Võrguhariduse konkurentsivõimelises maastikus nõuab meistriklassi loomine, mis tõepoolest peegeldab õppijaid, enamat kui lihtsalt suurt ainelist asjatundlikkust. See nõuab andmepõhist lähenemist, mis muudab toored numbrid teostatavaks ülevaateks. Analüüs pakub akent oma publiku mõtetesse, näidates mitte ainult seda, mida nad klõpsavad, vaid ka seda, kuidas nad tunnevad, kus nad võitlevad ja kui nad lahutavad. Neid mustreid süstemaatiliselt analüüsides saate täiustada oma sisu edastamist, optimeerida õppija tulemusi ja luua meistriklassi, mis paistab silma rahvarohkel turul.

Miks Analytics on teie meistriklassi kompass

Soolestiku tunded ja anekdootlik tagasiside võivad sind ainult seni viia. Analüütiline analüüs asendab eeldused tõenditega, mis võimaldavad teha otsuseid, mida toetab tegelik kasutaja käitumine. See nihe intuitsioonilt ülevaatele eraldab keskmisi kursusi erakordsetest õpikogemustest. Analüütikat tõhusalt võimendades saad:

  • Määrake kindlaks suure mõjuga õppetunnid: Määrake kindlaks, millised moodulid tekitavad kõige rohkem kaasatust, lõpuleviimist ja positiivset tagasisidet, seejärel kahekordistage, mis töötab.
  • Päästke raskustes olevad lõigud: ] Määrake täpsed hetked, mil õppijad kukuvad või skoorivad halvasti, võimaldades teil sekkuda sihipäraste parandustega.
  • Segmenteeri oma publik: ] Mõista, kuidas erinevad õppijate rühmad - algajad, edasijõudnud õpilased, ettevõtete meeskonnad - suhtlevad teie sisuga erinevalt ja kohandavad oma lähenemisviisi vastavalt.
  • Valida sisuotsused: ] Testige uute formaatide, pikkuste või õpetamisstiilide tõhusust enne nende laialdasi väljarullimist.
  • Mõõda investeeringutasuvust: Jälgi mõõdikud nagu lõpetamismäärad, rahulolu hinded ja suunamiskäitumine, et näidata oma meistriklassi väärtust.

Näiteks võib digitaalturunduse meistriklass analüütika abil avastada, et õppijad vaatavad pidevalt üle SEO põhitõdesid käsitleva osa, kuid jätavad tasuliste reklaamide videost ette. See muster viitab sellele, et SEO sisu on hästi vastu võetud, kuid võib vajada lisaressursse, samas kui reklaamimoodul võib olla publikule segane või ebaoluline. Ilma andmeteta jäävad sellised teadmised varjatuks.

Peamised metrika, mis on meistriklassi edu jaoks olulised

Kõik andmepunktid ei ole võrdselt väärtuslikud. Õigetele mõõdikutele keskendumine aitab vältida analüüsi halvatust ja nullimist toimivate signaalide puhul. Siin on lähemalt kirjeldatud kriitilise tähtsusega näitajaid, mida iga meistriklassi looja peaks jälgima:

Lõpetamise määrad ja loobumispunktid

Lõpetamise määr mõõdab õppijate osakaalu, kes lõpetavad kogu kursuse või üksikud tunnid. Madal üldine lõpetamismäär viitab sageli struktuursetele küsimustele: sisu, mis on liiga pikk, liiga raske või puudub selge edenemine. Tühistamispunktid on veelgi granulaarsemad – need näitavad täpset teist või slaidi, kust kasutaja väljub. Video sisu puhul saab seda visualiseerida kiirkaartide abil, mis näitavad, milliseid hetki uuesti vaadatakse või vahele jäetakse. Näiteks võib 15- minutilise video 10 minutilise märgi juures ilmneda, et sa oled kaotanud tähelepanu, mistõttu on vaja segmenti muuta või murda väiksemateks tükkideks.

Kaasamisaeg ja tähelepanu mustrid

Lisaks sellele, kas õppijad lõpetavad tunni, näitab kaasamisaeg, kui sügavalt nad suhtlevad. Kas nad vaatavad videoid täielikult? Kas nad kulutavad lisaminutite peale? Tööriistad nagu Wistia ja Vimeo pakuvad üksikasjalikke kaasamisgraafe, mis näitavad vaataja tähelepanu piike ja orgusid. Lühike keskmine vaatamisaeg õppetunnil, mis hõlmab põhimõistet, võib viidata sellele, et õppijad juba teavad seda teemat – või et sinu selgitus on liiga tihe. Selle mõõdiku sidmine kvalitatiivse tagasisidega aitab mõista põhjust.

