BLEND.FL NA FAKULTETI ZA LOGISTIKO · kvantitativne metode v logistiki (1. letnik visokošolskega programa Gospodarska in tehniška logistika). Pri takem načinu študija je glavni

UNIVERZA V MARIBORU

FAKULTETA ZA LOGISTIKO

Sabrina Trafela

BLEND.FL NA FAKULTETI ZA

LOGISTIKO

diplomsko delo

Celje, september 2010

UNIVERZA V MARIBORU

FAKULTETA ZA LOGISTIKO

Sabrina Trafela

BLEND.FL NA FAKULTETI ZA

LOGISTIKO

diplomsko delo

Mentor:

dr. Tomaţ Kramberger

Celje, september 2010

IZJAVA O AVTORSTVU diplomskega dela

Spodaj podpisana ____________________________________________________,

študentka _______________________________________________________

(študija), z vpisno številko _____________________________________, sem avtorica

diplomskega dela z naslovom:

______________________________________________________________________

______________________________________________________________________.

S svojim podpisom zagotavljam, da:

• je predloţeno delo rezultat izključno mojega lastnega raziskovalnega dela;

• sem poskrbel/a, da so dela in mnenja drugih avtorjev oz. avtoric, ki jih uporabljam v

diplomskem delu, navedena oz. citirana v skladu s navodili Fakultete za logistiko

Univerze v Mariboru;

• sem poskrbel/a, da so vsa dela in mnenja drugih avtorjev oz. avtoric navedena v

seznamu virov, ki je sestavni del diplomskega dela in je zapisan v skladu s navodili

Fakultete za logistiko Univerze v Mariboru;

• sem pridobil/a vsa dovoljenja za uporabo avtorskih del, ki so v celoti prenesena v

diplomsko delo in sem to tudi jasno zapisal/a v diplomskem delu;

• se zavedam, da je plagiatorstvo – predstavljanje tujih del, bodisi v obliki citata

bodisi v obliki skoraj dobesednega parafraziranja bodisi v grafični obliki, s katerim

so tuje misli oz. ideje predstavljene kot moje lastne – kaznivo po zakonu (Zakon o

avtorskih in sorodnih pravicah, Uradni list RS št. 21/95), prekršek pa podleţe tudi

ukrepom Fakultete za logistiko Univerze v Mariboru v skladu z njenimi pravili;

• se zavedam posledic, ki jih dokazano plagiatorstvo lahko predstavlja za predloţeno

delo in za moj status na Fakulteti za logistiko Univerze v Mariboru;

• je diplomsko delo jezikovno korektno in da je delo lektorirala Ksenija Pečnik, prof.

slovenščine.

V Celju, dne _____________ Podpis avtorice:__________________

ZAHVALA

Diplomsko delo je plod skoraj enoletnega raziskovanja in dela na področju e-študija.

Zahvaljujem se vsem zaposlenim v Centru za e-študij in aplikativno računalništvo ter

referatu, ki so mi pomagali z informacijami ter mentorju, dr. Tomažu Krambergerju in

izr. prof. dr. Maji Fošner, ki sta me usmerjala in mi pomagala pri reševanju

matematičnih problemov.

BLEND.FL NA FAKULTETI ZA LOGISTIKO

Vseţivljensko učenje je sodoben trend, ki se je v različnih oblikah poskušal uveljaviti ţe

v zadnjih dvesto letih. Učni proces na FL UM poteka kot kombinacija avditornih vaj in

predavanj ter študija s pomočjo tehnologije preko virtualne fakultete. Le-ta nudi

študentu vse potrebne informacije za uspešen študij. Drugi del t.i. virtualnega učnega

procesa so e-gradiva, ki so objavljena na spletu, dostop do njih pa imajo študentje FL z

vpisom v portal s svojim uporabniškim imenom in geslom.

V praktičnem delu naloge smo potrdili, da je sprotno delo študentov z e-gradivi nujen

pogoj za njihovo uspešnost pri opravljanju predpisanih izpitnih obveznosti. Pripravili

smo model, ki nam omogoča ločiti uspešne študente od neuspešnih na osnovi njihovega

samostojnega dela v spletni učilnici. Model najprej napove višino končne ocene pri

predmetu KML na osnovi povprečne ocene opravljenih kvizov. Na osnovi napovedi pa

le-te klasificira v pozitivni in negativni razred. Model je zgrajen s konzervativnim

pristopom, saj nobenega primera ne napove preoptimistično, to je v nobenem primeru

negativne ocene, le-te ne napove kot pozitivno vrednost. Točnost klasifikacije je zelo

visoka, saj napačno razvrsti manj kot 10% primerov.

Ključne besede: napovedni model, linearna regresija, hibridno učenje

BLEND.FL AT FACULTY OF LOGISTICS

Lifelong learning is a modern trend, which was held in various forms in last two

hundred years. Learning process at FL UM is a combination of traditional learning

process, combined with e-learning system. In this way, student can get all necessary

data. The other part of FL UM learning process is a web page with e-materials, which

are placed online for the students and they can reach them with their username and a

password.

In the practical part we have confirmed that the ongoing work of students with e-

materials is a necessary condition for their success in carrying out the prescribed exams.

We have created a model that allows us to separate the successful from the unsuccessful

students based on their individual work in the online classroom. The model first predicts

the amount of the final evaluation at the course KML on the average estimate of

quizzes. Based on the projections they classify the positive and negative class. The

model is built with the conservative approach, because does not predict any case too

optimistic, this means in any case of a negative assessment, they do not predict a

positive value. Classification accuracy is very high, because it classifies wrong only

10% of the cases.

Keywords: prediction models, linear regression, hybrid learning

Fakulteta za logistiko Univerze v Mariboru Visokošolski strokovni študijski program

Sabrina Trafela: Blend.FL na Fakulteti za logistiko V

KAZALO VSEBINE

UVOD ......................................................................................................................................................... 1

OPIS PROBLEMA ....................................................................................................................................... 1 CILJ IN POT REŠEVANJA PROBLEMA.......................................................................................................... 1 PREDPOSTAVKE IN OMEJITVE ................................................................................................................... 2 METODE DELA ......................................................................................................................................... 2

1 KOMBINACIJA TRADICIONALNEGA IN E-ŠTUDIJA ................................................................. 3

1.1 UČENJE NA DALJAVO ......................................................................................................................... 5 1.2 MODEL HIBRIDNEGA IZOBRAŢEVANJA (ANG. BLENDED LEARNING) ................................................. 10 1.3 IMPLEMENTACIJA HIBRIDNEGA UČENJA ........................................................................................... 12

2 ŠTUDIJ NA FAKULTETI ZA LOGISTIKO..................................................................................... 15

2.1 PREDSTAVITEV USTANOVE ............................................................................................................... 15 2.2 BLEND.FL ........................................................................................................................................ 16 2.3 TEORETIČNE OSNOVE V PRAKSI ........................................................................................................ 18

2.3.1 Didaktične osnove, ki jim sledi FL .......................................................................................... 18 2.3.2 IKT pismenost na FL ............................................................................................................... 19 2.3.3 Prednosti in slabosti hibridnega učenja Blend.FL .................................................................. 19 2.3.4 Finančni vidik .......................................................................................................................... 21 2.3.5 Model samoizbire v hibridnem modelu na FL ........................................................................ 22

2.4 PROBLEMI, KI SE POJAVLJAJO ........................................................................................................... 23 2.5 REŠITVI NAPROTI ............................................................................................................................. 23

3 OSNOVE STATISTIKE, UPORABLJENE V DIPLOMSKEM DELU .......................................... 32

3.1 PRIPRAVA PODATKOV ...................................................................................................................... 32 3.2 KORELACIJA .................................................................................................................................... 33 3.3 REGRESIJA ....................................................................................................................................... 37

4 STATISTIČNA ANALIZA .................................................................................................................. 41

4.1 KAJ ŢELIMO DOKAZATI? .................................................................................................................. 41 4.2 PROGRAM MICROSOFT OFFICE EXCEL ............................................................................................. 41 4.3 VIRI IN PRIPRAVA PODATKOV ........................................................................................................... 42 4.4 REZULTATI ....................................................................................................................................... 44 4.5 KOMENTAR ...................................................................................................................................... 52

5 PREDLAGANE REŠITVE PROBLEMA .......................................................................................... 54

ZAKLJUČEK .......................................................................................................................................... 60

LITERATURA IN VIRI ......................................................................................................................... 62

KAZALO SLIK

Slika 1: Moţnosti, ki jih nudi e-izobraţevanje ................................................................. 7 Slika 2: Shema hibridnega učenja ................................................................................... 13 Slika 3: Animirane naloge v e-učilnici ........................................................................... 26 Slika 4: Profil Cindy v e-učilnici .................................................................................... 28

Slika 5: Tabela za določitev povezanosti pri izračunu korelacij .................................... 35


Sabrina Trafela: Blend.FL na Fakulteti za logistiko VI

KAZALO TABEL

Tabela 1: SWOT analiza e-študija .................................................................................... 8 Tabela 2: Predmeti v 1. letniku Visokošolskega strokovnega študijskega programa

Gospodarska in tehniška logistika .................................................................................. 17 Tabela 3: Število študentov po generacijah .................................................................... 20 Tabela 4: Prehodnost študentov po letnikih .................................................................... 20 Tabela 5: Podatki za primer 1 ......................................................................................... 36 Tabela 6: Funkcije, ki smo jih v Excell-u uporabili za naše izračune ............................ 41

Tabela 7: Seta podatkov za statistično analizo ............................................................... 43 Tabela 8: Zbirnik podatkov uporabljenih setov v nalogi ................................................ 45 Tabela 9: Soodvisnosti med preučevanima atributoma za redno vpisane študente ........ 46 Tabela 10: Soodvisnosti med preučevanima atributoma pri izrednih študentih ............. 47

Tabela 11: Podatki, ki smo jih uporabili v regresijski analizi ........................................ 48 Tabela 12: Rezultati modela uspešnosti študentov pri opravljanju izpita KML ............. 50 Tabela 13: Rezultat napovedi in klasifikacije primerov ................................................. 51 Tabela 14: Soodvisnosti med preučevanima atributoma za redno vpisane študente ...... 55

Tabela 15: Regresijski model za napovedovanje končne ocene pri predmetu KML ..... 56 Tabela 16: Rezultati napovedi in klasifikacije primerov ................................................ 57


Sabrina Trafela: Blend.FL na Fakulteti za logistiko VII

SEZNAM KRATIC

FL – Fakulteta za logistiko

UM – Univerza v Mariboru

UMML – Uporaba matematičnih metod v logistiki (I in II)

SML – Statistične metode v logistiki

ELP – Elektronsko poslovanje

AS – ActionScript

IKT – Informacijsko komunikacijska tehnologija

www – Svetovni splet (ang. World Wide Web)

CES – Center za e-študij in aplikativno računalništvo

CIS – Center za informacijski sistem


Sabrina Trafela: Blend.FL na Fakulteti za logistiko 1

UVOD

Opis problema

Študij na Fakulteti za logistiko Univerze v Mariboru (nadalje FL) poteka kot zmes

tradicionalnega načina študija in študija s pomočjo tehnologije. Tak način študija se v

strokovni literaturi opredeljuje kot hibridno učenje (ang. blended learning). (“Blended

Learning” [Wikipedia], b. d.).

Takšen način študija ima prednosti in slabosti. Nekatere je mogoče zaobiti, druge ne. V

diplomski nalogi bomo raziskali strokovno ter znanstveno literaturo in ugotovili, kako

drugi avtorji opredeljujejo blended learning, ga primerjali z našo virtualno fakulteto ter

predlagali moţne izboljšave v njej. Izvedli bomo pilotni projekt in sicer pri predmetu

kvantitativne metode v logistiki (1. letnik visokošolskega programa Gospodarska in

tehniška logistika).

Pri takem načinu študija je glavni problem motivacija študentov, ki vpliva tako na delo

študenta, kot tudi učitelja. Poiskali bomo moţne vzroke za pomanjkanje motivacije za

samostojno delo, jih raziskali ter definirali, kako bi lahko prilagodili obstoječi študijski

sistem, da bi bili študentje bolj motivirani in delo opravljali samostojno. S tem bo

kakovost dobljenega znanja boljša, hkrati pa bodo učitelji svoje delo laţje opravljali.

Cilj in pot reševanja problema

Cilj naše diplomske naloge bo teoretična in praktična obravnava hibridnega učenja,

identifikacija problema in iskanje moţnih rešitev.

