Hallgatói eredményesség és tanulási támogatás vizsgálata egy operációkutatás kurzusban
Absztrakt
A felsőoktatási matematika tantárgyak oktatása során kiemelt jelentőségű a hallgatói eredményességet befolyásoló pedagógiai tényezők vizsgálata. Jelen tanulmány az Operációkutatás 1. tantárgy oktatási tapasztalatait és hallgatói teljesítményét elemzi egy fővárosi egyetem gazdaságinformatika szakos hallgatói körében. A kutatás kvantitatív és kvalitatív módszereket egyaránt alkalmaz: a hallgatói teljesítmények mellett kurzusértékelések és hallgatói visszajelzések elemzése is megtörtént. Az eredmények alapján megállapítható, hogy a gyakorlatközpontú oktatás, az átlátható követelményrendszer és az oktatói támogatás jelentősen hozzájárulnak a hallgatói eredményességhez és motivációhoz. A személyes hallgatói beszélgetések rámutattak arra is, hogy a generatív mesterséges intelligencia eszközei mára a tanulási folyamat természetes részévé váltak. A tanulmány ezért hangsúlyozza, hogy a jövőbeni oktatásanalitika vizsgálatok során a hagyományos LMS-adatok mellett az AI-használat elemzése is egyre fontosabb szerepet kaphat a hallgatói eredményesség predikciójában és az adaptív oktatási támogatás fejlesztésében.
Hivatkozások
Xepapadeas, A. (2005): Economic growth and the environment. Handbook of environmental economics, 3., pp. 1219–1271.
Bouali, S.–Buscarino, A.–Fortuna, L.–Frasca, M.–Gambuzza, L. V. (2012): Emulating complex business cycles by using an electronic analogue. Nonlinear Analysis: Real World Applications, 13., (6.), pp. 2459–2465.
Landgärds-Tarvoll, I. (2024): Understanding the challenges of the secondary-tertiary transition in mathematics for economics in higher education: a literature review. Teaching Mathematics and its Applications: An International Journal of the IMA, 43., (4.), pp. 251–272.
Tularam, G. A. (2013): Mathematics in finance and economics: importance of teaching higher order mathematical thinking skills in finance. E-Journal of Business Education and Scholarship of Teaching, 7., (1.), pp. 43–73.
Böhm, M.–Barkmann, J.–Eggert, S.–Carstensen, C. H.– Bögeholz, S. (2020): Quantitative modelling and perspective taking: Two competencies of decision making for sustainable development. Sustainability, 12., (17.).
Bell, P. C.–Haehling von Lanzenauer, C. (2000): Teaching objectives: the value of using cases in teaching operational research. Journal of the Operational Research Society, 51., (12.), pp. 1367–1377.
Morgan, M. S.– Knuuttila, T. (2012): Models and modelling in economics. Philosophy of economics, 13., pp. 49–87.
Rai, B. K.–So, C. K.–Nicholas, A. (2012): A primer on mathematical modelling in economics. Journal of Economic Surveys, 26., pp. 594–615.
Takács A. M.–Takács A. (2026): Az élményalapú felsőfokú matematika oktatásában alkalmazott módszerek. Dunakavics, 14., (4.), pp. 35–48.
Sweller, J. (1988): Cognitive load during problem solving: Effects on learning. Cognitive Science, 12., (2)., pp. 257–285.
Okada, R. (2023), Effects of Perceived Autonomy Support on Academic Achievement and Motivation Among Higher Education Students: A Meta-Analysis. Jpn Psychol Res, 65., pp. 230–242.
Williams, A. (2024): Delivering Effective Student Feedback in Higher Education: An Evaluation of the Challenges and Best Practice. International Journal of Research in Education and Science, 10., (2.), pp. 473–501.
Kocsó, E. (2023): The Possible Framework for Examining Student Performance. Journal of Applied Technical and Educational Sciences, 13., (3.).
Márquez, L.–Henríquez, V.–Chevreux, H.–Scheihing, E.–Guerra, J. (2024): Adoption of learning analytics in higher education institutions: A systematic literature review. British Journal of Educational Technology, 55., (2.), pp. 439–459.
Rodríguez-Ortiz, M. Á.– Santana-Mancilla, P. C.– Anido-Rifón, L. E. (2025): Machine Learning and Generative AI in Learning Analytics for Higher Education: A Systematic Review of Models, Trends, and Challenges. Appl. Sci. 15.,
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