Viktoriin ja hindamistulemused

Viktoriinid ei ole ainult hindamiseks, vaid ka diagnostikavahendid. Kui oluline osa sinu vaatajaskonnast saab moodulis alla 70% tulemuse, on see selge märk sellest, et sisu vajab selgitamist või ümberstruktureerimist. Otsi valede vastuste mustreid: kas õppijad saavad kindlast terminist või kontseptsioonist pidevalt valesti aru? Kasuta neid andmeid selgituste muutmiseks, näidete lisamiseks või spetsiaalse arvustuse loomiseks. Vastupidi, liiga kõrged hinded võivad viidata sellele, et sinu hinnangud on liiga lihtsad, kui sa ei suuda õppijaid piisavalt proovile panna.

Kvalitatiivne tagasiside ja tundeanalüüs

Kvantitatiivsed andmed näitavad, mis toimub, kuid kvalitatiivne tagasiside selgitab, miks. Uuringu vastused, arutelufoorumi postitused ja otsesed e- posti kommentaarid annavad konteksti, mida numbrid üksi ei suuda tabada. Näiteks võib madala lõpetamise määraga kaasneda kommentaare, nagu "helikvaliteet oli halb" või "kiirendatud tempo". sentimentanalüüsi tööriistade (nt küsitluste vastuste või vestluslogide) kasutamine aitab teil tagasisidet skaalal liigitada, tuvastades korduvaid teemasid, nagu tehnilised probleemid, sisulüngad või kiitus konkreetsetele juhendajatele.

Seadme, asukoha ja juurdepääsu mustrid

Teadmine, kuidas ja kus su õppijad oma meistriklassi pääsevad, mõjutab nii sisukujundust kui ka tehnilist edastamist. Kas enamik kasutajaid on mobiilseadmetes? Siis tuleb tagada, et videod oleksid mobiilisõbralikud, pealdised loetavad ja viktoriinid töötaksid puuteekraanidel. Geograafilised andmed võivad anda teavet reaalajas toimuvate seansside või ajavööndi kaalutluste kohta kohordipõhiste kursuste puhul. Lisaks aitab ligipääsumustrite jälgimine (näiteks kellaaeg või nädalapäev) mõista, millal õppijad on kõige vastuvõtlikumad, võimaldades võimalikult aega võtta meeldetuletusi või elada Q&A seanssides.

Põhjalikuma juhendi jaoks, mille mõõdikud prioritiseerida, pakub Klassikeskaruanne ] võrdlusaluseid tuhandetelt veebikursustelt ja Mõtlege kursuse mõõdikutest , annab loojatele praktilisi nõuandeid.

Kuidas koguda Analytics oma meistriklassi

Kasutatavad tööriistad kujundavad sinu andmete sügavust ja kvaliteeti. Allpool on toodud laiem ülevaade erinevatest kogumismeetoditest ja sellest, kuidas neist kõige paremini kasu saada.

Õppimise juhtimissüsteemid (LMS)

Enamik populaarseid LMS- platvorme – Õpetatav, Thinkific, Kajabi ja LearnWorlds – on varustatud sisseehitatud analüütiliste armatuurlaudadega. Need näitavad tavaliselt kursuse lõpetamise koondmäärasid, õppetundide edenemist, viktoriiniskoore ja mõnikord isegi lehe kohta veedetud aega. Kuid naturaalne analüüs võib olla piiratud. Sügavamaks kaevamiseks kaaluge toorandmete eksportimist või API- integratsioonide kasutamist andmete sisestamiseks kohandatud analüütika armatuurlauale. Näiteks saab ] Directus [[ [FLT: 1]] abil ühendada oma LMS- andmed peata CMS- ga, ühendades õppija käitumise mõõd sisuhaldusega, mis automaatselt viitab sisu uuendamisele.

