Pernahkah anda tertanya-tanya mengapa sesetengah pelajar dapat memahami sesuatu topik Matematik dengan cepat, manakala pelajar lain masih menghadapi kesukaran walaupun mengikuti kuliah yang sama? Lebih menarik lagi, bagaimana pensyarah dapat mengenal pasti kemerosotan prestasi pelajar sebelum keputusan peperiksaan akhir diperoleh?

Dalam pengajaran Matematik di institusi pengajian tinggi, persoalan seperti ini bukanlah sesuatu yang asing. Setiap minggu, pensyarah berhadapan dengan pelbagai maklumat, termasuk markah kuiz, tugasan, ujian, kehadiran dan penyertaan pelajar dalam aktiviti pembelajaran. Seiring dengan perkembangan pembelajaran digital, rekod seperti penghantaran tugasan, akses kepada bahan pembelajaran dan penggunaan platform e-Pembelajaran turut menjadi sebahagian daripada maklumat yang tersedia.

Semua maklumat ini merupakan data yang berpotensi dimanfaatkan untuk memahami perkembangan pembelajaran pelajar. Jika dikumpulkan secara berterusan, data tersebut bukan sekadar rekod akademik, malah dapat memberikan gambaran tentang perubahan dan perkembangan pembelajaran dari satu minggu ke minggu yang lain.

Daripada Kelas Matematik kepada Data Pembelajaran

Dalam pengalaman pengajaran Matematik di UTM SPACE, penggunaan platform e-Pembelajaran menjadi sebahagian daripada proses pengajaran dan pembelajaran. Bahan pembelajaran, tugasan dan aktiviti kelas dapat disokong melalui platform digital. Dalam keadaan tertentu, rakaman pengajaran turut disediakan bagi membolehkan pelajar menonton semula penerangan pensyarah dan melengkapkan tugasan selepas kelas.

Sebagai contoh, rakaman sesuatu sesi pembelajaran bukan sahaja menyediakan bahan untuk ulang kaji, malah memberikan maklumat tambahan tentang aktiviti pembelajaran yang berlangsung. Begitu juga dengan tugasan yang dihantar secara dalam talian. Melalui data yang dikumpulkan sepanjang beberapa minggu pengajaran, pensyarah dapat memperoleh maklumat yang menunjukkan perkembangan pembelajaran pelajar secara berperingkat.

Bayangkan seorang pelajar yang memperoleh markah kuiz Matematik semakin rendah secara konsisten selama lima minggu berturut-turut. Penurunan markah dalam satu kuiz mungkin tidak kelihatan begitu membimbangkan. Namun, apabila dibandingkan dengan markah minggu-minggu sebelumnya, perubahan tersebut dapat memperlihatkan corak kemerosotan prestasi.

Di sinilah analisis siri masa menjadi relevan dalam memahami perkembangan pembelajaran pelajar.

Melihat Prestasi sebagai Satu Perjalanan

Salah satu pendekatan yang boleh digunakan untuk menganalisis perkembangan data dari semasa ke semasa ialah Bayesian Structural Time Series (BSTS). BSTS merupakan pendekatan analisis siri masa berasaskan Bayesian dalam kerangka model ruang keadaan (state-space model), yang membolehkan perubahan sesuatu siri masa dianalisis dengan mengambil kira komponen seperti trend dan perubahan dari semasa ke semasa.

Dalam konteks pendidikan tinggi, siri masa tersebut boleh merujuk kepada markah kuiz mingguan, purata markah tugasan, kadar penyertaan dalam aktiviti pembelajaran atau indikator lain yang direkodkan secara berkala.

Secara asas, BSTS memodelkan sesuatu siri masa melalui hubungan antara pemerhatian yang dapat diukur dengan keadaan atau komponen tersembunyi yang berubah mengikut masa. Dalam konteks ini, prestasi pelajar boleh diwakili oleh data yang diperoleh setiap minggu, manakala komponen tersembunyi pula boleh menggambarkan trend atau perubahan yang mendasari prestasi tersebut.

Kelebihan pendekatan ini ialah prestasi pelajar tidak dinilai berdasarkan satu angka yang berdiri sendiri. Sebaliknya, data dianalisis dengan mengambil kira corak dan perkembangan dari semasa ke semasa.

Sebagai contoh, jika prestasi pelajar menunjukkan trend penurunan secara berterusan selama beberapa minggu, maklumat tersebut boleh menjadi petunjuk awal kepada pensyarah untuk meneliti semula topik yang diajar, tahap kesukaran latihan atau penglibatan pelajar dalam aktiviti pembelajaran.

