1. Ερώτηση 1
Ποιες είναι οι βασικές προτάσεις του γνωστικού μοντέλου για τη μάθηση με πολυμέσα
του Mayer; Εξηγείστε ιδιαίτερα τις τρεις γνωστικές διαδικασίες: selecting, organizing,
integrating.
Απάντηση
Σύμφωνα με τη θεωρία του Mayer, η μάθηση είναι η διαδικασία κατά την οποία
μεταφέρεται η πληροφορία στη μνήμη του εκπαιδευόμενου. Έτσι, η διδασκαλία πρέπει
να είναι τέτοια ώστε να γίνει επιτυχώς αυτή η μεταφορά. Μέχρι τώρα, το βασικό μέσον
που χρησιμοποιούνταν στην εκπαίδευση ήταν οι λέξεις, είτε ως προφορικός λόγος είτε
ως γραπτό κείμενο. Οι έρευνες, ωστόσο, δείχνουν πως πολλοί μαθητές δυσκολεύονται
να κατανοήσουν πλήρως και θυμηθούν αυτό που τους διδάσκεται, όταν απλώς ακούν
κάποιον να το εξηγεί ή όταν το διαβάζουν. Αντιθέτως, επιτυγχάνονται καλύτερα
αποτελέσματα όταν ταυτόχρονα με το κείμενο οι μαθητές μπορούν να δουν και κάποια
εικόνα, βίντεο ή animation που σχετίζεται με το αντικείμενο της μάθησης. Όταν
μάλιστα, η κάθε εικόνα μπαίνει κοντά στο αντίστοιχο κείμενο που την περιγράφει,
υπάρχει καλύτερη συσχέτιση και, άρα, κατανόηση. Αυτό που μένει είναι να
αποφασίσουμε ποιες εικόνες θα χρησιμοποιηθούν, πότε και σε ποιο σημείο. Αυτό που
προτάσσει η μάθηση με πολυμέσα είναι πως όταν συνδυάσουμε τις εικόνες με τις
λέξεις κατάλληλα, οδηγούμαστε σε βαθύτερη μάθηση, που σημαίνει ότι έχουμε
καλύτερη απόδοση σε διαδικασίες επίλυσης προβλημάτων που καλούμαστε να
λύσουμε.
Επιπλέον, σύμφωνα με το γνωστικό μοντέλο του Mayer, ένα διδακτικό μήνυμα
πολυμέσων α) είναι μια παρουσίαση που περιέχει κείμενο και εικόνες και β) έχει σκοπό
να ευνοήσει την ουσιαστική μάθηση. Επομένως, δεν θα πρέπει να περιλαμβάνει
άσχετες με το αντικείμενο μάθησης εξηγήσεις ή διαδικασίες, αλλά θα πρέπει να είναι
σχεδιασμένο έτσι ώστε να συνάδει με το πώς μαθαίνουν οι άνθρωποι. Η γνωστική
επιστήμη προτείνει τρεις διαδικασίες με τις οποίες μαθαίνουν οι άνθρωποι: (α) την
υπόθεση του «διπλού καναλιού», σύμφωνα με την οποία ο άνθρωπος διαθέτει άλλο
σύστημα επεξεργασίας για εικόνες – το οπτικό/εικονικό κανάλι – και άλλο για λεκτικές
αναπαραστάσεις – το ακουστικό/προφορικό κανάλι –, (β) η υπόθεση της
«περιορισμένης χωρητικότητας», που υποστηρίζει ότι η ποσότητα της πληροφορίας
που μπορεί να επεξεργαστεί κάθε κανάλι είναι αρκετά περιορισμένη (και συγκεκριμένα
μόνο μια πρόταση από την αφήγηση τη φορά ή 10’ από τη σχεδιοκίνηση), και (γ) η
«ενεργή μάθηση», η οποία υποθέτει πως η ουσιώδης μάθηση προκύπτει όταν ο
εκπαιδευόμενος παίρνει ενεργά μέρος σε γνωστικές διαδικασίες, όπως το να δίνει
προσοχή στις εικόνες και λέξεις που λαμβάνει, τις οργανώνει σε λεκτικές και οπτικές
αναπαραστάσεις με συνοχή και, τέλος, συνδέει αυτές τις αναπαραστάσεις μεταξύ τους
αλλά και με προϋπάρχουσα γνώση. Η διαδικασίες αυτές οδηγούν σε ουσιαστική
μάθηση και σε αποτελεσματική επίλυση προβλημάτων σχετικών με το αντικείμενο της
μάθησης.
