نوع مقاله : مقاله پژوهشی
نویسنده
استادیار گروه سنجش و اندازه‌گیری، دانشکده روانشناسی و علوم تربیتی، دانشگاه علامه طباطبائی، تهران، ایران
چکیده
پس از پاندمی (دنیاگیری) کووید-۱۹ کلاس‌های دانشگاه‌ها مدتی تعطیل شد ولی بلافاصله با تصمیم فوری مسئولین دانشگاه‌ها اراده بر این شده که کلاس‌ها به‌صورت مجازی و الکترونیکی برگزار شود؛ این خواست به‌نوعی بر دانشجویان تحمیل شد بدون آنکه بررسی شود که آیا دانشجویان با این شیوه همراهی لازم را دارند یا نه. هدف پژوهش حاضر تعیین میزان آمادگی دانشجویان برای یادگیری در بستر الکترونیکی و تأثیر این عوامل بر پیشرفت تحصیلی است. در پژوهش حاضر عوامل متعددی به‌منظور تبیین پیشرفت تحصیلی دانشجویان در آینده مطالعه شده است که برخی از آن‌ها به ویژگی‌های شخصیتی فرد یادگیرنده (دانشجو) برمی‌گردد ازجمله عامل وظیفهشناسی، خودتنظیمی، تاب‌آوری تحصیلی و نیز برخی به نگرش ایشان برمی‌گردد ازجمله نگرش به فناوری‌های دیجیتال و نگرش به سامانه یادگیری الکترونیکی. پس از الکترونیکی کردن ابزار پژوهش به‌صورت الکترونیکی، در اختیار دانشجویان درس آمار استنباطی دوره کارشناسی پس از پایان تدریس قرار گرفت. در راستای تحلیل روابط چندگانه بین متغیرها از مدل معادلات ساختاری با استفاده از روش کمترین مربعات جزئی بهره برده شده است و از مهم‌ترین نتایج می‌توان به عدم معناداری تأثیر وجدانی و معناداری مستقیم تاب‌آوری و خودتنظیمی بر پیشرفت تحصیلی دانشگاهی اشاره کرد. به دنبال نتایج این پژوهش پیشنهاد‌هایی برای فراگیران الکترونیکی دانشگاه‌ها و مسئولین ارائه شده است.
کلیدواژه‌ها
- کووید-۱۹
- یادگیری الکترونیکی
- پیشرفت تحصیلی
- تاب‌آوری تحصیلی
- وظیفهشناسی
- خودتنظیمی
- نگرش به فناوری‌های دیجیتال
- نگرش به سامانه یادگیری الکترونیکی
موضوعات
ادیب، یوسف، رادسلیمانی، لیلا، و عظیمی، محمد. (۱۳۹۴). تأثیر هوشمندسازی مدارس در تعامل با نگرش به فناوری اطلاعات و ارتباطات بر ارتقاء فرآیند یاددهی یادگیری و خودکارآمدی تحصیلی. رهیافتی نو در مدیریت آموزشی، ۶(۱ (پیاپی ۲۱))، ۲۱-41.
تارنمای وزارت بهداشت (۳۰/۱۱/۱۳۹۸) به آدرس https://behdasht.gov.ir/ کد خبر: ۱۹۹۷۹۹
ترک‌زاده، جعفر، آهنگری، مهدی، محمدی، مهدی، مرزوقی، رحمت اله، و هاشمی، ستار. (۱۳۹۸). بررسی مؤلفه‌های ارزیابی اثربخشی درونی دوره‌های آموزش الکترونیکی دانشگاهی. آموزش عالی ایران، ۱۱(۱)، ۱۲۵-۱۵۹. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=510403
ذوالفقاری، میترا، نگارنده، رضا، و احمدی، فضل اله. (۱۳۸۹). اثربخشی سیستم آموزش الکترونیکی ترکیبی در آموزش دانشجویان پرستاری و مامایی دانشگاه علوم پزشکی تهران. مجله ایرانی آموزش در علوم پزشکی، ۱۰(۴ (پیاپی ۲۸))، ۳۹۸-409.
رحمانی، فاطمه، احمدی، حامد، قنبری، الهام، و خراسانی کیاسری، سیدمحمود. (۱۳۹۸). امکان‌سنجی و رتبه‌بندی عوامل مؤثر بر توسعه یادگیری الکترونیکی در آموزش عالی با رویکرد تصمیم‌گیری چندمعیاره فازی. فناوری آموزش (فناوری و آموزش)، ۱۳(۳)، ۴۲۵-440.