V ta namen bomo dokazovali naslednje teze:

če študentom pokaţemo uporabno vrednost študijske snovi, bodo le-to sprejeli z

odobravanjem in zanimanjem (motivacija);

če študente usmerimo, kako naj delajo in jim postavimo časovne omejitve, bodo

obveznosti opravili laţje, hkrati pa bo se bodo sproti pripravljali na zaključni izpit;

študentje, ki ne opravljajo redno svojih obveznosti, imajo teţave pri opravljanju



zaključnega izpita.

Predpostavke in omejitve

Predpostavljamo, da študentje izhajajo iz različnih šol z različnim predznanjem in

delovnimi navadami. Ravno tako ne moremo vedeti, kakšna je računalniška pismenost

študentov, lahko pa jih motiviramo k učenju in delu.

Podajanje snovi študentov je odvisno od posameznega profesorja/asistenta, zato lahko le

ponudimo idejo, ne moremo pa jim vsiliti načina poučevanja.

V sklopu pilotnega projekta je glavna omejitev časovni okvir, saj je ta pristop

uporabljen prvič (študijsko leto 2009/2010) in podatkov ne moremo primerjati s

preteklimi leti.

Metode dela

Diplomsko delo je individualno praktično raziskovalno delo študenta, kar pomeni, da

bomo morali del diplomske naloge utemeljiti s teoretičnimi viri, za kar bomo uporabilo

meta-analizo. Za praktični del diplomske naloge bomo uvedli pilotni projekt, s katerim

bomo dokazovali postavljene teze. Na koncu bo sledila še statistična analiza dobljenih

podatkov s programom Microsoft Excel.



1 KOMBINACIJA TRADICIONALNEGA IN E-ŠTUDIJA

V modelu tradicionalnega učenja je učitelj avtoriteta, ki vodi študenta skozi učni proces,

mu pri tem pomaga in upravlja s celotnim procesom učenja. V sedanjem času pa se

vedno bolj uporablja model hibridnega učenja, kjer je vpliv pedagoškega delavca

manjši, hkrati pa to od udeleţencev zahteva veliko mero samostojnega dela in

samodiscipline. S stališča tradicionalnega modela učenja bi naj predavanja vzpodbujala

študente k študiju, a se je potrebno zavedati, da je tudi študijski proces invididualna

zadeva, ki poteka pri vsakem posamezniku drugače.

Didaktika je veda, ki obravnava vsebino, metode in organizacijo učnega procesa

(“Didactic method” [Wikipedia], b. d.)., je skozi čas razvila mnogo metod podajanja

snovi, pri tem pa je glavni cilj le-teh uspešen študij oziroma učenje. Pri novih metodah

podajanja snovi in vse večjega vpliva elektronskega izobraţevanja oziroma e-študija bi

bilo smiselno povezati didaktiko z blended učenjem.

Knowles vidi načela sodobne didaktike v osmišljenosti izobraţevanja, ki poteka po

načelih prijateljske, prijetne študijske klime, na primernem študijskem nivoju za

posameznika. Posamezni udeleţenci pri tem sodelujejo in prevzemajo odgovornost za

svoje delo. Pedagoški delavec s svojim lastnim pozitivnim pristopom spodbuja in

motivira udeleţence izobraţevanja. Tempo učenja je prilagojen učni skupini, vsak

udeleţenec pa sledi tudi lastnemu tempu glede na svoje potrebe in sposobnosti in skupaj

s pedagoškim delavcem spremlja svoj napredek. Ta načela lahko poveţemo tudi s

hibridnim učenjem, saj govorijo o raznovrstnosti, prilagodljivosti in spremljanju

napredka etc. Kombinacija tradicionalnega in e-študija ţeli doseči natančno to, kar

opisuje Knowles. Eden izmed načinov kako to doseči, je uporaba virtualne učilnice

(npr. Moodle), v katero je mogoče implementirati različne vrste kvizev, forumov,

klepetalnice, indikator napredka etc. Knowles navaja tudi, da lahko sodobni mediji in

metode učenja pri študentih povzročijo šok v novih študijskih situacijah in z novimi

principi izobraţevalnega procesa. Ko ta šok prebrodijo, je odvisno od posazmenika,

kako se bo na sodobne metode odzval (Knowles, b. d.). Smyth (2006) navaja, da bo

individuum aceptiral določeno novost zaradi enega izmed dveh moţnih razlogov in

sicer:

če obstaja potreba, da določeno novost aceptira in se le-tej ni mogoče izogniti;



če obstaja osebni interes, da to novost aceptira.

Sodobne metode učenja lahko zasledimo v repetitivni vlogi ko z dodajanjem sodobnih

metod samo utrjujemo ter ponavljamo ţe prej opravljeno fazo učnega procesa. Ta

funkcija bi torej naj sluţila za povečanje učinka posamezne faze študijskega procesa.

Aditivno vlogo pa imajo sodobne študijske metode takrat, ko vsaka metoda opravlja

drugačno didaktično funkcijo v različni fazi študijskega procesa. Uporaba izobraţevalne

tehnologije mora biti strogo didaktično opredeljena. Preden se podamo v uporabo

izobraţevalne tehnologije je nujno potrebno, da si odgovorimo na naslednja vprašanja:

kako bomo uporabljali izobraţevalno tehnologijo;

zakaj je bolje uporabljati takšen način študijskega procesa;

kakšni bodo rezultati tako metodično pripravljene snovi;

ali nam takšen način študijskega procesa prinese viden napredek.

Pomembno je poudariti, da takšen način uporabe izobraţevalne tehnologije omogoča

tudi prehajanje od izobraţevanja k samoizobraţevanju študentov, kar je lahko ključnega

pomena za npr. izobraţevanje izrednih študentov (Krajnc, 1979, str. 26-28).

Ljudje postanejo pod vplivom mnoţičnih komunikacij predisponirani za določeno

percepcijsko pot, ne da bi se tega posebej zavedali. Zato je potrebno pri planiranju

izobraţevalne tehnologije najprej proučiti dosedanje navade in ustaljene perceptivne

modele udeleţencev. Knowles in nekateri drugi znani strokovnjaki poročajo celo o

šoku, ki ga doţivijo odrasli. To je za andragoga največje doţivetje. Brez neke uvodne

priprave učencev na določen medij, katerega nameravamo uporabljati, bi teţko

pričakovali znatnejše vzgojnoizobraţevalne učinke (Knowles, b. d.).

Kljub vsemu pa je in bo prisotnost pedagoškega delavca ne glede na tehnologijo ali

metodologijo, ki jo pri študijskem procesu uporabljamo, nujno potrebna. Učitelj mora

odločati o tem, katero izkustvo je v dani situaciji pomembneje uporabiti, virtualno ali

realno. Ravno tako mora biti učitelj tisti, ki naj izbere ustrezen program ali opravilo ali

kako drugače pomaga prebroditi prvi šok in podpre izobraţevalni proces v smislu

usmerjanja študenta. Multimedija je eno močnejših sredstev, ki omogoča študentom, da

izrazijo svojo kreativnost in doseţejo razumevanje. Potrebno pa je poudariti, da



informacijsko komunikacijska tehnologija (nadalje IKT) sama po sebi ne bo spremenila

izobraţevalne ustanove, saj je za spremembe potrebno poseči v kulturo le-te. A proces

učenja kot takšnega ne poteka samo znotraj izobraţevalnih ustanov, saj dandanes

sodobno izobraţevanje prehaja iz formalnega učenja v vseţivljenjsko izobraţevanje, pri

katerem pa ima IKT ključno vlogo.

Poleg IKT je za sodobno izobraţevanje pomembna splošna raven informacijske

pismenosti. Informacijsko pismena oseba zna:

digitalno komunicirati;

uporabljati digitalna orodja;

poiskati, obdelati in uporabljati informacijo;

je odgovoren za svoje nadaljne izobraţevanje in razvoj.

S tem lahko sodeluje v sodobnih socialnih procesih ţivljenja, dela in učenja ter se

izogne druţbeni izključenosti. Pri tem e-izobraţevanje pomeni elektronsko podprto oz.

elektronsko posredovano izobraţevanje. Za optimalni razvoj tovrstnega izobraţevanja

pa ne zadošča samo IKT infrastruktura, temveč so bistveni tudi spremenjeni

izobraţevalni programi, učna orodja, sodobna didaktika poučevanja ter spremenjena

vloga pedagoških delavcev (Ţibert, Juričić & Ţnidaršič, b. l., str.4)

1.1 Učenje na daljavo

Prve zametke učenja na daljavo (ang. distance education), kamor prištevamo tudi e-

izobraţevanje, srečamo ţe v 18. stoletju v Zdruţenih drţavah Amerike. Tako imenovan

dopisni študij je bil takrat namenjen prebivalem ruralnih okolij, ki so imeli zaradi

oddaljenosti študijskih središč omejene moţnosti dostopa do izobraţevanja. V

naslednjem stoletju se je ta oblika izobraţevanja zasidrala tudi v Evropi. V Nemčiji,

Veliki Britaniji in na Švedskem se je pojavilo zgodnje dopisno izobraţevanje (ang. early

correspondence education) v okviru dopisnih šol, kjer so bila v uporabi še preteţno

pisna gradiva. Ustanova je pošiljala učna gradiva in naloge slušatelju po pošti, le-ta je

gradiva predelal, izpolnil naloge in jih poslal nazaj na ustanovo, v okviru le-te pa so se

naloge pregledale in se popravljene poslale nazaj slušatelju. Posebno hiter razvoj teh

izobraţevalnih oblik zasledimo z razvojem tehnologije prenosa informacij, kamor spada

radio, TV, audio in video kasete, predplačniški sistemi (ang. video on demand) etc.



Razvoj informacijskih tehnologij je omogočil interaktivni pristop učenja na daljavo. Te

sodobne oblike učenja na daljavo so spreminjala imena kot računalniško podprto učenje

(ang. computer assisted learning, CAL), učenje s pomočjo računalnika (ang. computer

based instruction, CBI) etc. Z razvojem in široko dostopnostjo svetovnega spleta (ang.

World Wide Web, WWW) je prišlo do svojevrstne tehnološke revolucije tudi na

področju izobraţevanja na daljavo. Tako je nastal tudi izraz, ki ga uporabljamo danes,

e-učenje (ang. e-learning).

Lahko rečemo, da je učenje na daljavo osnova razvoja elektronskega učenja. Le-to je

lahko “na zahtevo”, s čimer se izognemo teţavam pri potovanju, prisotnosti ob

določenem času ter točnosti. E-učenje vključuje uporabo računalnika (lahko tudi

mobilni telefon ali kakšna druga elektronska naprava), s pomočjo katerega dostopamo

do študijskega materiala, se izobraţujemo ali vadimo snov. Vključuje lahko tudi

raznovrstno drugo opremo, saj ne govorimo le o spletnem učenju (ang. web based

learning) temveč tudi o študijskih gradivih na zgoščenkah, DVD-jih ali drugih medijih.

Kakovost elektronskega študija je, enako kot velja za vsak študij, odvisna od vsebine in

kako je le-ta podana. Suhoparne predstavitve, monotoni govori, malo moţnosti za

sodelovanje etc. enako odvrnejo študenta, kot če bi isto snov poslušal v predavalnici.

Zato je prednost e-izobraţevanja v tem, da nova programska oprema omogoča izdelavo

učinkovitega učnega okolja. V primerjavi s klasičnim študijem v predavalnici nam e-

izobraţevanje ponuja nove fleksibilne moţnosti v različnih smereh komunikacije. Ni

potrebno, da so vsi udeleţenci izobraţevanja na istem kraju ob istem času (Pavlovič,

osebna komunikacija, 8. april 2010).

E-izobraţevanje kot obliko študija predstavljata dva modela. Prvi nivo predstavlja

kombinirano obliko klasičnega in e-izobraţevanja. Ta hibridna oblika (blended

learning) zdruţuje prednosti klasičnega in e-izobraţevanja. Drugi, bolj skrajni model pa

predstavlja pravo e-izobraţevanje, ki poteka izključno preko spleta (on-line).