Με μια λεπτομερέστερη ανάλυση, κατά την πρώτη γνωστική διαδικασία, την «επιλογή»,
ο εκπαιδευόμενος διαλέγει τα σχετικά χαρακτηριστικά των εξωτερικών
αναπαραστάσεων που θα εισάγει για περαιτέρω επεξεργασία. Συγκεκριμένα, οι λέξεις
εισάγονται και μέσω των αφτιών – αν είναι προφορικός λόγος – και μέσω των ματιών –
αν είναι γραπτό κείμενο –, ενώ οι εικόνες μέσω των ματιών. Επιπλέον, μπορεί να
μετατρέψει το κείμενο σε λεκτικές αναπαραστάσεις και τις εικόνες σε οπτικές (ή ίσως και
2. αντίστροφα) για να τις επεξεργαστεί στα αντίστοιχα κανάλια. Εν συνεχεία, χτίζει
συνεκτικές εσωτερικές αναπαραστάσεις από το λεκτικό και εικονικό υλικό που έχει
επιλέξει, διαδικασία που λέγεται «οργάνωση». Και, τέλος, στην τρίτη διαδικασία, την
«ολοκλήρωση» κάνει συσχετισμούς ανάμεσα στις νέες αναπαραστάσεις και, επιπλέον,
τις συνδυάζει με τυχόν προϋπάρχουσες.
Αυτές οι τρεις γνωστικές διαδικασίες δεν συμβαίνουν αναγκαστικά με τη σειρά, αλλά
συνήθως παράλληλα. Το μαθησιακό αποτέλεσμα αποθηκεύεται στη μνήμη του
εκπαιδευόμενου με τρόπο που του επιτρέπει να το ανακαλέσει, όταν κληθεί μέσα από
την ενεργή συμμετοχή του σε γνωστικές διαδικασίες, να λύσει ένα σχετικό πρόβλημα.
Ερώτηση 3
Inferential Statistics (Στατιστική Ανάλυση)
Μεθοδολογία σύμφωνα με την οποία συγκεντρώνονται συμπεράσματα για έναν
στατιστικό πληθυσμό βάσει αποτελεσμάτων που λαμβάνονται από ένα τυχαίο δείγμα.
Με την inferential statistics προσπαθούμε να καταλήξουμε σε συμπεράσματα, τα
οποία εκτείνονται πέρα από τα άμεσα δεδομένα. Περιγράφει συστήματα διαδικασιών
τα οποία χρησιμοποιούνται για να εξάγουν συμπεράσματα από σύνολα δεδομένων,
που προκύπτουν από συστήματα που επηρεάζονται από τυχαία μεταβολή. Οι αρχικές
απαιτήσεις ενός τέτοιου συστήματος διαδικασιών είναι: α) ότι το σύστημα θα πρέπει να
δίνει λογικές απαντήσεις όταν εφαρμόζεται σε καλώς ορισμένες καταστάσεις και, β) ότι
είναι αρκετά γενικευμένο ώστε να μπορεί να εφαρμοστεί σε ευρύτερο φάσμα
περιπτώσεων.
Η διαφορά με την περιγραφική ανάλυση είναι ότι στην περιγραφική ανάλυση απλώς
παρατηρούμε και περιγράφουμε το τι ακριβώς συμβαίνει στα δεδομένα, ενώ στη
στατιστική ανάλυση εξάγουμε και συμπεράσματα για μεγαλύτερο πληθυσμό.