زمانپور، عنایت اله، حسین‌خانی، محمدحسین، و مرادیانی دیزه رود، سیده خدیجه. (1392). تأثیر اضطراب کامپیوتر بر نگرش به یادگیری الکترونیکی: نقش واسطه‌ای نگرش و خودکارآمدی کامپیوتر و اینترنت. روانشناسی تربیتی، 9(28)، 77-98.
زمانپور، عنایت اله و میرزابیگی، محمدعلی. (1389). بررسی عوامل مؤثر بر عملکرد تحصیلی یادگیرندگان الکترونیکی در آموزش عالی: ارائه مدل موفقیت بر اساس دیدگاه یادگیرندگان. مطالعات برنامه درسی، 4(16)، 130-164.
شریفی، محمد، فتح‌آبادی، جلیل، شکری، امید و پاکدامن، شهلا. (1398). تجربه آموزش الکترونیکی در نظام آموزشی ایران: فراتحلیل اثربخشی آموزش الکترونیکی در مقایسه با آموزش حضوری. پژوهش در یادگیری آموزشگاهی و مجازی، 7(1 (پیاپی ۲۵)) ۹-۲۴.
عزیزی شمامی، مصطفی، جعفری کرفستانی، زهرا، و عابدینی، میمنت. (۱۳۹۶). بررسی ارتباط نگرش به یادگیری الکترونیک و خودتنظیمی در پیشرفت تحصیلی دانشجویان دانشگاه علوم پزشکی بابل. مرکز مطالعات و توسعه آموزش علوم پزشکی یزد، ۱۲(۱-۲)، ۱۱۴-127.
Abe, J. A. A. (2020). Big five, linguistic styles, and successful online learning. The Internet and Higher Education, 100724. doi:10.1016/j.iheduc.2019.100724
Ahmed, U., Umrani, W. A., Qureshi, M. A., & Samad, A. (2018). Examining the links between teachers support, academic efficacy, academic resilience, and student engagement in Bahrain. International Journal of Advanced and Applied Sciences, 5(9), 39-46.
Ajijola, E. M., Ogunlade, O. O., & Aladesusi, G. A. (2022). The attitude of Distance Learners towards the Utilization of Learning Management System (A case study of National Open University of Nigeria). Indonesian Journal of Teaching in Science, 2(1), 47-56.
Alva, S.A. (1991).Academic invulnerability among Mexican-American students: The importance of protective and resources and appraisals. Hispanic Journal of Behavioral Sciences, 13, 18–34
Arispe, K., & Blake, R. J. (2012). Individual factors and successful learning in a hybrid course. System, 40(4), 449–465.
Ashrafi, A., Zareravasan, A., Rabiee Savoji, S., & Amani, M. (2020). Exploring factors influencing students’ continuance intention to use the learning management system (LMS): a multi-perspective framework. Interactive Learning Environments, 1-23.
Barclay, D. W., Higgins, C., & Thompson, R. (1995). The partial least squares approach to causal modeling: Personal computer adoption and use as illustration. Technology Studies, 2(2), 285–309
Bervell, B., Nyagorme, P., & Arkorful, V. (2020). LMS-Enabled Blended Learning Use Intentions among Distance Education Tutors: Examining the Mediation Role of Attitude Based on Technology-Related Stimulus-Response Theoretical Framework. Contemporary Educational Technology, 12(2), ep273.
Bhagat, K. K., Wu, L. Y., & Chang, C. Y. (2019). The impact of personality on students' perceptions towards online learning. Australasian Journal of Educational Technology, 35(4)
Bidjerano, T., & Dai, D. Y. (2007). The relationship between the big-five model of personality and self-regulated learning strategies. Learning and Individual Differences, 17(1), 69–81. doi:10.1016/j.lindif.2007.02.001
Cheng, S. L. (2019). The Relationships Between Perceived Course Structures, Conscientiousness, Motivational Beliefs, and Academic Procrastination in Online Undergraduate Courses (Doctoral dissertation, The Ohio State University).
Chin, W. W., & Newsted, P. R. (1999). Structural equation modeling analysis with small samples using partial least squares. In: R. H. Hoyle (Ed.), Statistical strategies for small sample research (pp. 307–342). Thousand Oaks, CA: Sage.
Connor, K. M., & Davidson, J. R. T. (2003). Development of a new resilience scale: The Connor-Davidson Resilience Scale (CD-RISC). Depression and Anxiety, 18, 76–82.