Slika 1: Možnosti, ki jih nudi e-izobraževanje

Poročilo UNESCa (Bates, 2001, str. 25) navaja, da je e-študij primeren za

vseţivljenjsko učenje. Še posebej je primeren na področju pridobivanja višje, visoke in

podiplomske izobrazbe. V nekaterih tehnološko visoko razvitih drţavah je e-študij

prisoten ţe na skoraj vsaki univerzi in število predavanj v elektronski obliki se iz dneva

v dan povečuje. Klasičen primer tega je Univerza Stanford, ki je ena naprednejših šol na

tem področju v ZDA. E-študij je bil včasih sinonim za učenje na daljavo, sedaj pa ne

vključuje samo predavanj, ki se odvijajo preko spleta, ampak rasširja tradicionalne

načine učenja. Raziskave kaţejo, da kar 70% ustanov v Zdruţenih drţavah Amerike

nudi e-študij kot metodo učenja na daljavo, 80% šol pa ponuja hibridno različico

študija.

Evropska unija ne zaostaja prav veliko za Zdruţenimi drţavami. V okviru Lizbonske

deklaracije je ţe leta 2000 sprejela odločitev o podpori e-izobraţevanju. V tem sklopu

so podprli tudi razvoj kurikuluma, ki integrira nove metode učenja, zasnovane na

sodobnih informacijsih tehnologijah. Pod okriljem Evropske komisije za izobraţevanje

(European Comission for Education and Training) je bil pripravljen enoten E-learning

program 2004-2006, ki je vključeval več podprojektov v ţelji po dvigu digitalne

pismenosti, povezovanju evropskih izobraţevalnih ustanov, ki izvajajo oblike e-

izobraţevanja in promocije teh oblik učenja (Ministrstvo za šolstvo Republike

Slovenije, 2007).



E-učenje je rezultat izobraţevalnih vsebin, telekomunikacij in informacijske

tehnologije, pri čemer je ena njegovih glavnih prednosti ta, da prinaša neko dodano

vrednost tradicionalnemu študiju. Prinaša tako prednosti kot slabosti. Teţi k izoliranju

študentov fizično, kar ima lahko negativen vpliv na druţbenost ter timsko delo.

Študenti, ki so nagnjeni k verbalnemu izraţanju, se lahko počutijo izločene v virtualnih

učilnicah. Po drugi strani pa lahko tisti, ki so po naravi bolj srameţljivi, postavijo

vprašanje v virtualni učilnici (MŠŠ RS, 2007).

E-izobraţevanje običajno zahteva tudi velike finančne vloţke v informacijsko

infrastrukturo, izdelavo e-gradiv, ki ne smejo biti le kopije tradicionalnih knjig, temveč

morajo biti prilagojena za e-študij, prav tako govorimo o strokovnih sodelavcih, ki

morajo gradiva in ostale virtualne aktivnosti pripraviti etc. Največji porast e-študija je

zabeleţiti v tehnološko visoko razvitih drţavah, saj se v teh okoljih zavedanje pomena

vseţivljenjskega učenja hitro širi, ne morejo pa zgraditi novih izobraţevalnih ustanov

tako hitro, kot se povečuje povpraševanje po študiju. Ob tem lahko pripomnimo, da se

razlike med tehnološko razvitimi in nerazvitimi drţavami še poglabljajo (Bates, 2001,

str. 17-117).

Tabela 1: SWOT analiza e-študija

Prednosti Slabosti

Večje moţnosti izobraţevanja za slušatelje

iz oddaljenih krajev, slušatelje ob delu,

telesno prizadete in vse, ki se iz različnih

razlogov tradicionalnih predavanj ne

morejo udeleţiti.

Online učitelj mora kompenzirati fizično

odsotnost tako, da ustanovi virtualno

učilnico in je dosegljiv svojim študentom s

pomočjo e-maila, forumov …

Moţnost uporabe široke palete virov, ki jih

študentje lahko primerjajo in o njih

razpravljajo na bolj enostaven način, kot s

tradicionalnimi metodami učenja.

Pomanjkanje izkušenj na področju e-

izobraţevanja ovira nove pedagoške

delavce v pridobivanju zainteresiranosti v

nov sistem in njegove zmoţnosti

Moţnost racionalne izrabe časa ter večje

svobode pri študiju, saj se lahko slušatelj

E-študij povzroča preveliko delovno

obremenitev za načrtovalce in učitelje,



uči kadarkoli. Navedeno ustreza današnjim

zahtevam globalizacije.

hkrati pa se nekaterih predmetov ne da

učiti preko virtualne učilnice

(eksperimentalne vaje etc.)

Večja samostojnosti pri učenju in s tem

povezana večja ustvarjalnost

Obstaja kronično pomanjkanje

posrednikov prenosa pedagoške ideje v

tehnične rešitve

Manjša obremenitev pedagogov ter večje

moţnosti za njihov individualni strokovni

razvoj

Študentje in profesorji morajo imeti vsaj

primerno znanje o rokovanju z

računalnikom

Iniciativa knjiţnicam, arhivom, zbirkam,

da bodo gradiva na voljo javnosti

Uporabniku prijazna in zanesljiva oprema

je nujna, čeprav se velikokrat zgodi, da ne

deluje popolno

Študentje se naučijo biti bolj natančni in

osredotočeni pri oblikovanju svojega

mnenja in svojega pogleda na

obravnavano snov

Slušatelj mora biti zrel in discipliniran, kar

pomeni, da takšno izobraţevanje ni

primerno za nesamostojne študente

Priložnosti Nevarnosti

S splošnim interesom v druţbi je e-študij

moţno prilagoditi kot samostojne tečaje za

neomejeno občinstvo. E-študij se lahko

uporablja za širjenje zavesti o

pomembnosti določene tematike pri

splošni javnosti

Vprašanja glede avtorskih pravic ovirajo

uporabo digitalnih in digitaliziranih

gradiv. Poseben problem je razlika med

zakonom o avtorskih pravicah v različnih

drţavah pri uporabi materialov za študij

Mednarodno povezovanje v mreţo, ki jo

omogoča e-študij podpira prizadevanje za

evropsko identiteto in še posebej za

strpnost in kritično mišljenje, ki so

bistvenega pomena za našo druţbo

Usluţbenci, specializirani za e-študij lahko

doţivijo, da bo njihovo delo podcenjeno s

strani kolegov. E-študij je lahko

degradiran kot strokovno področje in se

lahko smatra bolj kot hobi kot strogo

akademsko poučevanje strokovnega



znanja

Mobilnost študentov je mogoče izboljšati

tako, da se študentom omogoči moţnost

študija na tujih univerzah z uporabo e-

študija

E-tečaji lahko povzročijo preobremenitev

z delom, ki jo bodo učitelji in študentje

teţko obvladovali

Z uporabo e-študija lahko učitelji

preizkušajo nove metode podajanja snovi,

kar lahko vpliva tudi na učni proces v

učilnici

Osebje, zaposleno v izobraţevalnih

ustanovah ne more slediti razvoju

informacijske tehnologije

Študenti, ki so zaposleni, lahko spremljajo

predavanja z uporabo e-študija, saj so

neodvisni od časa in kraja študija.

Poučevanje lahko postane brezosebno z

omejenimi subjektivnimi spremembami

pedagoškega delavca

Vir: Awouters, V. & Jans, S. (2009); O’Neill, K., Singh,G. & O’Donoghue, J. (2004); Ortiz, J., M. (2001).

1.2 Model hibridnega izobraževanja (ang. blended learning)

Hibridno učenje (ang. hybrid learning, blended learning) zdruţuje elemente klasičnega

poučevanja v predavalnici in izobraţevanja s pomočjo tehnologije (lahko rečemo tudi

izobraţevanja na daljavo). Označimo ga lahko kot študijsko okolje, v katerem se

kombinirajo klasične metode poučevanja (ang. human tutoring) z izobraţevanjem na

daljavo ob pomoči sodobnih IKT (ang. Computer Mediated Communication – CMC).

Metoda izkorišča prednosti, ki jih nudi vsaka od obeh oblik učenja. Za uspešno

implementacijo metode pa morajo biti predhodno izpolnjeni določeni pogoji, kot so

sposobnost razvoja e-gradiv oziroma spletnih učnih materialov, pripravljenost

študentov, da uporabljajo te materiale, ustrezna strojna oprema, poznavanje dela s to

opremo in seveda vizija za nadalnji razvoj. E-gradiva morajo dobro dopolnjevati

klasična predavanja in vaje v učilnici. Natančno je potrebno definirati aktivnosti, ki

bodo potekale v predavalnici po metodah klasičnega poučevanja kot tudi vsebino, ki bo

študentom na voljo v virtualni učilnici. Pri pripravi elektronskih študijskih vsebin

moramo upoštevati tudi potrebo po njihovi interaktivnosti, saj je ravno to prednost e-

izobraţevanja. “Klasične” študijske literature namreč ni mogoče preprosto prevesti v



elektronsko obliko in podati kot takšno, saj za študenta kaj hitro postane nezanimiva.

“Priprava elekronskih učnih vsebin zato pogosto zahteva veliko časa. Praviloma vsaj

pet, pa tudi do sto ur priprav na uro učenja,” razlaga Bešter. Ob tem so “običajni”

elektronski mediji, torej besedilo, grafike in animacije za pripravo pogosto zahtevnejši

od videa, saj lahko razmeroma dober izobraţevalni videoposnetek (gledano s tehničnega

vidika) z nekoliko boljšo spletno kamero danes posname ţe skoraj vsakdo (Holenko &

Hoić-Boţić, 2008).

Model hibridnega učenja omogoča tudi vzpostavljanje socialnih stikov, največkrat

seveda v obliki neposrednega kontakta. Izkušnje so pokazale, da se lahko tesne socialne

vezi stkejo in vzdrţujejo tudi v obliki virtualne komunikacije (npr. forumi), čeprav je

res, da študentje takšne virtualne učilnice vidijo predvsem kot neko sredstvo nadzora

nad njihovim delom in za virtualno komunikacijo raje uporabljajo drugo programsko

opremo, ki ni ponujena s strani izobraţevalne ustanove (npr. Messenger, Skype, etc.).

Zato se tukaj postavi pomembno vprašanje: “Kako motivirati študente, da bodo na

virtualno učilnico gledali kot na sredstvo za pomoč pri njihovem študiju, da bodo

sodelovali v forumih in opravljali svoje obveznosti zaradi študija in ne zaradi potrebe in

da virtualna učilnica ne bo videna v njihovih očeh le kot sredstvo nadzora?” Korin-

Lustig in Lukarić (2008) sta zapisala, da sta glavni teţavi e-študija kopiranje ali uporaba

nalog drugih študentov ter pomanjkanje obiskovanja predavanj. Holenko in Hoić-Boţić

(2008) pa sta zapisali da je določen odstotek študentov forume obiskal šele tik pred

zaprtjem foruma, kar pomeni, da je za moderatorje foruma velik izziv motivacija

študentov, da bi le-ti redno sodelovali v aktivnostih znotraj virtualne učilnice.

Pomemben dejavnik motiviranja udeleţencev in zagotavljanja ustrezne podpore pa so

tudi različne oblike interakcije, ki jih modeli kombiniranega učenja omogočajo

(udeleţenec – učna vsebina, udeleţenec – viri na spletu, udeleţenec – udeleţenec,

udeleţenec – mentor). Če poteka kombinirano učenje v več medijih, so najbolj

učinkovita tista spletna okolja, ki omogočajo sledenje udeleţencev v programu

usposabljanja. Samomotivacija, samodisciplina, samoiniciativnost, usmerjenost k

rezultatom ter odgovornost za lastne rezultate so tiste lastnosti, ki jih morajo udeleţenci

imeti, da se lahko učinek kombiniranega učenja večji in učni rezultat boljši. Po drugi

strani pa lahko ustrezno oblikovan model kombiniranega učenja, ki omogoča veliko

stopnjo fleksibilnosti in interaktivnosti, spodbuja razvoj potrebnih lastnosti in navad.



Pomanjkanje motivacije, samodiscipline ali odpor do dela z računalnikom je največkrat

razlog za neuspeh pri kombiniranem učenju.

Abbad, Morris, Al-Ayyoub in Abbad (2009) trdijo, da je recept za uspeh hibridnega

učenja razumevanje postopkov sprejemanja ter kako študentom prikazati nove metode

učenja na način, da bodo to sprejeli. Prvi korak se začne ţe pri izdelavi virtualne

učilnice in študijskih vsebin, kjer M.M. Abbad et al. trdijo, da morajo tisti, ki vsebine

izdelujejo, misliti kot študentje in ne kot npr. učitelji, potrebno je zelo dobro poznavanje

sistema, študentom oziroma uporabnikom je potrebno razloţiti, kako uporabljati nove

metode in jih motivirati, a kljub vsemu obstaja določen odstotek, na katerega ne

moremo vplivati, saj študentje delujejo tudi na podlagi vedenjskih in okoljskih vzorcev.

