;

(9) Jinsil Seo, Texas A&M University, USA;

(10) Annie Sungkajun, Illinois State University, USA;

(11) Robert Lightfoot, Texas A&M University, USA;

(12) Timothy McGuire, Texas A&M University, USA.

:::

:::info Cet article est disponible sur arxiv sous licence CC by 4.0 Deed (Attribution 4.0 International).

:::

\