–Tiến sĩ Stephen Murphy và Steve Ferrara–
(Phần 2)
[English Translation Below]
Mời quý Cô/ Thầy làm bảng câu hỏi trước khi bước vào bài đọc: Link Quiz
(1) Công tác đánh giá có những thay đổi nào theo xu hướng số hóa phương pháp giảng dạy?
(2) Nên đánh giá học sinh theo hình thức tự luận, trắc nghiệm, hay ‘thực nghiệm cá nhân’?
(3) Vai trò của giảng viên là gì khi học sinh được xem làm trung tâm của việc dạy và học?
Đón nhận một kỷ nguyên tri thức mới, việc đánh giá sẽ đẩy mạnh theo hướng khai thác khả năng tư duy sáng tạo của giảng viên và tạo điều kiện ứng dụng phương pháp của mình ngay trong lớp học. Qua đó sẽ khuyến khích sự chủ động của học sinh trong học tập và tìm ra phương thức đo lường được khả năng ứng dụng thực tiễn của người học, đồng thời việc kiểm định cũng sẽ được tích hợp vào học tập một cách hiệu quả nhất.Chúng ta sẽ thấy càng nhiều loại hình đánh giá mang tính dài hạn dựa vào sự tiến bộ của học sinh so với các tiêu chuẩn đề ra hoặc đánh giá bám sát theo các quan sát trong lớp học để có một cái nhìn toàn diện về mô hình lấy học sinh làm trung tâm. Cách tiếp cận này sẽ xác định được nhu cầu học tập của học sinh, kết hợp đánh giá vào các kế hoạch bài học và các chương trình giảng dạy để thật sự thu hút học sinh quan tâm đến tiến độ học tập của mình.
Chúng ta sẽ dựa nhiều hơn vào các loại hình đánh giá thiết thực để buộc học sinh phải áp dụng kiến thức đã học theo những cách mới lạ hoặc ở mức độ vận dụng cao, thường là trong môi trường thực tế ảo hoặc các tình huống nhỏ mô phỏng thế giới thực. Học sinh sẽ thể hiện khả năng học tập bằng cách tiến hành nghiên cứu và viết báo cáo, tham gia vào các cuộc tranh luận, viết bài nhận xét về một cuốn sách hoặc chương, thực hiện thí nghiệm và các hoạt động khác.
‘‘Để tăng hiệu quả việc cá nhân hóa trong học tập, chúng ta cần cải tiến cuộc đối thoại từ phương pháp đánh giá thông qua bài kiểm tra mang tính sự kiện và áp lực sang hệ thống đánh giá toàn diện sử dụng nhiều giải pháp gián tiếp để đo lường sự tiến bộ của học sinh so với mục tiêu học tập.’’
HIỆU QUẢ CỦA MỨC ĐỘ TƯƠNG TÁC
‘Mức độ gắn kết học sinh’ sẽ quyết định tâm lý người học tự định hướng động cơ học tập của mình, cũng không kém phần quan trọng là cách chúng ta định tính được độ tương tác đấy. Thông qua bài khảo sát về mức độ tham gia của học sinh có thể giúp đo lường:
- Mức gắn kết – Hành vi học sinh: sự tham gia của học sinh vào văn hoá, nơi học tập được thể hiện qua nỗ lực, hạnh kiểm và sự góp mặt.
- Mức gắn kết – Nhận thức học sinh: cách một học sinh tiếp cận các nhiệm vụ học tập và thúc đẩy quá trình tự học, bao gồm phát triển khả năng học hỏi và phát triển các kỹ năng tự điều chỉnh cần thiết để phù hợp với việc học suốt đời.
- Mức gắn kết – Tình cảm: cảm xúc của học sinh về trường học, nhân viên và bạn bè đồng trang lứa.
Thông tin từ các cuộc khảo sát này cung cấp manh mối để các nhà giáo dục có thể sử dụng nhằm cải thiện môi trường học tập.