Kljub zgoraj naštetemu pa postaja hibridna metoda študijskega procesa v zadnjih letih

vedno bolj prisotna predvsem na nivoju višjega in visokega izobraţevanja predvsem v

Zdruţenih drţavah Amerike in drţavah, kjer število študentov hitro narašča, druţba pa

teţi v smeri vseţivljenjskega učenja Ta metoda tudi intenzivno posega v klasično

šolstvo, a v pozitivni smeri, saj jo spreminja in izboljšuje ter prevsem prinaša dodano

vrednost. Raziskave kaţejo, da npr. študenti v običajni študentski starosti zaradi

socialnih stikov še vedno raje hodijo v šolo kot pa se odločajo za izobraţevanje na

daljavo. Glavni adut klasičnega učenja je tako pristna komunikacija in interakcija, ki jo

trenutno nove tehnologije v pravi obliki ne morejo nadomestiti (Pigliapoco & Bogliolo,

2007)

1.3 Implementacija hibridnega učenja

Za uspešno implementacijo hibridnega učenja je potrebno izbrati enega od modelov ter

točno definirati aktivnosti, ki bodo potekale v predavalnici ter aktivnosti znotraj

virtualne učilnice. V odvisnosti od nalog, ki jih mora študent rešiti, izberemo primerni

medij za komunikacijo. V primeru dvoumnih nalog je najboljši način neposredna

komunikacija s pedagoškim delavcem. Ta oblika komunikacije velja za najbogatejšo

obliko. V interakciji med študentom in pedagoškim delavcem tako tečejo vse tri oblike,

verbalna, paraverbalna in neverbalna komunikacija, česar znotraj virtualne učilnice ne

moremo doseči. Pedagoški delavec v predavalnici lahko hitro opazi, ali študentje



razlago razumejo. V primeru nedvoumnih nalog pa lahko uporabimo katerokoli obliko

komunikacije. Pri tem nam IKT omogočajo neskončno mnogo ponovitev, česar v

predavalnici od pedagoškega delavca ne moremo pričakovati. V praksi je znanih več

modelov, ki so predstavljeni na sliki 2.

Slika 2: Shema hibridnega učenja

Vir: “Implementacija hibridnog učenja” [Metodika i komunikacija e-obrazovanja] b. d.

Novi modeli učenja zahtevajo tudi sodobnejše pristope pri preverjanju znanja. Ţe

nekoliko arhaično gledanje na znanje, ki je shranjeno v našem spominu bo potrebno

nadomestiti s preverjanjem znanja, kako do pravih podatkov v pravem času z vsemi

moţnimi komunikacijskimi tehnikami. Prvenstvena teţa učenja bo morala temeljiti na

razumevanju potrebne snovi in njenim povezovanjem z dobljenimi podatki. Tu lahko

nastopi problem istovetnosti študenta, ki sedi za računalnikom in odgovarja na



vprašanja. Današnji sistemi preverjanja računalnikov so nezadostni. Uporaba piškotkov

je problematična zaradi moţne manipulacije z njimi, preverjanje IP naslovov pa se

navadno pri klicnem naslovu, ker imamo dinamično dodeljene IP-je, izkaţe za

neuporabno.



2 ŠTUDIJ NA FAKULTETI ZA LOGISTIKO

2.1 Predstavitev ustanove

Začetek ustanavljanja FL sega v leto 2002, ko je bilo podpisano “Pismo o dobri nameri

za ustanovitev Fakultete za logistiko in razvoja študijev in raziskav na

interdisciplinarnem področju” ter “Pogodba o zagotavljanju pogojev za delovanje

Fakultete za logistiko in pogojev za izvajanje njenih študijskih programov” (Fakulteta

za logistiko, 2002). V letu 2004 je Drţavni zbor Republike Slovenije sprejel pozitiven

sklep ter potrdil dva visokošolska programa fakultete. S tem se je zaključil postopek

ustanavljanja. S 1. oktobrom 2005 je fakulteta odprla svoja vrata prvim študentom in

sicer v Celju, kjer je sedeţ fakultete, ter v Krškem in Trţiču, kjer se nahajata dislocirani

enoti (Fakulteta za logistiko, 2009).

Zelo pomemben del vsake ustanove so poslanstvo, vizija in strateške usmeritve. FL ţeli

spodbujati tako študente kot širšo javnost ter uveljaviti logistiko kot vedo v Sloveniji in

širšem okolju. Študente ţeli FL pripraviti na to, da bi pridobljeno znanje lahko uporabili

tudi v praktičnih primerih. (Poslanstvo Fakultete za logistiko [Poslanstvo, vizija,

strateške usmeritve], b. d.). Zastavljeno poslanstvo ţelijo doseči s pomočjo vrednot, ki

so prilagojeni poslanstvu, hkrati pa ustvarjajo prednosti za:

študente - z izvajanjem kakovostnega rednega in izrednega študija in

vseţivljenjskega učenja ter vključevanja v raziskovalno delo;

zaposlene – z zagotavljanjem varnega in urejenega delovnega okolja ter moţnostjo

osebnostnega in zlasti strokovnega razvoja;

uporabnike naših storitev – delodajalci naših diplomantov bodo uspešnejši pri

razvijanju in ponujanju učinkovitih logističnih storitev in produktov;

širše druţbeno okolje – z razvijanjem novega znanja, odgovornim odnosom do

naravnega, druţbenega in poslovnega okolja, s spoštovanjem etike in druţbenih

vrednot na vseh področjih delovanja.



2.2 Blend.FL

Učni proces na FL UM poteka kot kombinacija avditornih vaj in predavanj ter študija s

pomočjo tehnologije preko virtualne fakultete. Virtualna fakulteta oziroma e-študij nudi

študentu vse potrebne informacije za uspešen študij. V vpisom na portal dobi študent

dostop do predmeta, kjer se nahajajo njegove obveznosti, urnik, obvestila s strani

profesorjev in asistentov, forum, ki je namenjen izmenjavi znanja ter konstruktivnemu

dialogu med študenti ter nosilci predmeta oziroma asistenti, napotke za delo ter druga

gradiva, ki jih objavijo profesorji. Drugi del t.i. virtualnega učnega procesa so e-gradiva.

Le-ta so objavljena na spletu, dostop do njih pa imajo študentje FL z vpisom v portal s

svojim uporabniškim imenom in geslom.

Tako na e-študiju kot v e-gradivih študentje vidijo le snov oziroma predmete, katere

obiskujejo. Študij na FL je razdeljen na poletni in zimski semester. V vsakem poteka

določeno število predmetov, ki jih redni študentje obiskujejo štiri tedne, izredni pa

sedem. E-gradiva so narejena študentom prijazno, a hkrati strokovna in izpopolnjena.

Za laţje razumevanje so na fakulteti v gradiva poleg slik, tabel, preglednic etc. dodali še

video posnetke ter animacije kot interaktivne vsebine.

V tabeli 2 so zbrani podatki o obveznostih študentov 1. letnika visokošolskega

strokovnega programa pri predmetu Gospodarska in tehniška logistika. Obveznosti pri

predmetu se delijo na avditorna predavanja (a-P), e-predavanja (e-P), avditorne vaje (a-

V), e-vaje (e-V) ter individualno delo. Glede na število ur, ki jih je študent v sklopu

posameznega predmeta opravil, je določena tudi vrednost predmeta v ECTS točkah, kar

je kratica za evropski sistem prenosa in zbiranja kreditnih točk študija (ang. European

Credit Transfer and Accumulation System). (“Kaj je ECTS (kreditna točka)?”

[Informatika in tehnologija komuniciranja], b. d.). Študent v sklopu posameznega

letnika z opravljenimi obveznostmi zbere 60 kreditnih točk (60 ECTS točk) kakor je

bilo določeno v Zakonu o visokem šolstvu (Ur.l. RS, št. 119/2006-UPB3, 59/2007-

ZŠtip (63/2007 popr.), 15/2008 Odl.US: U-I-370/06-20, 64/2008, 86/2009, 62/2010-

ZUPJS). Ena kreditna točka ustreza 25 do 30 uram obremenitve študenta. Letna

študijska obremenitev študenta je tako 1500 do 1800 ur. V obremenitev študenta so

všteta: predavanja, seminarji, vaje in druge oblike organiziranega študijskega dela



(praktično usposabljanje, hospitacije, nastopi, terensko delo ipd.), individualno študijsko

delo (sprotno delo, študij literature, seminarske naloge, projektno delo, raziskovalno

delo, priprava na izpite ali druge oblike preverjanja ter diplomska (magistrska,

doktorska) naloga.

Tabela 2: Predmeti v 1. letniku Visokošolskega strokovnega študijskega programa

Gospodarska in tehniška logistika

PREDMET a-P e-P a-V e-V ID št. ur ECTS*

Uporaba matematičnih metod

v logistiki I 21 24 15 15 45 120 4

Tuji jezik v logistiki* 30 30 150 210 7

Kvantitativne metode v

logistiki 15 15 21 24 135 210 7

Osnove teorije sistemov 21 24 15 15 105 180 6

Računalništvo in informatika

v logistiki 15 15 21 24 105 180 6

Uporaba matematičnih metod

v logistiki II 21 24 15 15 75 150 5

Osnove mehanike 21 24 21 24 120 210 7

Geografski informacijski

sistem 21 24 15 15 105 180 6

Varstvo okolja 21 24 15 15 105 180 6

Osnove pravne teorije 15 15 15 15 120 180 6

Skupaj: 201 219 153 162 1065 1800 60

*Študent izbere nemški jezik v logistiki ali angleški jezik v logistiki

Vir: Informacijski paket [Fakulteta za logistiko Univerze v Mariboru], b. d.



Legenda:

1. a-P: Klasična avditorna predavanja se izvajajo na običajen način v predavalnici.

2. e-P: E-predavanja se lahko izvajajo na videokonferenčni način ali pa s pomočjo e-izobraţevanju

prirejenih interaktivnih elektronskih gradiv znotraj virtualnega e-prostora.

3. a-V: Klasične avditorne vaje se izvajajo na običajen način v predavalnici, laboratoriju ali na terenu.

4. e-V: E-vaje se lahko izvajajo na videokonferenčni način ali pa s pomočjo e-izobraţevanju prirejenih

interaktivnih elektronskih gradiv znotraj virtualnega e-prostora.

5. ID: Indivudualno delo

Manjši del obveznosti, ki so prikazane v tabeli 2, študentje opravijo s svojo prisotnostjo

na fakulteti oziroma preko virtualnega e-prostora, večji del obveznosti pa morajo

opraviti s svojim samostojnim delom. Načelo sprotnega študija se na fakulteti udejanja

skozi virtualno učilnico, ki študentom omogoča boljšo pripravo na izpite.

2.3 Teoretične osnove v praksi

2.3.1 Didaktične osnove, ki jim sledi FL

Sodobna izobraţevalna tehnologija kamor uvrščamo svetovni splet, računalnike, etc. je

dandanes prisotna ţe skoraj na vsaki izobraţevalni ustanovi, pa čeprav to pomeni le, da

učenci/dijaki/študentje po spletnih brskalnikih iščejo gradiva, s katerimi bi obnovili

svoje znanje ali prebrali kaj novega, kar jih zanima. Tako lahko govorimo o repetitivni

in aditivni vlogi sodobnih izobraţevalnih tehnologij.

Repetitivno funkcijo na FL opravlja kombinacija med tradicionalnimi (avditornimi)

predavanji in kasnejšim obnavljanjem znanja s pomočjo portala z e-gradivi. Študentje

na predavanjih in vajah poslušajo določeno snov. Na portalu z e-gradivi imajo nato

moţnost obnavljanja s pomočjo animacij, slik, iskalnika WolframAlpha, pripravljajo pa

se tudi snemana predavanja.

Aditivno funkcijo pa bi lahko povezali z različnimi moţnostmi znotraj našega e-

izobraţevanja in sicer:

forum ponuja moţnost sočasne komunikacije med študenti in učitelji, pri tem pa

vsebina komunikacije ostaja vidna celotno študijsko leto;



spletna klepetalnica omogoča komunikacijo med vsemi prisotnimi v realnem času,

pogovori pa so kasneje nedosegljivi;

koledar daje študentom moţnost, da se navadijo časovnega planiranja etc.