Costa Jr, P. T., & McCrae, R. R. (1995). Domains and facets: Hierarchical personality assessment using the Revised NEO Personality Inventory. Journal of personality assessment, 64(1), 21-50.
Costa, P. T., & McCrae, R. R. (1992).Revised NEO Personality Inventory (NEO-PI-R) and NEO Five-Factor Inventory (NEO-FFI): professional manual. Odessa, FL: Psychological AssessmentResources.
Elfeky, A. I. M., & Elbyaly, M. Y. H. (2021). The use of data analytics technique in learning management system to develop fashion design skills and technology acceptance. Interactive Learning Environments, 1-18.
Fornell, C., & Larcker, D. F. (1981). Structural equation models with unobservable variables and measurement error: Algebra and statistics.
Forson, I. K., & Vuopala, E. (2019). Online learning readiness: perspective of students enrolled in distance education in Ghana. The Online Journal of Distance Education and e-Learning, 7(4), 277-294.
Funder, D. (1997).The personality puzzle. New York, NY: Norton.
Gostin, L. O., Tomori, O., Wibulpolprasert, S., Jha, A. K., Frenk, J., Moon, S., ... & Leung, G. M. (2016). Toward a common secure future: four global commissions in the wake of Ebola. PLoS medicine, 13(5), e1002042.
Govindasamy, T. (2001). Successful implementation of e-learning: Pedagogical considerations. The internet and higher education, 4(3-4), 287-299.
Hair Jr, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A primer on partial least squares structural equation modeling (PLS-SEM). Sage publications.
Hair, J. F., Sarstedt, M., Pieper, T. M., & Ringle, C. M. (2012). Te use of partial least squares structural equation modeling in strategic management research: A review of past practices and recommendations for future applications. Long Range Planning, 45, 320–340.
Hamdan, K. M., Al-Bashaireh, A. M., Zahran, Z., Al-Daghestani, A., Samira, A. H., & Shaheen, A. M. (2021). University students' interaction, Internet self-efficacy, self-regulation and satisfaction with online education during pandemic crises of COVID-19 (SARS-CoV-2). International Journal of Educational Management.
He, T., Huang, Q., Yu, X., & Li, S. (2020). Exploring students’ digital informal learning: the roles of digital competence and DTPB factors. Behaviour & Information Technology, 1–11.
Hooper, D., Coughlan, J., & Mullen, M. R. (2008). Structural equation modelling: Guidelines for determining model fit. Electronic journal of business research methods, 6(1), pp53-60.
Howard, S., & Johnson, B. (2000). What makes the difference? Children and teachers talk about resilient outcomes for children “at risk.” Educational Studies, 26, 321–337.
Hu, H., & Driscoll, M. P. (2013). Self-regulation in e-learning environments: A remedy for community college?. Journal of Educational Technology & Society, 16(4), 171-184.
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural equation modeling: a multidisciplinary journal, 6(1), 1-55.
Keller, H., & Karau, S. J. (2013). The importance of personality in students’ perceptions of the online learning experience. Computers in Human Behavior, 29(6), 2494-2500.
Khairuddin, Z., Arif, N. N. A. N. M., & Khairuddin, Z. (2020). Students' Readiness on Online Distance Learning (ODL). Universal Journal of Educational Research, 8(12), 7141-7150.
Khalaf, M. A. (2014). Validity and reliability of the academic resilience scale in egyptian context. US China Educ. Rev. B, 4, 202-210.
Kumalasari, D., & Akmal, S. Z. (2021). Less Stress, More Satisfaction with Online Learning During the COVID-19 Pandemic: The Moderating Role of Academic Resilience.
Lai, C.-L., & Hwang, G.-J. (2021). Strategies for enhancing self-regulation in e-learning: a review of selected journal publications from 2010 to 2020. Interactive Learning Environments, 1–23. doi:10.1080/10494820.2021.1943455
Lazar, I. M., Panisoara, G., & Panisoara, I. O. (2020). Digital technology adoption scale in the blended learning context in higher education: Development, validation and testing of a specific tool. PloS one, 15(7), e0235957.
Liaw, S. S., & Huang, H. M. (2013). Perceived satisfaction, perceived usefulness and interactive learning environments as predictors to self-regulation in e-learning environments. Computers & Education, 60(1), 14-24.
McGill, T. J., & Klobas, J. E. (2009). A task–technology fit view of learning management system impact. Computers & Education, 52(2), 496-508.
Mayadas AF, Bourne J and Bacsich P. (2009). Online education today. Journal of Asynchronous Learning Networks, 13(2), 49–56.