Videomajutusplatvormid

Kui sinu meistriklass tugineb suuresti videole, pakuvad sellised platvormid nagu Wistia, Vimeo ja YouTube rikkalikku kaasatuse analüüsi. Wistia „kuumakaardid näitavad täpselt, kuhu vaatajad tagasi kerivad, pausivad või vahele jätavad. Vimeo pakub „tähelepanuulatusgraafe, mis võrdlevad sinu video jõudlust võrdlusnäitajatega. YouTube'i analüüsi hulka kuulub ka vaatajate hoidmine ja reaalajas kaasamine. Nende tööriistade abil saab kindlaks teha mitte ainult ripppunktid, vaid ka selle, millised visuaalsed elemendid (nt slaidid, demonstratsioonid, rääkivad pead) kõige kauem tähelepanu hoiavad. Täpsema analüüsi jaoks kaalu videoanalüütika lisamist oma saidile API- lehekülgede kaudu.

Veebisaidi analüüs (Google Analytics)

Kohandatud saidil või sihtlehel majutatud meistriklassi puhul on Google Analytics hädavajalik. Seadke sündmuste jälgimine, et jäädvustada konkreetseid tegevusi: videomänge, viktoriini käivitamist, klõpse ja vormiesitusi. Kasuta UTM- i parameetreid, et jälgida oma turunduskampaaniate tõhusust. Lisaks võimaldab Google Analyticsi kohordianalüüsi funktsioon näha, kuidas samal ajal registreerunud õppijate rühmad edenevad kursusel, näidates, kas sisu hiljutised muudatused parandavad säilitamist. Täiustatud kasutajad saavad sündmused suunata Google Analytics 4- le ja luua kohandatud aruandeid, mis ühendavad kasutaja demograafiat kursuse kaasamisega.

Uuringu tööriistad

Küsitlused on otseliin õppija tajumiseks. Kasuta tagasiside kogumiseks tööriistu nagu SurveyMonkey, Typeform või Google Forms pärast iga mooduli või kursuse lõpetamist. Net Promoter Score (NPS) uuringud on eriti kasulikud üldise rahulolu ja soovituse tõenäosuse mõõtmiseks. Põimitud küsitluslingid oma meistriklassi platvormi sees või saata need e- posti automatiseerimise teel. Vastamissageduse suurendamiseks hoia küsitlused lühikesed (3– 5 küsimust) ja paku stiimuleid, näiteks tasuta ressurss või tulevaste kursuste allahindlus. Passiivsema lähenemise jaoks integreeri iga õppetunni lõpus platvormisisesed hindamisvidinad (nt tähed või pöid).

Kohandatud analüütika Directuse ja kaasaegsete andmestike abil

Loojate jaoks, kes soovivad ülimat kontrolli, võib kohandatud analüüsitoru loomine olla võimas. Peata CMSi (näiteks Directus) abil saab salvestada kõik õppijaga seotud andmed struktureeritud andmebaasi, seejärel ühendada need visualiseerimisvahenditega, nagu Metabase või Tableau. See võimaldab luua kohandatud armatuurlauad, mis ühendavad edenemisandmed küsitluse vastuste, tugipiletite ja isegi sotsiaalmeedias mainitud andmetega. Lisaks saab automatiseerida toiminguid, mis põhinevad lävenditel: kui tunnist väljalangemise määr ületab 40%, käivitab hoiatus sisu ülevaatamise ülesande. See lähenemine on eriti väärtuslik suurte meistriklassi platvormide või ettevõtete koolitusprogrammide puhul.

Kuidas tõlkida andmeid sisu parandamiseks

Andmete kogumine on vaid pool lahingust. Tegelik väärtus seisneb selles, et sa tegutsed oma leidude järgi. Järgi neid samme, et muuta analüütika meistriklassi jaoks käegakatsutavateks täiustusteks.

1. samm: analüüsige kontekstiga kaasamismustreid

Alusta analüüsi armatuurlaudade ülevaatamisest, et leida kõrgemaid trende. Millistel moodulitel on kõige pikem valmimismäär? Millistel videotel on kõige pikem vaadatud foorum? Millised õppetunnid tekitavad kõige rohkem arutelufoorumi tegevust? Kuid ärge peatuge pinnataseme numbritel. Küsige alati "miks", ristviidetes kvalitatiivsete andmetega. Näiteks kui "eduka arvutuse" õppetunnil on suur kaasahaaratus, kuid vähe viktoriiniskoore, võivad õppijad uudishimust vaadata, kuid ei suuda mõista põhimõisteid – soovitades rohkem harjutamisprobleeme või samm- sammult jaotusi.