Menilai Kesan Sesuatu Intervensi

Selain membantu memahami perkembangan prestasi pelajar, data juga boleh dimanfaatkan untuk menilai kemungkinan kesan sesuatu intervensi pengajaran.

Sebagai contoh, apabila mendapati prestasi pelajar dalam sesuatu topik Matematik semakin menurun, pensyarah boleh memperkenalkan video penerangan tambahan, latihan berperingkat atau sesi pengukuhan. Selepas intervensi dilaksanakan, markah kuiz pelajar mungkin menunjukkan peningkatan.

Walau bagaimanapun, peningkatan markah semata-mata belum mencukupi untuk membuktikan bahawa intervensi tersebut menjadi puncanya. Perubahan prestasi juga mungkin dipengaruhi oleh faktor lain, seperti tahap kesukaran kuiz, pengalaman pembelajaran terdahulu atau perubahan dalam penglibatan pelajar.

Dalam keadaan ini, BSTS boleh digunakan untuk membina anggaran kontrafaktual (counterfactual), iaitu gambaran tentang bagaimana prestasi pelajar mungkin berkembang sekiranya intervensi tidak dilaksanakan. Perbandingan antara perkembangan prestasi sebenar selepas intervensi dengan anggaran tersebut dapat membantu pensyarah menilai kemungkinan kesan intervensi secara lebih sistematik.

Pendekatan ini bukan bertujuan menggantikan pertimbangan profesional pensyarah, sebaliknya menyediakan sumber maklumat tambahan untuk menyokong proses membuat keputusan dalam pengajaran.

Daripada Data kepada Tindakan

Penggunaan data digital hanya akan memberikan makna apabila maklumat yang diperoleh diterjemahkan kepada tindakan yang bersesuaian.

Sebagai contoh, jika analisis menunjukkan prestasi pelajar mula menurun selepas sesuatu topik diperkenalkan, pensyarah boleh mempertimbangkan untuk menyediakan bahan pembelajaran tambahan, menambah latihan, menggunakan video penerangan, menjalankan aktiviti pengukuhan atau mengenal pasti pelajar yang memerlukan sokongan lebih awal.

Pada masa yang sama, pelajar juga berpotensi memperoleh manfaat daripada maklum balas yang diberikan lebih awal. Mereka tidak semestinya perlu menunggu sehingga peperiksaan akhir untuk mengetahui bahawa prestasi pembelajaran mereka menunjukkan perubahan.

Melalui pendekatan ini, satu kitaran pembelajaran yang lebih responsif dapat dibentuk, bermula daripada pengumpulan data digital, diikuti analisis BSTS, pengenalpastian trend, pelaksanaan intervensi dan penilaian semula.

Teknologi digital bukan sekadar menjadi medium penyampaian bahan pembelajaran, malah berpotensi menyediakan maklumat yang membantu pensyarah memahami perkembangan pembelajaran secara berterusan. Pendekatan ini juga membuka ruang kepada institusi pengajian tinggi untuk beralih daripada penilaian yang hanya berfokus pada hasil akhir kepada pemantauan pembelajaran yang lebih berterusan.

Ke Arah Pengajaran Matematik Berasaskan Data

Penggunaan data digital dalam pendidikan tinggi perlu dilihat sebagai alat sokongan, bukannya pengganti peranan pensyarah. Data dapat menunjukkan sesuatu corak, tetapi pensyarah tetap perlu memahami konteks di sebalik corak tersebut sebelum menentukan tindakan yang sesuai.

Dalam pengajaran Matematik, khususnya, gabungan data pembelajaran digital dan analisis siri masa berpotensi membantu pensyarah mengenal pasti perubahan prestasi lebih awal, merancang intervensi yang bersesuaian dan menilai semula keberkesanan pendekatan pengajaran yang digunakan.

BSTS mungkin bukan penyelesaian kepada semua cabaran pengajaran dan pembelajaran. Namun, dalam persekitaran pendidikan tinggi yang semakin kaya dengan data digital, pendekatan ini membuka ruang untuk menghubungkan teknologi, statistik dan amalan pengajaran secara lebih bermakna.

Akhirnya, matlamat penggunaan data bukan sekadar mengumpulkan sebanyak mungkin maklumat, tetapi memanfaatkan data yang tersedia untuk menyokong keputusan pengajaran yang lebih tepat, responsif dan berpusat pada keperluan pelajar.

Oleh Nurul Syuhada Samsudin, Nurul Duratulain Ramlan dan Nur Hazirah Mohd Bahkri, PPI SPACE UTM