NHỮNG TIẾN BỘ TRONG CÔNG NGHỆ ĐÁNH GIÁ
Thiết kế một bài toán Vật Lý, người ra đề có thể thử nghiệm các ứng dụng mới trong công nghệ giáo dục hiện nay để mô phỏng các hiện tượng khoa học qua việc tái tạo các thành phần của thí nghiệm (ví dụ: hiện tượng tác động lực và chuyển động vật lý) hoặc các kích thích động (các biến số về chuyển động và vận tốc). Qua đó, các phương pháp thực nghiệm trên sẽ giúp giáo viên nắm bắt được độ thông hiểu kiến thức và kỹ năng của người học-thay vì sử dụng hình thức trắc nghiệm câu, và vì thế được tin dùng làm phương pháp kiểm tra cũng như trở nên phổ biến hơn trong các bài đánh giá tổng kết và tạm thời hiện nay.
Chúng ta bắt đầu nhận thấy sự phát triển của các “môi trường trải nghiệm” cho học sinh tự khai phá có thể được đưa vào bộ môn khoa học, áp dụng trong các bài đánh giá tiến độ thông thường và được tích hợp vào các đơn vị lớp học với phản hồi ngay lập tức. Chúng ta cũng có thể tiến hành các hoạt động học tập và đánh giá theo dự án cá nhân trên các nền tảng trực tuyến; tiếp cận đánh giá dựa trên trò chơi giáo dục trong vài năm tới.
Ưu điểm của việc xây dựng, lưu trữ và đánh giá các mẫu bài làm của học sinh để đánh giá danh mục dài hạn, qua đó giúp các nhà giáo dục sử dụng danh mục đầu tư theo nhiều cách để đánh giá các dự án cá nhân, thành tích và sự phát triển của học sinh, bao gồm cả đối với học sinh với nhu cầu giáo dục đặc biệt và những người học theo hình thức phi truyền thống khác.
Việc đánh giá sẽ sử dụng công nghệ để đánh giá các kỹ năng tư duy ở bậc cao và sẽ gắn liền với hệ thống chấm điểm tự động của “học máy” (machine learning) và các phương pháp tiếp cận trí tuệ nhân tạo khác để cung cấp được nhiều phản hồi sâu sắc một cách nhanh chóng.
Từ các nghiên cứu về đánh giá sơ bộ, các nhà nghiên cứu đã phát triển một nền tảng kiến thức vững chắc thể hiện tầm quan trọng của phản hồi tức thì tác động đến việc học tập, thành tích và động lực của học sinh. Trong tương lai, chúng ta có thể phát triển nhiều ứng dụng dựa theo phản hồi được cá nhân hóa để thúc đẩy sự tiến bộ và động lực học tập từ phía học sinh. Phản hồi hình thành xác định những gì học sinh đã nắm vững và thành thạo một phần và nhu cầu học tập tiếp theo của họ. Nghiên cứu chỉ ra rằng phản hồi về hình thức là yếu tố có sức ảnh hưởng lớn thứ ba đến thành tích của học sinh trong số các phát hiện từ hàng nghìn nghiên cứu được đưa vào một phân tích tổng hợp của hơn 800 phân tích tổng hợp đã được công bố.
ĐỊNH HƯỚNG TIẾP THEO
Để tăng hiệu quả việc cá nhân hóa trong học tập, chúng ta cần cải tiến cuộc đối thoại từ phương pháp đánh giá thông qua bài kiểm tra mang tính sự kiện và áp lực sang hệ thống đánh giá toàn diện sử dụng nhiều biện pháp gián tiếp để đo lường sự tiến bộ của học sinh so với mục tiêu học tập.