FL je v svoj študijski proces uvedla vse omenjene funkcije.

2.3.2 IKT pismenost na FL

Na FL se vpisujejo študentje z različnim IKT predznanjem. IKT pismenost pa je eden

izmed pomembnih dejavnikov uspešnega študija, še posebej pri hibridnem modelu.

FL v prvem študijskem tednu organizira t.i. izobraţevalni teden za študente, kjer jim

predstavi način dela, pravila, ki veljajo, spletno učilnico ter portal za e-gradiva in

moţnosti, ki jih slednja ponujata. V današnjem času je pomembno učinkovito iskanje

informacij, zato FL študentom vsako leto predstavi Cobissov meta iskalnik, ki omogoča

iskanje po več elektronskih virih, od knjiţnjic in spletnih brskalnikov do spletnih strani,

kamor se je potrebno registrirati za dostop do člankov oziroma objav.

2.3.3 Prednosti in slabosti hibridnega učenja Blend.FL

V tabeli 1, kjer smo zapisali SWOT analizo e-učenja, lahko določene vzporednice

poveţemo tudi z našim Blend.FL-jem.

Če pogledamo prednosti, ki so navedene v omenjeni tabeli, vidimo, da se FL precej

pribliţuje temu stanju in sicer za izredne študente bi se naj uvedel način študija le preko

e-učilnice z moţnostjo dogovora z učiteljem o predavanju po končanem obdobju e-

študija določenega predmeta (npr. po 4-tedenskem študijskem obdobju za posamezen

predmet se skupina dogovori, lahko preko foruma ali spletne klepetalnice, da bi ţeleli

postaviti vprašanja učitelju, ki bi jim pomagal razrešiti nejasnosti. Vmes v tem 4-

tedenskem obdobju imajo na voljo forum, kjer lahko diskutirajo o morebitnih teţavah.).

E-učilnica ponuja vsem študentom, tako rednim kot izrednim, svobodo, da se lahko

učijo kadarkoli in kjerkoli.

Tudi slabosti takšnega načina študija so primerljive s tabelo 1. Tisti študentje, ki niso



dovolj samostojni, študija ne bodo dokončali. To lahko potrdimo tudi s podatkom o

prehodnosti študentov iz 1. v 2. letnik ter nato v 3. letnik (visokošolski študijski

program Gospodarska in tehniška logistika), kar je prikazano v tabeli 3. Če glede na

omenjeno tabelo spremljamo 1. letnike rednega študija v generaciji 2006/2007 in jih

skozi vsa tri leta, dobimo podatke, ki so prikazani v tabeli 4.

Tabela 3: Število študentov po generacijah

Št. leto Način študija 1.letnik 2.letnik 3.letnik Absolventi Skupaj

2006/2007

Redni 155 150 - - 305

Izredni 146 122 - - 268

2007/2008

Redni 150 106 124 - 380

Izredni 85 61 88 - 234

2008/2009

Redni 151 73 100 77 401

Izredni 74 54 55 16 199

Vir: “Samoevalvacijsko poročilo 2008/2009” [Fakulteta za logistiko Univerze v Mariboru], b.d.

Iz podatkov v tabeli 4 je razvidno, da je bila v prvi generaciji prehodnost iz 1. v 2. letnik

68,39% in iz 2. v 3. letnik 94,34%, medtem ko je bilo v naslednji generaciji v 2. letnik

vpisanih le 48,66% študentov.

Tabela 4: Prehodnost študentov po letnikih

Študijsko leto 2006/2007 2007/2008 2008/2009

Število študentov 155 106 100

Število študentov 150 73

Ko pridemo do vprašanja, kako določene vaje izvesti elektronsko, je najboljša rešitev

kljub vsemu še vedno tradicionalen način izobraţevanja oziroma avditorne vaje ali

predavanja. Določene vaje (npr. pri UMML I ali II, kvantitativnih metodah v logistiki



(KML), statističnih metodah v logistiki (SML)) se dajo najprej rešiti preko e-učilnice s

pomočjo animiranih nalog pri tem pa lahko določene nejasnosti študent razreši ob

pomoči učitelja.

Nevarnosti pri e-izobraţevanju se nanašajo na področje avtorskih pravic. Na FL je to

rešeno tako, da študentje do portala z e-gradivi dostopajo s svojim uporabniškim

imenom in geslom, nato pa imajo na voljo moţnost izvoza gradiva v obliko pdf oziroma

gradiva lahko natisnejo. Naslednjo nevarnost predstavlja občutek brezosebnosti pri e-

izobraţevanju, zato je FL izbrala hibridni model izobraţevanja, kjer študentje kljub

vsemu opravljajo pribliţno polovico ur, potrebnih za usvojitev določenega števila ECTS

točk znotraj predavalnice.

2.3.4 Finančni vidik

Eden izmed poglavitnih teţav pri uvedbi kombiniranega, hibridnega oziroma blended

učenja v izobraţevalne ustanove je poleg dejavnikov, ki bodo omenjeni v poglavju 2.4

tudi finančni vidik. Izobraţevalne ustanove potrebujejo za učinkovito vzpostavitev

kombinacije tradicionalnega in e-učenja:

ideje;

didaktično pripravljena gradiva, ki bodo ustrezala kriterijem za vnos v virtualno

učilnico, saj e-gradiva ne smejo biti enaka kot tiskana gradiva;

ljudi, ki bodo e-izobraţevanje vzpostavili, vzdrţevali ter urejali, izdelovali

interaktivne elemente, ki so glavni mejnik med navadnimi gradivi ter e-gradivi;

določeno količino delovnih ur, da se e-gradiva izdelajo;

informacijsko infrastrukturo, ki mora delovati neomejeno in brez teţav.

Na FL obstajata dva centra, ki se ukvarjata z IKT in sicer Center za e-študij in

aplikativno računalništvo (CES), ki je “idejni vodja” za izdelavo Blend.FL-ja ter

pripravlja e-gradiva in skrbi za razvoj e-učilnice. Center za informacijski sistem (CIS)

skrbi za delovanje streţnikov, na katerih teče e-študij (torej e-učilnica in e-gradiva) ter

za posodobitve le-teh. Ker fakulteta od študentov ne more zahtevati, da imajo doma

internetno povezavo ter drugo računalniško opremo (po podatkih Statističnega urada

Republike Slovenije je imelo v prvi četrtini leta 2009 v Sloveniji pribliţno 64 odstotkov



gospodinjstev dostop do interneta, kar pa še vedno ne pomeni, da imajo vsi študentje

omogočen dostop do spletne učilnice od doma (Statistični urad Republike Slovenije

[SURS], 2010), jim ponuja dostop do interneta na fakulteti, za omenjene računalnike pa

skrbi CIS.

Glede na zgoraj navedeno je potrebno vzpostaviti ravnovesje med prihodki in izdatki.

Študentje na začetku študijskega leta plačajo vpisne stroške, v katere so všteta tudi e-

gradiva in sicer 10 EUR/e-gradivo (v enem letniku je 10 predmetov, kar pomeni 100

EUR/študenta za e-gradiva). Tukaj pa je tudi število opravljenih delovnih ur na

zaposlenega (v ta sklop uvrščamo strokovne sodelavce iz Centra za e-študij in Centra za

informacijski sistem) ter avtorski honorar za pedagoške delavce oziroma avtorje e-

gradiv.

2.3.5 Model samoizbire v hibridnem modelu na FL

Glede na shemo v poglavju 1.3 se FL uvršča med ustanove, ki so se v hibridnem

modelu študija osredotočili na model samoizbire, katerega bistvo je moţnost odločanja

med eno ali več variantami, med katerimi se posameznik odloči po svojih kriterijih.

Študentje lahko tako izbirajo med:

knjigo ali e-gradivi (lahko tudi kombinirano), kjer imajo študentje na razpolago

portal z e-gradivi, kjer si lahko označujejo besedilo, ga shranijo in nato ponovno

odprejo poglavje v gradivu s shranjenim in označenim besedilom. Program

omogoča, da si gradiva natisnejo;

virtualno in tradicionalno komunikacijo, kjer študentje lahko izbirajo ali ţelijo

sodelovati v forumih ter spletnih klepetalnicah, obveza pa jim kljub vsemu ostaja

reševanje kvizev in opravljanje drugih obveznosti v spletni učilnici. Ta del je za

študente obvezen in ga morajo opraviti, saj drugače nimajo moţnosti pristopa k

zaključnemu izpitu in ga lahko opravijo šele prihodnje leto (oziroma po dogovoru s

profesorjem ko imajo obveznosti opravljene). Seveda poleg e-učilnice še vedno

ostaja določeno število ur znotraj učilnice (torej tradicionalni način), kjer študentje

lahko postavljajo vprašanja in sodelujejo v komunikaciji s pedagoškim delavcem.



2.4 Problemi, ki se pojavljajo

O problemih, ki se pojavljajo v modelu hibridnega učenja (ang. blended learning)

govorijo uporabniki s celega sveta. Prvi korak analize obstoječih teţav lahko razdelimo

na splošno poznavanje problematike s celega sveta, naslednji korak pa je primerjava teh

teţav s teţavami, ki se pojavljajo v naši ustanovi.

V strokovnih delih po vsem svetu je zaznati trend pomanjkanja motivacije študentov za

samostojen študij ter uporabo e-učilnice. Pomanjkanje motivacije je dejavnik, ki vpliva

na uspešnost študija. (Pigliapoco & Bogliolo, 2007) Ravno tako je potrebno vedeti, da

je del študentov bolj “slušni tip” (laţje absorbira določeno znanje ob poslušanju),

medtem kot je drugi del študentov “vidni tip” (hitreje absorbira določeno znanje, če vidi

napisano etc.). Tretja moţnost se imenuje “kombinirani tip”. Problem nastane, če ima

izobraţevalna ustanova na voljo le eno moţnost študija, ki zajame le določen del

populacije. Tukaj lahko pride ponovno do pomanjkanja motivacije, saj lahko študijski

proces naenkrat traja mnogo dlje in od študenta zahteva mnogo več napora.

Kako rešiti omenjene izzive?

Pod mentorstvom dr. Tomaţa Krambergerja je bil izveden pilotni projekt, kjer smo pri

predmetih KML in SML uvedli animirane naloge znotraj e-učilnice. V okviru tega

projekta so pri predmetu ELP študentje dobili uporabno nalogo, kjer je moral vsak

opraviti svoj del, hkrati pa je ta del predstavljal skupek celote.

FL je v študijskem letu 2009/2010 predstavila mnogo novosti, tako v sklopu e-študija

kot tudi v e-gradivih, z namenom odpraviti probleme z motivacijo etc.

2.5 Rešitvi naproti

Pri prenovi obstoječega e-študija smo si zamislili cilje, ki bodo pripomogli k

študentovem napredku in jih implementirali v spletno učilnico ter e-gradiva. Natančen

seznam novosti se nahaja na strani 25. Nekatere izmed njih še vedno postopoma

uresničujemo. Največji preboj letos je bila izvedba animiranih nalog z moţnostjo



evalvacije znotraj našega e-študija. To pomeni, da študentje ne potrebujejo več nalog

reševati po principu “papir in pero”, temveč odprejo brskalnik in e-študij in dobijo

naloge, ki jih je potrebno rešiti.

Osnovna vizualna postavitev kvizev znotraj okvira animirane naloge je bila preprosta.

Naloga, postopek in pot do končnega rezultata so bili znani. je bila znana, ravno tako

postopek reševanja naloge in pot do končnega rezultata. Resnejši problem, na katerega

smo naleteli, je bila uporaba programskega jezika ActionScript (nadalje AS) v povezavi

z e-študijem.

ActionScript se deli na 3 verzije. Prvo verzijo tega programskega jezika (ActionScript

1.0) je razvilo podjetje Macromedia in je bila v uporabi med leti 2000 in 2003. Takrat se

je začel preboj iz tako imenovanih spustnih polj in menijev v navaden urejevalnik

dokumentov znotraj programa Flash. Programerjem ni bilo potrebno iskati pravilnih

gumbov, temveč so jih lahko preprosto zapisali. Druga verzija, imenovana ActionScript

2.0 je bila aktualna v obdobju med 2003 in 2006. Tukaj so se ţe kazali napredki s strani

programerjev in tudi optimizacija, a sta si verziji AS 2.0 in AS 1.0 še vedno precej

podobni. Večji napredek je bil narejen z uvedbo ActionScripta 3.0, ki ga uporabljamo

še danes, ki pa ni kompatibilen s prejšnjima. Razlog je reforma programskega jezika za

potrebe uporabnosti, hkrati pa je programski paket Flash prišel pod okrilje Adobe-a.