Nakayama, M., Yamamoto, H., & Santiago, R. (2007). The Impact of Learner Characteristics on Learning Performance in Hybrid Courses among Japanese Students. Electronic Journal of E-Learning, 5(3), 195-206.
Ngai, E. W., Poon, J. K. L., & Chan, Y. H. (2007). Empirical examination of the adoption of WebCT using TAM. Computers & education, 48(2), 250-267.
Okoro, C. A. (2020). Academic engagement among Nigerian undergraduate students: Roles of academic resilience, achievement motivation and self-efficacy. Nigerian Journal of Psychological Research, 16(2).
Permatasari, N., Ashari, F. R., & Ismail, N. (2021). Contribution of Perceived Social Support (Peer, Family, and Teacher) to Academic Resilience during COVID-19. Golden Ratio of Social Science and Education, 1(1), 01-12.
Pintrich, P.R. (2000). Multiple goals, multiple pathways: The role of goal orientation in learning and achievement. J Educ Psychol, 92(3), 544.
Popovici, A., & Mironov, C. (2015). Students’ perception on using eLearning technologies. Procedia-Social and Behavioral Sciences, 180, 1514-1519.
Puswiartika, D., & Gatot, I. (2020). The Effect of Resilience on E-Learning Psychological Readiness of College Students of Guidance and Counselling Program. In 2020 6th International Conference on Education and Technology (ICET) (pp. 214-217). IEEE.
Shah, S. A., Marwat, I. U. K., Din, A. U., & Khan, A. (2017). Impact of various factors on student’s attitude towards adoption of Learning Management System (LMS) in Pakistan.
Sharma, S., Dick, G., Chin, W., & Land, L. (2007). Self-regulation and e-learning.Proceedings of the Fifteenth European Conference on Information System, University of St. Gallen, St. Gallen (2007), pp. 383-394
Spiteri, M., & Rundgren, S. N. C. (2020). Literature review on the factors affecting primary teachers’ use of digital technology. Technology, Knowledge and Learning, 25(1), 115-128.
Theobald, M., Bellhäuser, H., & Imhof, M. (2018). Identifying individual differences using log-file analysis: Distributed learning as mediator between conscientiousness and exam grades. Learning and Individual Differences, 65, 112-122.
Ting, L. P. Y., Teng, S. Y., Chuang, K. T., & Lim, E. P. (2020, November). Learning Personal Conscientiousness from Footprints in E-Learning Systems. In 2020 IEEE International Conference on Data Mining (ICDM) (pp. 1292-1297). IEEE.
UNESCO-IESALC. (2020). Coronavirus COVID-19 and higher education: Impact and recommendations. Retrieved from http://www.iesalc.unesco.org/en/2020/03/09/coronaviruscovid-19-and-higher-education-impact-and-recommendations/.
Vitoria, L., Mislinawati, M., & Nurmasyitah, N. (2018). Students’ perceptions on the implementation of e-learning: Helpful or unhelpful? In Journal of Physics: Conference Series (Vol. 1088, No. 1, p. 012058). IOP Publishing.
Walsh, M. J. (2020). Online Doctoral Student Grade Point Average, Conscientiousness, and Grit: A Moderation Analysis. Journal of Educators Online, 17(1), n1.
Wang, M. C., Haertel, G. D., & Walberg, H. J. (1997). Fostering Educational Resilience in Inner-City Schools. Publication Series No. 4.
Winne, P.H., & Hadwin, A.F. (1998). Studying as self-regulated learning. Metacognition Educational Theory Pract, 93, 27–30.
Wold, H. O. (1989). Introduction to the second generation of multivariate analysis. In: H. O. Wold (Ed.), Theoretical empiricism: A general rationale for scientific model-building (pp. VIII–XL). New York, NY: Paragon House.
Wong, T. L., Xie, H., Zou, D., Wang, F. L., Tang, J. K. T., Kong, A., & Kwan, R. (2020). How to facilitate self-regulated learning? A case study on open educational resources. Journal of Computers in Education, 7(1), 51-77.
Yavuzalp, N., & Bahcivan, E. (2021). A structural equation modeling analysis of relationships among university students’ readiness for e-learning, self-regulation skills, satisfaction, and academic achievement. Research and Practice in Technology Enhanced Learning, 16(1), 1-17.
Zimmerman, B. J. (1990). Self-regulated learning and academic achievement: An overview. Educational Psychologist, 25(1), 3–17. https://doi.org/10.1207/s15326985ep2501_2.
)