Quan điểm đánh giá học tập của chúng ta không chỉ còn dựa trên chương trình giảng dạy, hướng dẫn và đánh giá mà chủ yếu sẽ hướng đến học sinh làm trung tâm. Các nhà giáo dục, nhà cung cấp chương trình giảng dạy trực tuyến và nhà phát triển công nghệ cần tiếp tục nâng cao năng lực công nghệ và nội dung giảng dạy để hỗ trợ môi trường học tập theo phương pháp dự án cá nhân, đồng thời giúp học sinh xây dựng danh mục học tập của riêng các em. Không kém phần quan trọng, giáo viên cần mở rộng các cơ hội phát triển chuyên môn để biến các đánh giá và dữ liệu thu thập được thành công cụ không thể thiếu trong giảng dạy.
NGUỒN
The future of educational assessment. (2022, June 14). Cognia – The Source. <https://source.cognia.org/…/the-future-of-educational…/>.
THAM KHẢO THÊM
“Học máy” (tiếng Anh: machine learning) là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống “học” tự động từ dữ liệu để giải quyết những vấn đề cụ thể. Ví dụ như các máy có thể “học” cách phân loại thư điện tử xem có phải thư rác (spam) hay không và tự động xếp thư vào thư mục tương ứng. Học máy rất gần với suy diễn thống kê (statistical inference) tuy có khác nhau về thuật ngữ. Một nhánh của học máy là học sâu phát triển rất mạnh mẽ gần đây và có những kết quả vượt trội so với các phương pháp học máy khác
Học máy có liên quan lớn đến thống kê, vì cả hai lĩnh vực đều nghiên cứu việc phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp của các giải thuật trong việc thực thi tính toán. Nhiều bài toán suy luận được xếp vào loại bài toán NP-khó, vì thế một phần của học máy là nghiên cứu sự phát triển các giải thuật suy luận xấp xỉ mà có thể xử lý được.
Học máy có hiện nay được áp dụng rộng rãi bao gồm máy truy tìm dữ liệu, chẩn đoán y khoa, phát hiện thẻ tín dụng giả, phân tích thị trường chứng khoán, phân loại các chuỗi DNA, nhận dạng tiếng nói và chữ viết, dịch tự động, chơi trò chơi và cử động rô-bốt (robot locomotion).
NGUỒN | ĐỌC THÊM
Uyen, T. (2022, September 23). Machine learning là gì VA Cách giải thích đúng mà dễ hiểu nhất. ITviec. <https://itviec.com/blog/machine-learning-la-gi/>.–
Assessment for a New Era
— Stephen Murphy, Ph.D. and Steve Ferrara, Ph.D.–(Part 2)
Readers are encouraged to take this quick Quiz before your read: Link Quiz
(1) Novel models of assessment emerge from the event of education digital transformation?
(2) Should our students be assessed via essays, multiple-choice tests, or project-based assignments?
(3) If education is student-centric driven, what roles do our teachers play within that context?
In the coming knowledge era, assessment will be geared much more to support teacher thinking and practices in the classroom that encourage active learning, student agency, and authentic ways of measuring what students do—making assessment more fully integrated into learning.
We will see more ongoing valuation of student progress toward achieving standards and classroom observations that create a comprehensive, student-centered view of progress. This approach will identify student learning and learning needs, embed assessment within lesson plans and curriculum units, and authentically engage students in their learning progress.We will rely more on authentic assessment that requires students to apply what they have learned in unfamiliar, novel, or complex ways and often in real-word environments or situations that mimic the real world. Students will demonstrate learning by conducting research and writing a report, participating in debates, writing an essay about a book or chapter, conducting experiments, and other activities.
‘‘To increase the efficacy of student-directed learning, we need to change the dialogue about assessment from event- and pressure-based testing to thoughtful systems of assessment that use multiple measures to inform student progress against learning goals.’’
THE IMPACT OF ENGAGEMENT
Student engagement is so important for students to direct their own learning, equally essential is to measure it. Student engagements survey can help measure:
- Behavioral engagement—a student’s participation in the life of the school as seen through effort, conduct, and participation.
