رايانش ابري ؛ رهيافتي نوين در آموزش و يادگيري

Cloud Computing; A New Approach to Learning and Learning

مقدمه: رايانش ابري و خدمات ابر به عنوان يك راه حل فناورانه براي توسعه خدمات آموزش مي‌تواند در تسريع و توسعه خدمات اين دسته از فعاليت‌ها بسيار سودمند باشد. هدف از انجام پژوهش حاضر ارائه تصويري جامع از حوزه‌هاي كاربردي خدمات يادگيري مبتني بر امكانات رايانش ابري، به منظور آموزش و يادگيري مي‌باشد. روش كار: رويكرد پژوهش حاضر آميخته و روش مورد استفاده، پژوهش نظريه‌اي مي‌باشد. براي شناسايي مجموعه و عناصر خدمات يادگيري مبتني بر امكانات رايانش ابري با متخصصين حوزه‌هاي آموزش و يادگيري سازماني مصاحبه‌هاي نيمه ساختار يافته سازماندهي شد. شركت‌كنندگان در فرآيند مصاحبه با روش نمونه‌گيري نظري انتخاب شدند. مصاحبه‌ها با روش كدگذاري باز سازماندهي شدند. به منظور محاسبه پايايي كدگذاري‌هاي انجام شده از روش پايايي بازآزمايي استفاده شد. يافته‌ها: سطح توافق (PAQ) مساوي با عدد 83/0 محاسبه گرديد كه نشان دهنده سطح بالايي از توافق دروني دارد. در مرحله دوم براي انسجام بخشي به داده‌ها و تعيين ارتباط مجموعه‌هاي خدمات آموزش و يادگيري مبتني بر قابليت‌هاي رايانش ابري، از ساختار و روش مديريت تعاملي (IM) و نرم‌افزار الگوسازي ساختاري تفسيري (ISM) استفاده شد. و در بخش سوم كه مرتبط با بخش كمي پژوهش مي‌باشد از روش تحليل سلسله مراتبي (AHP) و نرم‌افزار (Choice Expert) براي وزن‌دهي به مجموعه‌هاي مذكور استفاده گرديد. نتيجه‌گيري: براساس نظر اجماعي مدل جامع خدمات يادگيري مبتني بر رايانش ابري ارائه گرديد كه عناصر اصلي به ترتيب اهميت و وزن، شامل فرآيندهاي پشتيباني مديريت يادگيري (0/247)، پشتيباني تدريس (0/208)، ابزارهاي آموزش و يادگيري (0/207)، پشتيباني ثانويه آموزش و يادگيري (0/206)، پشتيباني پيش از آموزش و يادگيري و تجزيه و تحليل فراگيران (0/066) مي‌باشد.

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).