(“ActionScript” [Wikipedia], b. d.)

Na FL so del interaktivnih vsebin imeli ţe pred uvedbo animiranih nalog za evalvacijo

kot animacije znotraj e-gradiv, ki so študentom dajale moţnost ponovitve snovi s

predavanj ali učenja. Te animacije so izdelali v CES-u, za interaktivne elemente znotraj

animacije pa je bil uporabljen programski jezik ActionScript 2.0. Ker je trenutna

aktualna verzija AS 3.0, smo ţeleli animirane naloge za študente pripraviti v tej izvedbi.

Kasneje se je to izkazalo, da tako pripravljenih animiranih nalog ne moremo povezati s

spletno učilnico. Trenutno je na voljo le en način integracije animiranih nalog v spletno

učilnico, ki ga je razvil ruski profesor Dmitry Pupinin. S pomočjo dveh dodatnih zbirk,

imenovanih FlashQuestion.as in JSON.as, poveţemo animirane naloge, ki jih ţelimo

integrirarti v spletno učilnico. Postopek je moč izvesti le z animiranimi nalogami,

pripravljenimi v AS 2.0. Začetna verzija našin animiranih nalog je bila pripravljena v

AS 3.0, kar nam ni omogočalo povezave s spletno učilnico. Imeli smo dve moţnosti;



kodo iz zbirk FlashQuestion.as in JSON.as prevesti v programski jezik AS 3.0 ali pa

naše animirane naloge prenesemo v paket AS 2.0. Odločili smo se za slednje. Zgornji

zbirki sta bili tudi zelo slabo dokumentirani kar je povzročilo nekaj teţav pri

razumevanju same kode. Tudi kodo znotraj animirane naloge smo morali prilagoditi

načinu, kot smo ţeleli.

Animirane naloge smo uvedli znotraj predmeta Kvantitativne metode v logistiki, kjer je

nosilec predmeta dr. Tomaţ Kramberger. Navodila znotraj virtualne e-učilnice o

predmetu so bila sledeča (“Kvantitativne metode v logistiki” [Blend.FL 09/10], b. d.):

Osnovni podatki o predmetu KML

Predmet:

Predmet KML ima v predmetniku predvidenih 30 ur predavanj in 45 ur vaj. V Blend FL

načinu študija to pomeni 15 ur predavanj v ţivo in 21 ur vaj v ţivo ter 39 ur dela v

virtualni fakulteti Blend FL. Predmet je vreden 7 ECTS točk.

Naloga:

Študent si mora skozi sedem tednov študija prisluţiti vseh 7 ECTS točk. To lahko

naredi tako, da izpolni vse svoje obveznosti. Nekatere so obvezne, druge pa niso.

Neizpolnjevanje obveznih nalog vodi v prepoved nadaljevanja študija naslednji teden in

posledično prepoved opravljanja izpita.

Razdelitev ECTS točk:

Skupaj: 7 ECTS točk

Predavanja v ţivo: 1 ECTS točka

Vaje v ţivo: 1 ECTS točka

Reševanje kvizov s teorijo: 1 ECTS točka

Reševanje kvizev za vajo (e-vaje): 2 ECTS točki

Reševanje kvizov za preverjanje znanja: 2 ECTS točki

Izpit:

Pogoj za opravljanje izpita je prisluţenih vseh sedem ECTS točk. Skupna ocena nalog

za vaje (kviz za preverjanje znanja) prinese 10% skupne ocene pri predmetu. Ostalih



90% ocene si študent prisluţi z uspešno opravljenim pisnim izpitom.

Študent je največ točk pridobil z reševanjem kvizov. Imeli smo 3 vrste kvizov:

kviz iz teorije;

kviz za e-vaje;

kviz za preverjanje znanja.

Pri teoriji so študentje lahko sami preverili znanje, ki so ga usvojili s študijem e-gradiva.

Pri e-vajah so dobili animirane naloge znotraj kviza, ki so jih morali rešiti. To je bilo

namenjeno individualnemu delu vsakega posameznika. Na koncu vsake naloge imajo

gumb “Preveri”, s katerim so lahko preverili pravilnost vpisanih rezultatov. Vizualno so

animirane naloge izgledale takole:

Slika 3: Animirane naloge v e-učilnici

Drugi tip kvizev je namenjen preverjanju znanja študenta in se oceni realno brez

moţnosti preverjanja pravilnosti rezultata. Ti kvizi so prinesli 10 odstotkov h končni

oceni študenta. Le-ta se je izračunala s pomočjo parcialnega deleţa po sledečem

postopku:

1

10,1 0, 9

n

i

i

z y xn

[1]

yi = povprečna ocena kvizev

x = ocena na izpitu



z = končna ocena (vpisana v sistem AIPS)

n = število kvizev, ki jih je študent imel moţnost reševati

Iz dobljenih podatkov smo nato izdelali statistično analizo s pomočjo programskega

orodja Microsoft Excel.

Poleg animiranih nalog v kvizih znotraj e-študija v tem študijskem letu smo uvedli še

nekaj novosti:

uvedba novih e-gradiv z uporabnimi dodatki za študente:

o vgrajen brskalnik Wolfram Alpha;

o označevalec besedila;

o tiskanje gradiv skupaj z označenim besedilom;

o predogled po poglavjih;

o predogled slik;

o povezana poglavja.

prenova e-študija:

o vizualna prenova (boljša preglednost);

o avtomatsko povezovanje urnikov skupaj s spletno stranjo FL;

o uvedba animiranih nalog znotraj kvizev;

o izdelava indikatorja napredka;

o uvedba primerov v e-gradivih s pomočjo animirane naloge in zvoka;

o uvedba filmov znotraj e-učilnice.

FL je v tem študijskem letu ţe delala na tem, da bi študente motivirala, zato je ustvarila

računalniškega agenta z avatarjem ţenskega spola, imenovanega Cindy.



Slika 4: Profil Cindy v e-učilnici

Vir: “Kvantitativne metode v logistiki” [Blend.FL 09/10], b. d.

Cindy je odgovarjala na spletno pošto študentov, sodelovala v forumu in odgovarjala na

njihova vprašanja, pripravljala kvize za posamezne tedne ter animirane naloge, ki so se

potem uvozile v kvize. Pri predmetu KML so študentje aktivno sodelovali, si pomagali

in postavljali vprašanja. Nekoliko manjši odziv od pričakovanega smo zaznali pri

predmetu SML. Ta predmet spada v 2. letnik visokošolskega študijskega programa

Gospodarska in tehniška logistika. V 3. letniku je Cindy sodelovala pri predmetu

Elektronsko poslovanje (ELP), kjer smo beleţili dober odziv študentov, predvsem na

forumu, ki je bil ustvarjen za diskusije v zvezi s projektno nalogo.

Udeleţevanje študentov v spletni učilnici lahko ponazorimo z naslednjimi podatki:

elektronsko poslovanje, 3. letnik VS, redni študij (ELP VS);

aktivnosti v časovnem obdobju: 30. november 2009 do 31. julij 2010;

število ogledov: 4.229;

število objav: 469;

število študentov, vpisanih v predmet: 19;

povprečna ocena na izpitu: 8,78.

Iz podatkov izračunamo frekvenco obiska ter frekvenco objav na e-študiju za

posamezen predmet.



Enačba za izračun frekvence obiska:

Fax

N [2]

Fa ... frekvenca obiska

x ... število obiskov

N ... število študentov

Enačba za izračun frekvence objav:

Fby

N [3]

Fb ... frekvenca objav

y ... število objav

N ... število študentov

Dobimo naslednje rezultate:

Fa ELP r

4229

19 222, 58

Fb ELP r

469

19 24 , 68

Elektronsko poslovanje, 3. letnik VS, izredni študij (ELP VS I)

o aktivnosti v časovnem obdobju: 31. januar 2010 do 31. julij 2010;

o število ogledov: 4.311;

o število objav: 359;

o število študentov, vpisanih v predmet: 24;

o povprečna ocena na izpitu: 8,18.

Iz tega sledi:

Fa ELP i

4311

24 179, 62

Fb ELP i

359

24 14 , 96

Kvantitativne metode v logistiki, 1. letnik, redni študij (KML VS)

o aktivnosti v časovnem obdobju: 30. oktober 2010 do 31. julij 2010;


o število objav: 2.290;





Dobimo:

Fa KML r

22902

198 115, 66

Fb KML r

2290

198 11, 56

Kvantitativne metode v logistiki, 1.letnik VS, izredni študij (KML VS I)

o aktivnosti v časovnem obdobju: 30. november 2009 do 31. julij 2010;





Iz česar dobimo:

Fa KML i

9916

47 210, 98

60612, 89

47b KM L i

F

Statistične metode v logistiki, 2. letnik, redni študij (SML VS)



o število objav: 1.361;



Fa SML r

15.723

72 218, 37

Fb SML r

1.361

72 18, 90

Statistične metode v logistiki, 2. letnik, izredni študij (SML VS I)








Fa SML i

2.172

45 48, 33

Fv SML i

160

45 3, 55

Glede na zgornje podatke lahko izrišemo grafikon, ki nam prikaţe povezanost med

spremenljivkama.

Tukaj pričenjamo z uvodom v teorijo statističnih metod, ki smo jih uporabili v

diplomskem delu in so opisane v poglavju 3.

Iz podatkov je razvidno, da obisk v spletni učilnici vpliva na povprečno oceno pri

predmetu. Višina korelacijskega koeficienta, ki smo ga izračunali s pomočjo

programskega orodja Microsoft Office Excel je 0,79, kar glede na sliko 5 pomeni, da

obstaja visoka pozitivna povezanost med danima spremenljivkama. Pri izračunu smo

izvzeli podatke za študente predmeta SML-izredni, saj smo jih tretirali kot osamelca

(ang. outlayer).



3 OSNOVE STATISTIKE, UPORABLJENE V

DIPLOMSKEM DELU

3.1 Priprava podatkov

Kako pričeti z raziskovalnim procesom? Najprej moramo poznati temo, ki jo ţelimo

obdelovati ter poznati proces. Iz opazovanja lahko nato določamo razlage,

predvidevanja ali teorije iz katerih potem postavimo hipoteze. Za statistično analizo so

ključnega pomena podatki. Ko imamo podatke zbrane, jih lahko obdelamo in

analiziramo. S pomočjo statistične analize lahko svoja predvidevanja oziroma hipoteze

potrdimo ali ovrţemo.

Naslednji korak je določanje spremenljivk, ki bi jih radi “merili”.

Pri gradnji modelov lahko uporabimo izvorno obliko podatkov ali pa jih predhodno

pripravimo (normaliziramo, standardiziramo oz. jih spremenimo s katero od

matematičnih funkcij). Za izgradno napovednih in klasifikacijskih modelov predlagata

avtorja Han in Kember (2006) več različnih postopkov:

čiščenje podatkov (Data cleaning) z namenom odstranitve ali zmanjšanja šuma v

podatkih ter obravnavo manjkajočih podatkov. Obravnavani postopek lahko zmanjša

zmedo v postopku učenja modela;

izbiro atributov (Relevance analysis) kjer s korelacijsko analizo med atributi

odkrivamo redundantnost. S tem pri gradnji modela le-te izločamo. Prispevek

irelevantnih atributov v napovedi modela je nepomemben. Njihova morebitna

vključitev v model pa lahko upočasni delovanje modela ali vodi do napačnih

zaključkov v postopku učenja modela. Zmanjšanje števila potrebnih atributov za

izgradnjo modela nam olajša razumevanje delovanja le-tega;

s transformiranjem podatkov zagotovimo linearnost med obravnavanimi

spremenljivkami.



Omenjene operacije izvedemo z namenom zagotoviti boljšo:

napovedno točnost (angl. Accuracy), ki predstavlja kvocient med številom pravilno

razvrščenih podatkov in vsemi podatki, testiramo pa jo z različnimi statističnimi

sodili;

robustnost (angl. Robustnes), ki predstavlja sposobnost modela pravilno napovedati

vrednosti odvisne spremenljivke ob pomankljivih podatkih.

