Aistikanavapohjaisesti eriytetyn verkko-oppimisympäristön analyysi

Abstract

Tutkimuksessa analysoidaan verkko-oppimisympäristön oppimateriaalin eriyttämistä aistikanavapohjaisesti. Oppimateriaalin eriyttämiseen käytetään VARK-miellejärjestelmämallia, joka pyrkii tukemaan oppilaan oppimismieltymyksiä luokittelemalla kyselyn avulla oppilaat visuaalisen, auditiivisen, lukija–kirjoittaja- ja kinesteettisen aistipreferenssin mukaan ja tarjoamalla luokittelun perusteella heille erilaisia oppimisstrategioita.

Työssä tutkitaan, miten VARK-miellejärjestelmä soveltuu yläkoululaisten historian verkko-oppimateriaalin eriyttämisen perustaksi oppimistulosten ja oppimiskokemusten näkökulmasta. Tutkimusta varten luotiin verkko-oppimisympäristö, johon koottiin yhden oppitunnin aikana opiskeltava yläkoulun historian oppimateriaali 7. ja 8. luokkalaisille. Oppimateriaali jaettiin VARK-miellejärjestelmän oppimisstrategioita hyödyntäviin neljään oppimiskanavaan ja oppilaille määritettiin heidän VARK-kyselyn vastaustensa perusteella omat VARK-profiilit.

Empiirinen analyysi perustuu yhdistettyyn kvantitatiiviseen ja kvalitatiiviseen aineistoanalyysiin. Oppilaiden lopputestistä saamia oppimistuloksia ja loppukyselyllä kerättyjä subjektiivisia oppimiskokemuksia tutkitaan suhteessa oppilaiden taustamuuttujiin ja tutkimuksen alkuvaiheessa määritettyihin VARK-profiileihin. Oppimistulosten ja oppimiskokemusten tueksi oppilaiden työskentelyä verkko-oppimisympäristössä havainnoidaan automatisoitujen verkkonauhoitusten ja tapahtumalokin avulla.

Verkko-oppimisympäristön oppimateriaalin eriyttämisellä VARK-miellejärjestelmämallin pohjalta ei tämän tutkimuksen perusteella ole merkittävää vaikutusta oppilaiden oppimistuloksiin. Sen sijaan oppimiskokemuksissa korostuivat positiivinen suhtautuminen verkko-oppimisympäristön oppimiskanavien ja työvälineiden tarjoamiin valintamahdollisuuksiin verkko-oppimateriaalin opiskelussa. Tutkimusta varten luotu oppimateriaali koettiin yleisesti opiskelutavaltaan motivoivana. Oppilaiden vastauksissa nousivat lisäksi esiin itseohjautuvuuden merkitys sekä vaikeudet verkko-oppimisessa.

Analysis of e-learning environment with differentiated sensory modalities.

In this master’s thesis we analyze differentiation with sensory modalities on e-learning environment. For differentiation, the VARK sensory preference classification model is being used. The model aims to support learning preferences by categorizing learners to visual, aural, read-write and kinesthetic sensory modalities with help of a questionnaire and offering them different learning strategies based on that categorization.

In this research, we study how VARK applies to a basis of e-learning environment for Finnish junior high school evaluated from the perspective of students’ learning results and experiences. For this study, an e-learning environment with history learning material for 7th and 8th grade students was created. The learning material was divided into four learning channels utilizing strategies from VARK model. A specific VARK profile for each student was also defined based on their answers to VARK questionnaire.

Empirical analysis of this work is based on both quantitative and qualitative material analysis. The learning outcomes achieved by students and subjective experiences collected from feedback are evaluated in relation to background variables collected and VARK profiles assigned to the students in early phase of this research. Supporting learning results and experiences, students operating in e-learning environment are being observed with help of automatic screen recordings and event logging. There was no significant evidence for better learning outcomes by differentiating learning material with VARK sensory modalities. Instead, positive attitude towards learning channels and tools they offered were emphasized in the feedback. The material created for this study was generally considered motivating by the students. Furthermore, significance of self-guided learning on e-learning environments and difficulties using the e-learning material emerged.