Με τη στατιστική ανάλυση θέλουμε να δούμε αν κάτι το οποίο συμβαίνει στο δείγμα
που εξετάζουμε είναι κάτι το εξαρτώμενο ή αν απλώς έτυχε να συμβεί. Αν ισχύει η
πρώτη περίπτωση, τότε συμπεραίνουμε και το ανάλογο για το σύνολο του
πληθυσμού, διαφορετικά δεν το λαμβάνουμε υπόψη. Μ’αυτό τον τρόπο καταλήγουμε
σε σωστά συμπεράσματα. Για παράδειγμα, χρησιμοποιούμε επαγωγικές στατιστικές
για να προσπαθήσουμε να συντάξουμε από ένα δείγμα δεδομένων το τι μπορεί ο
πληθυσμός να σκέφτεται. Ή χρησιμοποιούμε επαγωγικές στατιστικές για να πάρουμε
αποφάσεις για την πιθανότητα ότι μια εμφανής διαφορά μεταξύ των ομάδων είναι
αξιόπιστη ή έτυχε να συμβεί. Έτσι, χρησιμοποιούμε επαγωγικές στατιστικές για να
εξάγουμε συμπεράσματα ξεκινώντας από τα δεδομένα μας και πηγαίνοντας προς
γενικότερες συνθήκες.
Τέλος, η στατιστική ανάλυση ανήκει στη μεγάλη οικογένεια στατιστικών μοντέλων
γνωστή ως Γενικό Γραμμικό Μοντέλο. Αυτό το μοντέλο συμπεριλαμβάνει: t-test,
Analysis of Variance (ANOVA), Analysis of Covariance (ANCOVA), regression analysis
κ.α.. Είναι χρήσιμη στην πειραματική και σχεδόν-πειραματική ανάλυση/έρευνα. Όταν
θέλουμε να συγκρίνουμε το μέσο όρο της απόδοσης δυο διαφορετικών ομάδων
σύμφωνα με κάποιο μέτρο, χρησιμοποιούμε το t-test. Στη διαδικασία αυτή βοηθά η
χρήση των εικονιών μεταβλητών.
3. Experimental analysis (Πειραματική ανάλυση)
Στην experimental σχεδίαση, για να διαπιστωθεί αν κάποιο πρόγραμμα προκαλεί
κάποιο αποτέλεσμα, αυτό που ενδιαφέρει τους ερευνητές περισσότερο είναι η ισχυρή
εσωτερική εγκυρότητα, η οποία είναι η κατά προσέγγιση αλήθεια για την εξαγωγή
συμπερασμάτων που αναφέρεται στη σχέση αιτίας – αποτελέσματος. Έτσι στη
σχεδίαση αυτή, αναπτύσσονται δύο «ισοδύναμες» ομάδες (ίδιοι άνθρωποι), οι οποίες
αντιμετωπίζονται ακριβώς με τον ίδιο τρόπο και σε ίδιες συγκρίσιμες συνθήκες (ίδιο
πλαίσιο, ίδιος χώρος, κ.τ.λ.). Για να επιτευχθεί αυτό, η επιλογή του δείγματος γίνεται
τυχαία. Παρόλο που στην πραγματικότητα τα 2 δείγματα αποτελούνται από
διαφορετικούς ανθρώπους, άρα θεωρητικά μη – ισοδύναμες ομάδες, οι ερευνητές
βασίζονται στην ιδέα της πιθανότητας και υποθέτουν ότι οι δύο αυτές ομάδες είναι
«πιθανολογικά ισοδύναμες».