3.2 Korelacija

Primarna naloga korelacije je meriti moč linearne povezave med dvema

spremenljivkama. Obravnavane odvisnosti med spremenljivkami delimo na stohastične

in deterministične. Slednje predstavljajo funkcijsko odvisnost med spremenljivkami,

česar pa v realnem svetu skoraj ne srečamo. Glavno merilo moči in smeri povezave med

dvema pojavoma predstavlja kovarianca.

Najlaţja pot za ugotavljanje korelacije je preverjanje, če spremenljivki med seboj

kovariirata oziroma sta kovariantni. Kovarianca je tesno povezana z varianco (ter

standardnim odklonom) in sicer bi jo lahko opredelili kot odstopanje dejanskih

podatkov od predvidevanih podatkov (drugače povedano, kako dobro se model ujema z

dejanskimi podatki).

Potrebno je poudariti, da lahko varianco računamo na dva načina in sicer ena formula je

za izračun variance vzorca dane populacije, druga formula pa je za izračun variance

celotne populacije. Varianco celotne populacije izračunamo po sledeči enačbi:

VAR 21

Nyi y

2

i 1

N

[4]

Kadar imamo na voljo zelo veliko število primerov in računamo s pomočjo vzorca iz te

populacije računamo varianco s pomočjo enačbe [5] in nato sklepamo na celotno

populacijo.

VAR 2

xi x

2

N 1 [5]



Iz variance pa izračunamo še standardni odklon (ang. standard deviation) s pomočjo

enačbe:

SD VAR 2 [6]

Če ţelimo vedeti, ali sta spremenljivki med seboj povezani to pomeni, da ţelimo

spremljati spremembe, ki se zgodijo z drugo spremenljivko, če spremenimo podatke v

prvi spremenljivki.

Če kovarianco normaliziramo, dobimo vrednost, ki jo imenujemo Pearsonov koeficient

korelacije (r)1, (angl. Pearson product-moment correlation coeficient, Pearson

correlation coeficient), ki zavzema vrednosti (-1 ≤ rxy ≤ 1). Izračunamo ga lahko po

enačbi [7]:

r cov

xy

sxsy

[7]

Obe skrajni vrednosti rešitve enačbe [7] predstavljata funkcijsko povezavo med podatki.

O pozitivni povezavi med spremenljivkama govorimo, ko ima povečanje ene

spremenljivke za posledico povečanje druge spremenljivke, v nasprotnem je vrednost

korelacijskega koeficienta negativna. Pri razlagi višine Pearsonovega koeficienta

korelacije moramo zavedati, da dvakrat višja vrednost r ne pomeni tudi dvakrat večje

povezanosti med spremenljivkama. Prav tako pa razlika med r=0,8 in r=0,9 ni enaka

razliki med r=0,5 in r=0,4. (Sagadin, 2003, str. 120). Korelacija je lahko linearna ali

krivuljčna. Potrebno je vedeti, da neznatna vrednost Pearsonovega koeficienta korelacie

še ne pomeni, da povezanosti med spremenljivkami ni. Povezava lahko vseeno obstaja a

ni linearna. Za interpretacijo rezultatov lahko uporabimo preglednico za interpretacijo

višine korelacijskega koeficienta. Slika [5] prikazuje razrede moči povezav odvisosti od

vrednosti koeficienta korelacije, ki smo jih uporabili pri interpretaciji v naši nalogi, pri

čemer pa v literaturi najdemo zelo različne razrede povezav (Field (2009); Fowler,

Cohen & Jarvis (1998); Nemec (2000); Sagadin (2003)).

1 Običajno označujemo Pearsonov koeficient korelacije s črko r. Ko govorimo o korelaciji v kontekstu regresije, ga

označujemo z R in govorimo o multiplem regresijskem koeficientu (Field, 2009, str. 170). Kvadrirano vrednost

Pearsonovega koeficienta korelacije vedno pišemo R2 in jo poimenujemo koeficient determinacije. Predstavlja nam

merilo deleţa variance, ki si jo merjeni spremenljivki delita.



Za študij korelacij med proučevanimi podatki je dobro pare spremenljivk prikazati v

razsevnem diagramu (angl. Scatter diagram). V kolikor obstaja med opazovanimi

spremenljivkami odvisnost, med točkami narišemo regresijsko krivuljo tako, da se čim

bolj natančno prilega danim točkam diagrama. Iz razsevnega diagrama lahko tudi

sklepamo, na linearnost povezave med preučevanima spremenljivkama. Rezultati

tovrstne analize se v glavnem uporabljajo za testiranje skladnosti spreminjanja

opazovanih pojavov in stopnjo usklajenosti tega spreminjanja, pri tem pa ne moremo

sklepati kaj je vzrok in kaj posledica teh povezav. To je moč ugotavljati le na osnovi

empiričnega poznavanja pojavov.

V kolikor ne moremo sklepati na linearno povezavo, lahko podatke transformiramo.

Najbolj običajne transformacijske funkcije so logaritmiranje (log in ln), prevedba v

eksponentno (ex) ali v polinomsko obliko.

Slika 5: Tabela za določitev povezanosti pri izračunu korelacij

Vir: Sagadin, 2006, str. 122.



Kako izračunati korelacijo brez programskega orodja najlaţje prikaţemo s primerom.

Primer 1:

Poskusimo najti korelacijo med številom obiskov e-gradiv ter končno oceno pri

zaključnem izpitu izbranih petih študenov.

Tabela 5: Podatki za primer 1

Predmet 1 2 3 4 5 povprečno

Število obiskov e-gradiv 19 9 1 14 5 9,6

Končna ocena izpita 8 4 2 10 6 6

Uporabimo enačbo za izračun kovariance (Košmelj (2004) str. 341-352):

cov x , y xy x y

y y

N 1

[8]

in nato vanjo vstavimo zgornje podatke. Izračun je sledeč:

cov x , y 19 9, 6 8 6 9 9, 6 4 6 1 9, 6 2 6 14 9, 6 10 6

5 1

cov x , y 9, 4 2 0, 6 2 8, 6 4 4.4 4

4

cov x , y 18, 8 1, 2 34 , 4 17, 6

4

cov x , y 18

Naslednji korak je izračun variance, kjer moramo uporabiti formulo [5], ki predstavlja

varianco za vzorec iz populacije. Upoštevati je potrebno, da za izračun korelacijskega

koeficienta potrebujemo standardni odklon spremenljivk x ter y, kar pomeni, da moram

izračunati najprej varianco za spremenljivko x (število obiskov e-gradiv) ter nato

varianco za spremenljivko y (končna ocena izpita).



x

29, 4

2

0, 6 2

8, 6 2

4 , 4 2

4, 6 2

5 1

x

288, 36 0, 36 73, 96 19, 36 21,16

4

x

2 50, 8

y

22

2

2 2

4 2

4 2

5 1

y

24 4 16 16

4

y

2 10

Ko imamo izračunano varianco, dobljeno število le še korenimo in tako dobimo

standardni odklon. Kot pri varianci, tudi tukaj dobimo standardni odklon spremenljivke

x ter spremenljivke y.

x 50, 8

x 7,13

y 10

y 3,16

Naslednji korak pri izračunu korelacije je izračun Pearsonovega koeficienta linearne

korelacije, ki se izračuna s pomočjo enačbe [7].

r 18

7,13 3,16

r 0, 80

Na podlagi tega primera smo prikazali ročni izračun korelacijskega koeficienta kot

skupek večih delnih izračunov. Če pogledamo sliko 5 vidimo, da glede na zgornji

primer obstaja visoka (tesna) pozitivna korelacija oziroma povezanost.

3.3 Regresija

V analizi regresije nas zanima napoved odvisne spremenljivke na osnovi ene ali večih

neodvisnih spremenljivk, moč povezave med temi spremenljivkami je drugotnega



pomena. Vlogo korelacijskega koeficienta v regresiji nadomesti njegova kvadratna

vrednost, ki predstavlja deleţ variance pojasnjene z neodvisnimi spremenljivkami.

Bistvo regresijske analize je priprava modela, ki ga prilagodimo našim podatkom ter ga

uporabimo za napovedovanje odvisne spremenljivke. Glede na število neodvisnih

spremenljivk ločimo enostavno in multiplo regresijo. Pri prvi uporabimo le eno

neodvisno spremenljivko, pri slednji pa dve ali več. Regresijska analiza ima opisno in

napovedovalno vlogo (Gujarati, 2003, str. 12-31, str. 767-787).

Enostavna regresija

Z regresijsko in korelacijsko analizo ugotavljamo medsebojno odvisnost med dvema ali

več skupinami spremenljivk. S korelacijsko analizo ugotavljamo jakost odvisnosti, z

regresijsko analizo pa je mogoče odvisnost med odvisno in eno (ali več) neodvisnimi

spremenljivkami izraziti v obliki regresijske enačbe. Niti korelacijska analiza niti

katerikoli drugi matematični postopek nam ne omogoča ugotavljanja vzročnosti. Le–to

je moč ugotavljati na osnovi poznavanja pojavov oz. študija relevantne teorije. Študij

odvisnosti med odvisno in neodvisno spremenljivko je najenostavneje pričeti s

prikazom dvojic vrednosti obeh spremenljivk v razsevnem grafikonu. Ta omogoča

ugotoviti obliko, smer in jakost odvisnosti. Oblika je lahko linearna ali krivuljčna, smer

je lahko pozitivna, kjer z naraščanjem vrednosti neodvisne spremenljivke naraščajo tudi

vrednosti odvisne ali negativna, glede na jakost pa je lahko bolj ali manj močna.

V kolikor obstaja med opazovanima spremenljivkama odvisnost, med točke narišemo

regresijsko premico v primeru linearne odvisnosti oz. regresijsko krivuljo v primeru

krivuljčne odvisnosti tako, da se premica oz. krivulja čim bolje prilega točkam. Ker v

večini primerov pri proučevanju naravnih pojavov ne gre za funkcijske odvisnosti in vse

točke ne leţijo na premici oz. krivulji Y = f(X), zapišemo linearno odvisnost med

spremenljivkama X in Y v obliki statističnega modela regresijske odvisnosti. Model

enostavne regresije ima obliko:

Y a bX [9]

kjer slučajno variiranje okrog pravih vrednosti predstavlja , ki je ostanek ali rezidual

(angl. error, disturbance term), ki nastane zaradi slučajnih vplivov, napak pri merjenju



ali zaradi tega, ker v model niso vključeni vsi vplivi neodvisne spremenljivke na

odvisno spremenljivko. Y je odvisna spremenljivka, X pa neodvisna spremenljivka.

Linearni regresijski model ima tri neznane parametre: presečišče a, naklonski koeficient

b in varianco s2. Prvi problem, ki ga moramo rešiti, ko smo zbrali podatke, je optimalna

izbira presečišča in naklonskega kota. Kriterijev za “najboljšo” premico je več,

najpogosteje pa se uporablja kriterij razlik med napovedanimi in izmerjenimi

vrednostmi. Vsota kvadratov teh razlik mora biti minimalna.2 Uporaba linearne

regresije pri reševanju določenega linearnega sistema zahteva izpolnitev naslednjih

pogojev (Gujarati, 2003, str. 66-92; Field, 2009, str. 197-206):

LINEARNOST SPREMENLJIVK: Obstajati mora pribliţno linearna zveza med odvisno

spremenljivko Y na eni strani in neodvisnimi spremenljivkami X1;… ;Xn na drugi

strani.

NEODVISNOST SPREMENLJIVK: Noben par neodvisnih spremenljivk X1;… ;Xn ne

sme biti preveč koreliran, tj. korelacijski koeficienti r(Xi;Xj) morajo biti po absolutni

vrednosti manjši od 0,7. Če temuo ni tako, je dobljen model lahko zelo občutljiv na

majhne merske napake ali spremembe vrednosti neodvisnih spremenljivk. Temu pojavu

rečemo multikolinearnost. Odvečne neodvisne spremenljivke je zato treba odstraniti iz

modela. Zaradi teţnje k čim večji natančnosti modela je smiselno odstraniti tiste

spremenljivke, ki so z odvisno spremenljivko v niţji korelaciji. V našem delu se s tem

problemom ne bomo soočali, saj bomo uporabili samo eno neodvisno spremenljivko.

Za napake dobljenega modela napovedovanja odvisne spremenljivke pa veljajo še

naslednji pogoji:

NEPOŠEVNOST NAPAK: Srednja vrednost napake je enaka 0. To je posledica metode

najmanjših kvadratov, na kateri temelji linearna regresija.