- Cognitive engagement—how a student approaches academic tasks and promotes self-learning, including developing the ability to learn and development of self-regulating skills needed to be lifetime learners.
- Emotional engagement—a student’s feelings about school, staff, and peers.
Information from these surveys provides clues educators can use to improve the learning environment.
ADVANCEMENTS IN ASSESSMENT TECHNOLOGY
New uses of technology now allow test makers to animate item stimuli and bring to life science phenomena (e.g., forces and motion) or dynamically manipulable stimuli (variables of motion and velocity) in a physics problem. Such methods can elicit knowledge and skills not measured from selected-response items on a test and are becoming more common in online interim and summative assessments.
We are also beginning to see the development of immersive environments for students to explore that can be incorporated into science content, embedded in unobtrusive formative assessments, and integrated into classroom units with immediate feedback. We also can conduct project-based learning and assessment activities online and will introduce game-based assessments in the next few years.
The advantages of building, storing, and evaluating student work samples for portfolio assessments enable educators to use portfolios in numerous ways to assess student projects, accomplishments, and growth, including for special education students and other non-traditional learners.
Assessment will use technology to assess higher-order thinking skills and will be tied to automated scoring enabled by machine learning and other artificial intelligence approaches to provide immediate, personalized, formative feedback.
From studies of interim assessments, researchers have developed a strong knowledge base that demonstrates the importance of immediate feedback to student learning, achievement, and motivation. In the future we can build applied uses of feedback to maximize student progress and motivation. Formative feedback identifies what students have mastered and partially mastered and their subsequent learning needs. Research indicates that formative feedback is the third-highest influence on student achievement among findings from the thousands of studies included in a meta-analysis of over 800 published meta-analyses.
To increase the efficacy of student-directed learning, we need to change the dialogue about assessment from event- and pressure-based testing to thoughtful systems of assessment that use multiple measures to inform student progress against learning goals
NEXT STEPS
To increase the efficacy of student-directed learning, we need to change the dialogue about assessment from event-and pressure-based testing to thoughtful systems of assessment that use multiple measures to inform student progress against learning goals.
Our view of learning should no longer be curriculum-, instruction-, and assessment-driven but student-driven. Educators, online curriculum providers, and technology developers need to continue enhancing instructional content and technology capabilities to support immersive and project-based learning environments and help students build portfolios of their learning. Not least, teachers need expanded professional learning opportunities to use assessments and data as integral components of teaching.
SOURCE
The future of educational assessment. (2022, June 14). Cognia – The Source. <https://source.cognia.org/…/the-future-of-educational…/>.
FURTHER READING
“Machine learning” is an area of artificial intelligence that deals with the study and construction of techniques allowing systems to “learn” automatically from data, ultimately solve specific problems. For example, machines can “learn” how to classify email messages as spam and automatically put them in the corresponding folder. Machine learning is very close to statistical inference, although the terminology is different. A branch of Machine learning, ‘‘Deep learning’’, which has recently grown rapidly and has outperformed other machine learning methods. Machine learning and Statistics are two field mutually intertwined, as both fields shed light on statistical analysis; unlike Statistics, Machine learning is mainly geared towards the understanding of algorithm’s complexity in composing computations. Generally, Inferential mathematical problems are classified NP-Difficulty, so part of Machine learning is the study of the development of approximation inference algorithms that are more feasible.
Machine learning now has a wide range of applications, including machine learning, medical diagnostics, fake credit card detection, stock market analysis, DNA sequence classification, speech and handwriting recognition. , automatic translation, game play and robot movement (robomotion locomotion).
SOURCE | FURTHER READING
Uyen, T. (2022, September 23). Machine learning là gì VA Cách giải thích đúng mà dễ hiểu nhất. ITviec. <https://itviec.com/blog/machine-learning-la-gi/>.
Xem lại Phần 1: Tại đây