Είναι ένας τύπος σχεδίασης της έρευνας η οποία γίνεται για να συγκρίνει μια ομάδα
που χρησιμοποίησε πρόγραμμα με μια άλλη που δεν χρησιμοποίησε, ως προς κάποια
μεταβλητή/ές. Περιλαμβάνει τους εξής τύπους πειράματος:
Πείραμα 2-ομάδων: Το πιο απλό και αποτελεσματικό πείραμα. Συγκρίνει τις δυο
ομάδες με την πρώτη να χρησιμοποιεί το πείραμα και τη δεύτερη όχι. Δεν ελέγχει
τις δυο ομάδες πριν το πείραμα, τις θεωρεί πιθανολογικά ισοδύναμες· εδώ
σημασία έχουν τα αποτελέσματα μετά το πείραμα, οπότε και συγκρίνει τις δυο
ομάδες (posttest). Γι’ αυτό το λόγο είναι και σχετικά φθηνό πείραμα στην
εκτέλεσή του. Χρησιμοποιεί το t-test για να δει αν οι ομάδες διαφέρουν μετά την
εφαρμογή του πειράματος βάσει των ενδιαφερόμενων μετρικών.
Παραγοντικό πείραμα: Τα αποτελέσματα αυτού του πειράματος εξαρτώνται
σημαντικά από τις συνθήκες κάτω από τις οποίες εφαρμόστηκε σε κάθε ομάδα
δοκιμής. Παράγοντας θεωρείται η ανεξάρτη μεταβλητή (ή οι ανεξάρτητες
μεταβλητές), και τα επίπεδα είναι οι επιμέρους υποδιαιρέσεις του κάθε
παράγοντα.
Είναι επίσης ένα posttest πείραμα και αναλύεται από το μοντέλο ANOVA
(Analysis of Variance).
Πείραμα Τυχαίων Μπλοκ: Το πείραμα αυτό μειώνει το θόρυβο ή την
ποικιλομορφία των δεδομένων. Το πρόγραμμα εφαρμόζεται σε υποομάδες που
έχουν χωριστεί έτσι ώστε να είναι πιο ομοιόμορφες (π.χ. ως προς το φύλο ή την
ηλικία). Έτσι, τα αποτελέσματα που παίρνουμε από κάθε υποομάδα είναι πιο
αντιπροσωπευτικά και αποδοτικά όταν ενωθούν, απ’ ότι αν παίρναμε ένα
μοναδικό αποτέλεσμα από το σύνολο της ομάδας.
Είναι κι αυτό ένα posttest πείραμα που αναλύεται από έναν ειδικό τύπο του
μοντέλου ANOVA που χρησιμοποεί dummy μεταβλητές για να αναπαραστήσει
τα μπλοκ.
Πείραμα Συνδιακύμανσης: Είναι μια pretest-posttest τυχαιοποιημένη
πειραματική σχεδίαση. Υποθέτει πως ελέγχουμε τις ίδιες μετρικές/μεταβλητές
πριν και μετά τη χρήση του προγράμματος. Η μετρική/ές πριν τη χρήση του
προγράμματος δεν ελέγχεται αναγκαστικά με κάποιο pretest· μπορεί απλά να
είναι κάποια μεταβλητή/ές που μετρήθηκε από πριν. Συχνά αποκαλούνται
«συμμεταβλητές», ακριβώς γιατί τις συγκρίνουμε με τις μεταβλητές που
μετρούνται μετά τη χρήση του προγράμματος ή το posttest, έτσι ώστε να
4. μειωθεί ο θόρυβος και η ποικιλομορφία.
Πώς γίνεται η μείωση του θορύβου; Στην ουσία κάνουμε κάποιες προσαρμογές
στην ομάδα ελέγχου (πχ διαλέγουμε τα μέλη της βάσει του εισοδήματος ή του
μορφωτικού επιπέδου). Η στατιστική προσαρμογή, το να προσαρμόσουμε,
δηλαδή, μια μεταβλητή βασισμένη στη συμμεταβλητή της με μια άλλη
μεταβλητή, είναι η βασική ιδέα αυτού του πειράματος. Ο κανόνας για την
επιλογή των μεταβλητών είναι να είναι όσο το δυνατόν πιο σχετικές με το
αποτέλεσμα, και στην περίπτωση που έχουμε περισσότερες συμμεταβλητές, θα
πρέπει να μην αλληλοκαλύπτονται.