Abstract:
مقدمه: رایانش ابری و خدمات ابر به عنوان یک راه حل فناورانه برای توسعه خدمات آموزش میتواند در تسریع و توسعه خدمات این دسته از فعالیتها بسیار سودمند باشد. هدف از انجام پژوهش حاضر ارائه تصویری جامع از حوزههای کاربردی خدمات یادگیری مبتنی بر امکانات رایانش ابری، به منظور آموزش و یادگیری میباشد.
روش کار: رویکرد پژوهش حاضر آمیخته و روش مورد استفاده، پژوهش نظریهای میباشد. برای شناسایی مجموعه و عناصر خدمات یادگیری مبتنی بر امکانات رایانش ابری با متخصصین حوزههای آموزش و یادگیری سازمانی مصاحبههای نیمه ساختار یافته سازماندهی شد. شرکتکنندگان در فرآیند مصاحبه با روش نمونهگیری نظری انتخاب شدند. مصاحبهها با روش کدگذاری باز سازماندهی شدند. به منظور محاسبه پایایی کدگذاریهای انجام شده از روش پایایی بازآزمایی استفاده شد.
یافتهها: سطح توافق (PAQ) مساوی با عدد 83/0 محاسبه گردید که نشان دهنده سطح بالایی از توافق درونی دارد. در مرحله دوم برای انسجام بخشی به دادهها و تعیین ارتباط مجموعههای خدمات آموزش و یادگیری مبتنی بر قابلیتهای رایانش ابری، از ساختار و روش مدیریت تعاملی (IM) و نرمافزار الگوسازی ساختاری تفسیری (ISM) استفاده شد. و در بخش سوم که مرتبط با بخش کمی پژوهش میباشد از روش تحلیل سلسله مراتبی (AHP) و نرمافزار (Choice Expert) برای وزندهی به مجموعههای مذکور استفاده گردید.
نتیجهگیری: براساس نظر اجماعی مدل جامع خدمات یادگیری مبتنی بر رایانش ابری ارائه گردید که عناصر اصلی به ترتیب اهمیت و وزن، شامل فرآیندهای پشتیبانی مدیریت یادگیری (247/0)، پشتیبانی تدریس (208/0)، ابزارهای آموزش و یادگیری (207/0)، پشتیبانی ثانویه آموزش و یادگیری (206/0)، پشتیبانی پیش از آموزش و یادگیری و تجزیه و تحلیل فراگیران (066/0) میباشد.
Introduction: The cloud computing and services, as a technological solution for developing educational services, can accelerate the provision and expansion of these highly useful services. This study intended to provide an overall picture of practical areas of learning services based on cloud computing teaching and learning equipment.
Methods: This was a theoretical hybrid research study in which a series of semi-structured interviews were conducted on organizational teaching and learning experts in order to identify the collection and elements of cloud-computing-based learning services. The participants were selected during the interviews via the theoretical sampling.
Results: The interviews were organized using the open coding method. The test-retest reliability method was used to calculate the coding reliability of specialized interviews, and the PAQ was equal to 0.83, indicating the high internal consistency. In the second stage, the IM and ISM methods were used to cohere data and determine the relationship of the teaching and learning services based on cloud computing. In the third (quantitative) stage, the analytic hierarchy process (AHP) and Expert Choice were used to weight these series of teaching and learning services.
Conclusions: Based on the consensus of opinions, a comprehensive model of cloud-computing-based learning services was developed. Its major components in order of importance were learning management support (0.247), teaching support (0.208), teaching and learning tools (0.207), secondary teaching and learning support (0.206), and pre-teaching and pre-learning support and learner analysis (0.066).