Εισαγωγική Ενότητα

Σχετικά

 

Το μάθημα αποκαλύπτει πώς τα μαθηματικά μοντέλα, η ανάλυση δεδομένων και οι τεχνικές τεχνητής νοημοσύνης μεταμορφώνουν τη σύγχρονη εκπαίδευση, προσφέροντας εξατομικευμένη μάθηση, προγνωστική ανάλυση και καινοτόμες στρατηγικές υποστήριξης. Οι συμμετέχοντες θα εμβαθύνουν στη χρήση προηγμένων εργαλείων Learning Analytics, θα εφαρμόσουν τεχνικές ανάλυσης πραγματικών δεδομένων και θα εξερευνήσουν τις ηθικές προκλήσεις της ψηφιακής εκπαίδευσης, αποκτώντας δεξιότητες που επεκτείνονται πέρα από την τάξη, σε ένα μέλλον όπου η τεχνολογία και η μάθηση συνυφαίνονται.

Προσδοκώμενα Μαθησιακά Αποτελέσματα

  • Γνώσεις:

    • Κατανόηση βασικών εννοιών της Ανάλυσης Δεδομένων Μάθησης.

    • Εξοικείωση με μαθηματικά μοντέλα και τεχνικές πρόβλεψης στην εκπαίδευση.

    • Κατανόηση των ηθικών και δεοντολογικών θεμάτων που συνδέονται με τη χρήση εκπαιδευτικών δεδομένων.

  • Δεξιότητες:

    • Ανάλυση και αξιολόγηση μαθησιακών δεδομένων.

    • Χρήση εργαλείων Learning Analytics για τη βελτίωση της διδασκαλίας.

    • Κριτική προσέγγιση απέναντι στη χρήση αλγορίθμων στην εκπαιδευτική πράξη.

  • Στάσεις:

    • Ανάπτυξη υπεύθυνης και ηθικής στάσης ως προς τη χρήση των εκπαιδευτικών δεδομένων.

    • Προώθηση της διαφάνειας και της ανθρωποκεντρικής προσέγγισης στα συστήματα Learning Analytics.

Δομή του Μαθήματος – Διδακτικές Ενότητες

Το μάθημα διαρθρώνεται σε τρεις βασικές ενότητες:

  1. Ενότητα 1: Εισαγωγή στην Ανάλυση Δεδομένων Μάθησης

  2. Ενότητα 2: Μαθηματικά Μοντέλα και Τεχνικές Πρόβλεψης

  3. Ενότητα 3: Ηθικά Ζητήματα και Προκλήσεις της Χρήσης Learning Analytics

Κάθε ενότητα περιλαμβάνει βασική θεωρία, πρακτικά παραδείγματα και διαδραστικές δραστηριότητες.

Μαθησιακές Δραστηριότητες & Μέθοδοι

Το μάθημα βασίζεται σε ενεργητικές και συμμετοχικές μεθόδους διδασκαλίας, και περιλαμβάνει:

  • Παρουσιάσεις περιεχομένου μέσω Course Presentations (H5P)

  • Διαδραστικά κουίζ (H5P Quiz, Drag and Drop, Branching Scenarios)

  • Μελέτες περίπτωσης και συζητήσεις σε φόρουμ (πλατφόρμα edivea)

  • Ανταλλαγή απόψεων και εμπειριών μεταξύ φοιτητών

  • Αναστοχαστικές δραστηριότητες (Reflective Essays)

Έννοιες και Λέξεις-Κλειδιά

  • Learning Analytics (Ανάλυση Δεδομένων Μάθησης)

  • Μαθηματικά Μοντέλα

  • Τεχνικές Πρόβλεψης

  • Εξατομίκευση Μάθησης

  • Ηθικά Ζητήματα στην Ανάλυση Δεδομένων

  • Διαφάνεια και Υπευθυνότητα

  • Μηχανική Μάθηση στην Εκπαίδευση

Αξιολόγηση Μαθήματος

Η αξιολόγηση της επίδοσης των φοιτητών θα πραγματοποιηθεί μέσω:

  • Συμμετοχής στις Διαδραστικές Δραστηριότητες (30% της τελικής βαθμολογίας)

  • Συμμετοχής και εργασιών στο Φόρουμ (30% της τελικής βαθμολογίας)

  • Τελικού Κουίζ Αυτοαξιολόγησης (40% της τελικής βαθμολογίας)

Η ενεργός συμμετοχή και η έγκαιρη ολοκλήρωση των δραστηριοτήτων είναι απαραίτητες για την επιτυχή ολοκλήρωση του μαθήματος.