2. samm: määratlege konkreetsed probleemsed valdkonnad

Uurige andmeid, et leida nõrku kohti. Otsige õppetunde, mille lõpetamismäär on alla 60%, viktoriini hind keskmiselt alla 70% või video esimeses kvartalis kõrged väljalangemispunktid. Kasuta kuumakaarte, et näha, kas on tavaline hetk, mil õppijad kaotsi lähevad. Tekstipõhise sisu puhul vaata kerimiskaarte või aja- lehekülje mõõdikuid. Looge esmalt 5-10 probleemse valdkonna kuum nimekiri, mida tuleb käsitleda, mille tähtsustamisel on nende mõju õppija üldisele edule.

3. samm: koguge õppijatelt konteksti tagasisidet

Andmed võivad viidata probleemile, kuid mitte alati algpõhjusele. Pöördu õppijate poole, kes kukkusid välja või said kehvasti skoori. Saada lühike e-kiri või küsitlus, milles küsitakse konkreetseid küsimusi selle õppetunni kohta: kas see oli liiga pikk? Liiga kiire? Segane? Puuduvad eeltingimused? See otsene tagasiside paljastab sageli probleeme, mida analüütika üksi ei suuda paljastada, näiteks ebaselged juhised või tehnilised tõrked. Samuti intervjueerige suure jõudlusega õppijaid, et mõista, mis pani sisul klõpsama, et leida parimaid praktikaid, mida mujal korrata.

4. samm: sisu sihipärase kohandamise rakendamine

Analüüsi põhjal tee fokuseeritud muudatused. Tavaliselt on selleks näiteks:

  • Jagage pikad videod: ] Jagage 20-minutilised loengud 5-7-minutiliseks osaks, millest igaühel on selge õppeeesmärk.
  • Lisage interaktiivsed elemendid: ] Lisage viktoriinid, küsitlused või järelemõtlemissoovitused teadaolevatele väljalangemispunktidele, et õppijaid uuesti kaasata.
  • Parandage selgitusi: Kirjutage mitmetähenduslikud lõigud, lisage reaalse maailma näiteid või looge täiendavaid PDF-faile keeruliste mõistete jaoks.
  • Kohanda tempot: ] Kiirenda või aeglustada kohaletoimetamist vastavalt sellele, kui kiiresti õppijad reageerivad hinnangutele.
  • ]Tootmise kvaliteedi parandamine: ] Kui analüüsid näitavad halva heliosa järel mahajäämust, salvestage see osa parema varustusega.
  • Pakkuda mitu õppimisrada: ] Kasuta segmenteerimisandmeid, et pakkuda edasijõudnutele valikulisi sügavaid sukeldumisi, hoides samal ajal tuumikut algajatele ligipääsetavana.

5. samm: jälgige oma muutuste mõju

Pärast kohandamist anna uuele sisule piisavalt aega andmete kogumiseks (nt kaks nädalat või 100 uut õppijat). Seejärel võrdle võtmemõõdikuid enne ja pärast muutust. Kas lõpetamismäärad paranesid? Kas viktoriini hinded tõusid? Kas loobumispunktid nihkusid? Võimaluse korral kasuta A/ B testimist: näita algversiooni uutele õppijatele ja muudetud versiooni teistele, siis võrdle. See teaduslik lähenemine kinnitab, et sinu muudatused on tõeliselt tõhusad, mitte ainult juhuslikud.

6. samm: Segmenteeri oma vaatajaskond kohandatud kogemuste jaoks

Analüüs võib paljastada erinevad õppijasegmentid: töötundidel kasutatavad ettevõttegrupid, nädalavahetustel vaatavad huvilised või videole teksti eelistavad õpilased. Kasuta neid andmeid sisu edastamise isikupärastamiseks. Saada näiteks e- posti järelmeetmed koos täiendava lugemisega neile, kes on videotundidel vähem aega veetnud. Või luua eraldi "kiirendatud rada" õppijatele, kes saavad pidevalt 90%+ viktoriinidel. Segmenteerimine mitte ainult ei paranda kaasatust, vaid soodustab ka isikupärastatud õppimist, mis võib suurendada säilitamist ja suust rääkimist.

Täpsem analüüs: läheb kaugemale põhimeetriast

Kui olete põhialused omandanud, uurige täiustatud analüütilisi tehnikaid, et saada veelgi sügavamaid teadmisi.

kohortanalüüs

Rühmitada õppijad registreerimise kuupäeva järgi ja võrrelda nende käitumist ajas. See aitab tuvastada, kas hiljutised muutused kursuse sihtlehes, hinnas või sisustruktuuris meelitavad ligi teistsugust õppijat – sellist, kes võib olla ka teistsugune. Näiteks võib rühm õppijaid, kes registreerusid pärast sisu põhjalikku muutmist, näidata suuremat lõpetamismäära, mis kinnitab värskenduste tõhusust.

Ennetav analüüs ja varajase hoiatamise süsteemid

Masinõppe mudelite (isegi lihtsate) abil saab varakult kaasamisandmete põhjal ennustada, millised õppijad võivad välja kukkuda (näiteks video vähesel lõpetamisel esimesel nädalal). Automaatsed teated võivad seejärel käivitada sekkumisi, näiteks juhendaja isikupärastatud e- posti või nügimise, et liituda õpperühmaga. Sellise süsteemi loomine võib nõuda integreerimist sellise tööriistaga nagu Directus koos lihtsa Pythoni skriptiga, kuid isegi rusikareeglil põhinevad käsitsi sekkumised (nt „kui kasutaja ei ole 5 päeva sisse loginud, saada meeldetuletus) võivad olla tõhusad.

Loomuliku keele töötlemine (NLP) õppija kommentaarides

Kui sinu kursusel on arutelufoorum või kommentaaride osa, saab NLP analüüsida õppija postituste tundeid ja teemasid. See võib esile tuua tekkiva segaduse teema suhtes enne, kui see ilmub viktoriinis, või positiivsed pinnareaktsioonid, mida saab esile tuua turundusmaterjalides. Tööriistad nagu MonkeyLearn või isegi VADERi tasuta versioon Pythonis võivad teksti töödelda skaalal. Enamiku loojate jaoks on lihtsam viis iga nädal käsitsi sildistada kommentaaride näidis ja otsida mustreid.

Levinud vead, mida vältida, kui kasutate Analyticsit

Isegi parimate kavatsuste korral satuvad loojad sageli lõksudesse, mis õõnestavad analüütika väärtust. Siin on mõned lõksud, millest tuleb hoiduda:

  • ]Vanity mõõdikud: ] Vaatete või registreerumiste tähistamine ilma kaasamise või lõpetamise arvesse võtmata võib anda vale edutunde.
  • ]Väikeste valimite ignoreerimine: ] Suurte sisumuutuste tegemine vaid käputäie õppijate andmete põhjal võib viia ülekorrektsioonini. Oodake, kuni teil on statistiliselt olulised andmed (vähemalt 30- 50 õppijat tunni kohta).
  • Analüüsparalüüs:] Kuluta liiga palju aega armatuurlaudade õppimisele, selle asemel et sisust itereerida. Määra regulaarne ülevaatuse ajakava (nt nädalas) ja piira seansile kulutatavat aega.
  • ]Seaduse sulgemine: ] Tagasiside kogumine, kuid mitte selle põhjal tegutsemine, vähendab usaldust õppijate vastu.Teavitage alati nende sisendi põhjal tehtud muudatustest, isegi kui see toimub lihtsa teate kaudu.
  • Ülemäärane toetumine ühele andmeallikale:] Kvalitatiivsete teadmistega kammimine annab parema pildi. Kõrge langemismäär võib olla tingitud igavast sisust või tehnilisest veast – uuringud võivad öelda, mis.

Pideva arengu kultuuri loomine

Edukaimad meistriklassi loojad ei käsitle analüütikat ühekordse projektina, vaid pideva tsüklina. Loo rütm: kogu andmeid, analüüsi, tegutse, jälgi, korda. Kaasa protsessi oma meeskond või kogukond, jagades teadmisi ja ajurünnaku lahendusi. Aja jooksul arendad välja intuitsiooni, mille puhul mõõdikud on sinu konkreetsele publikule ja sisutüübile kõige olulisemad.

Pidage meeles, et andmed on tööriist, mitte diktaator. See võib esile tuua mustreid, kuid õppimist tõeliselt parandavate lahenduste väljatöötamiseks on vaja loovust ja empaatiat. Ühendage analüüsi rangus õpetamise kunstiga ja teie meistriklass muutub mõjuvaks, tõhusaks ja kasumlikuks haridustooteks.

Edasiseks lugemiseks analüütika kohta hariduses uurige ressursse Õppimise analüüsi uurimisvõrgustikust ] ja Harvard Business Publishingi ülevaateid õppimisanalüütikast ]. Selleks, et sukelduda sügavamale kohandatud analüüsitorustike ehitamisele peata CMSiga, vaadake ]Directus dokumentatsiooni ] integratsiooninäidete jaoks.