HOMOSKEDASTIČNOST NAPAK: Varianca napake mora biti po celotni učni mnoţici

enaka. V nasprotnem primeru je korelacija med odvisno spremenljivko in parametri

modela lahko zavajajoče povprečje vzorcev višje in niţje korelacije.

2 Metoda se imenuje v angleščini Ordinary least squares (OLS)



NORMALNOST NAPAK: Napaka mora biti normalno porazdeljena slučajna

spremenljivka.



4 STATISTIČNA ANALIZA

4.1 Kaj želimo dokazati?

Namen statistične analize je bil dokazati, da študentje s sprotnim reševanjem kvizev za

preverjanje znanja pridobijo osnovno znanje s področja predmeta KML, ki ga nato s

študijem v času pred izpitnim rokom le še nadgradijo. To pomeni, da ima sprotno delo

študentov za posledico višjo oceno na pisnem izpitu.

4.2 Program Microsoft Office Excel

Microsoft Office Excel je aplikacija, razvita s strani podjetja Microsoft in deluje na

operacijskih sistemih Microsoft Windows ter Mac OS X. Uporabljamo jo lahko za

izračun kalkulacij, izdelovanje grafičnih predstavitev, pivot tabel ter za makro

programiranje, imenovano VBA (ang. Visual Basic for Applications). Trenutni aktualni

verziji sta Microsoft Office Excel 2010 (Windows) ter 2008 (Mac OS X). V Excel-u

smo za izračune uporabili funkcije, ki so zbrane v tabeli [6].

Aritmetična sredina je najbolj znana in najpogosteje uporabljana srednja vrednost, ki jo

izračunamo iz statistične vrste z N vrednostmi po enačbi:

y 1

Nyi

i 1

N

[10]

y povprečna vrednost

N število primerov

Tabela 6: Funkcije, ki smo jih v Excell-u uporabili za naše izračune

Funkcija Opis funkcije

COVAR funkcija za izračun kovariance vrne kovarianco, povprečno

vrednost zmnoţkov odklonov v paru

STDEVP Izračuna standardni odklon, ki temelji na celotni populaciji



AVERAGE Funkcija nam izračuna aritmetično sredino izbranih polj.

PEARSON Funkcija PEARSON nam predstavlja izračun korelacijskega

koeficienta (ang. correlation coeficient), kjer določimo obseg

mnoţice celic 1 ter 2 (ang. array1, array2). Uporablja se za

določevanje povezanosti pojavov oziroma povezanosti med

dvema spremenljivkama. V našem primeru je to povezanost

med povprečno oceno kvizev ter končno oceno (vpisano v

AIPS). Korelacija se izračuna kot končni izračun delnih

rezultatov kovariance, standardnega odklona ter variance, od

koder nato dobimo korelacijski koeficient R.

VARP Izračuna varianco, ki temelji na celotni populaciji

4.3 Viri in priprava podatkov

Podatke za statistično analizo smo pridobivali s spletnega portala estudij.fl.uni-mb.si

(študijsko leto 2009/2010), s pomočjo referata ter na podlagi rezultatov zaključnih

izpitov študentov. Izmed vseh predmetov, ki jih imajo študenti v programu, smo za

analizo izbrali predmet Kvantitativne metode v logistiki (KML), nato pa spremljali

dogajanje ves čas trajanja predmeta, zapisovali rezultate pri kvizih za preverjanje znanja

ter nato pridobili še podatke o oceni s končnega izpita.

Dobljene podatke smo razdelili v dva seta. Prvi set vsebuje podatke, ki so povezani z

redno vpisanimi študenti, v drugem setu pa so podatki izredno vpisanih študentov. Seta

podatkov sta prikazana v preglednici [7]. Oba seta podatkov vsebujeta dovolj primerov

(N>30), da smemo predpostavljati normalno distribucijo znotraj populacije, hkrati pa je

primerov še vedno malo, tako da smo pri analizah upoštevali celotno mnoţico primerov

in izračunov nismo delali na osnovi vzorčne statistike.

Seta vsebujeta za vsak primer podatke o uspešnosti reševanja kvizev ter uspešnosti pri

opravljanju pisnega izpita ter končne ocene. Redni študentje so lahko reševali štiri

kvize, izredni pa tri, pri čemer je bil obseg snovi za preverjanje na kvizie v enakem

ms-help://MS.EXCEL.12.1060/EXCEL/content/HP10062491.htm



obsegu za redne in izredno vpisane študente. Pri računanju povprečne ocene kvizov

smo uporabili enačbo [10].

Na voljo smo imeli podatke o uspešnosti posameznega študenta pri vsakem kvizu,

podatke o njihovi uspešnosti pri pisanju pisnega izpita ter končno oceno pri predmetu

Kvantitativne metode v Logistiki (KML). Podatki so zbrani v tabeli x. Končna ocena pri

predmetu KML je izračunana po enačbi [1].

Tabela 7: Seta podatkov za statistično analizo

SET 1; Redno vpisani študenti SET 2; Izredno vpisani študenti

A B A B A B A B A B

2 1.88 5 4.58 6 7.29 8 9.58 6 9.17

2 6.46 7 8.96 5 7.71 4 7.08 * 9.17

6 4.38 3 7.50 2 0.00 8 10.00 * 0.00

5 5.42 5 7.09 1 0.00 6 7.92 * 7.92

4 8.96 4 8.13 5 4.58 * 8.33 10 9.58

2 0.00 2 5.84 3 6.88 6 5.83 10 9.17

4 3.96 1 0.63 8 6.88 5 10.00 9 8.33

2 6.67 3 3.75 5 4.58 4 6.67 * 0.00

2 6.67 8 8.96 2 0.00 7 7.50 * 0.00

3 5.00 3 3.75 4 7.29 6 2.50 6 9.17

3 3.75 3 7.50 6 6.67 * 8.75 7 10.00

4 7.09 3 2.50 6 8.96 * 0.00 * 5.42

4 8.75 4 7.71 3 8.96 10 9.58 6 8.75

5 4.17 3 0.00 4 0.00 * 0.00 * 9.17

4 8.75 4 4.17 4 7.29 * 0.00 6 6.67

3 6.04 4 8.75 2 3.75 * 5.00 * 10.00

4 8.75 5 5.00 5 6.67 * 0.00 * 0.00

7 8.13 6 0.00 6 7.29 * 5.42 2 1.67

2 5.42 4 7.08 6 0.00 7 8.75 * 0.00



3 6.67 3 4.79 7 6.46 4 10.00 * 3.33

7 8.96 2 7.29 3 0.42 * 0.00 6 6.25

5 1.88 4 3.33 3 8.13 5 10.00 6 9.17

5 7.29 4 5.83 3 7.29

1 4.58 7 8.75 7 8.13

6 4.59 1 4.17 7 7.29

6 8.75 1 7.08 8 8.75

3 7.29 5 0.63 5 6.38

8 8.75 7 8.13 6 7.70

4 5.42 2 8.75 4 0.00

2 9.58 3 9.38 5 6.67

5 0.63

A … končna ocena izpita

B … povprečno doseţeno število točk na kvizu; maksimalno število točk na kvizu je 10.

* … študent ni pristopil k opravljanju izpita

4.4 Rezultati

Zbirnik podatkov obeh setov je prikazan v preglednici [8]. Struktura vpisa kaţe, da

predstavljata dve tretjini vpisanih redne študente, eno tretjino predstavljajo izredno

vpisani študenti. Redno vpisani študenti pristopajo k opravljanju izpita brez izjem, pri

izrednih študentih jih več kot polovica k opravljanju izpita sploh ni pristopila. Razlika

med populacijama je tudi v uspešnosti pri opravljanju izpita. Izredni študenti, ki so se

udeleţili izpita so pri tem precej uspešni. Kar 72% jih je izpit uspešno opravilo,

povprečna končna ocena izpita je precej visoka in pozitivna. Izredni študenti, ki so

uspešno opravili izpit, so bili uspešni tudi pri opravljanju študijskih obvez povezanih z

reševanjem kvizov. Samo 11% izrednih študentov pri reševanju kvizov ni doseglo 60%

vseh moţnih točk kviza, a so kljub temu uspešno opravili izpit. Pri rednih študentih je

deleţ uspešnih na izpitu samo 24%, pri tem pa je končna povprečna ocena izpita 4,17.

Če primerjamo samo dela populacije, kjer so študenti ţe na kvizih dosegli vsaj 60%



moţnih točk vidimo, da 18% redno vpisanih študentov ni doseglo tega standarda, a so

bili vseeno uspešni pri opravljanju izpita.

Tabela 8: Zbirnik podatkov uporabljenih setov v nalogi

SET 1

(redni študenti)

SET 2

(izredni študenti)

število vpisanih v e-študij 91 44

pristopili k opravljanju izpita 91 25

opravili izpit 22 18

doseţek na kvizu > 60% točk 52 27

opravilo izpit ob doseţku na kvizu >60% točk 18 16

povprečen doseţek na kvizu (%)3 56,8 60,40

povprečna ocena na izpitu4 4,17 6,63

Iz teh podatkov lahko sklepamo:

izredni študenti bolj uspešno opravljajo študijske obveznosti povezane s kvizi kot

redni študenti in so v povprečju pri tem tudi bolj uspešni;

izredni študenti se v manjšem deleţu kot redni študenti udeleţujejo izpita, a so tisti,

ki se izpita udeleţijo mnogo bolj uspešni kot redni študenti;

za obe populaciji pa velja, da je velika večina študentov, ki doseţe pri reševanju

kvizov vsaj 60% moţnih točk, uspešna pri opravljanju končnega izpita.

V nadaljevanju naloge smo raziskali moţne povezave med uspešnostjo opravljanja

študijskih obvez pri reševanju kvizov in uspešnostjo pri predmetu KML. S pomočjo

analize korelacij in regresije analize smo ţeleli ugotoviti kako povprečna ocena kviza

vpliva na končno oceno pri predmetu KML. Odvisno spremenljivko v modelu

predstavlja končna ocena pri predmetu KML, neodvisno spremenljivko pa povprečna

ocena kvizev. Prva serijo korelacij, ki smo jih preučevali, predstavlja povezavo med

povprečno oceno kvizev znotraj e-učilnice ter končno oceno, ki se je študentu vpisala v

indeks.

3 V izračunih so upoštevani vsi primeri seta 1 in seta 2. 4 Upoštevani so samo študentje, ki so pristopili k opravljanju izpita.



Tabela 9: Soodvisnosti med preučevanima atributoma za redno vpisane študente

KONČNA_OCENA

Vsi redno vpisani študenti

KONČNA_OCENA 1

POVPREČNA OCENA KVIZA 0,31**

VELIKOST VZORCA 91

Študenti so izpit opravili

KONČNA_OCENA 1

POVPREČNA OCENA KVIZA 0,47*

VELIKOST VZORCA 22

Študenti izpita niso opravili

KONČNA_OCENA 1

POVPREČNA OCENA KVIZA 0,13 NS

VELIKOST VZORCA 69

Dvostransko intervalno ocenjevanje:

NS … ni statistično značilno; * statistično značilno pri < 0,05; ** statistično značilno pri < 0,01

Prva korelacija, ki smo jo preučili predstavlja soodvisnost med povprečno oceno kvizev

znotraj e-učilnice ter kvizi za preverjanje znanja. Redni študentje so reševali štiri kvize s

pomočjo katerih so preverjali svoje poznavanje obravnavane tematike. Študij

soodvisnosti med uspešnostjo redno vpisanih študentov na izpitu pri predmetu KML in

njihovo uspešnostjo pri reševanju kvizov nam je pokazal, da v celotni populaciji redno

vpisanih študentov obstaja statistično značilna ( < 0,01) nizka pozitivna soodvisnost

med povprečno oceno kviza in končno oceno pri predmetu KML. V mnoţici študentov,

ki so bili pri opravljanju študijskih obveznosti pri predmetu KML uspešni je

soodvisnost med preučevanima spremenljivkama zmerna in pozitivna. To trditev lahko

sprejmemo pri stopnji tveganja manjši od 5%. Mnoţica rednih študentov, ki niso bili

uspešni pri opravljanju izpita predstavlja 75% celotne populacije redno vpisanih

študentov preučevane generacije. V tej mnoţici soodvisnost med preučevanima

spremenljivkana ni statistično značilna, zato na osnovi korelacije ne moremo sklepati o



razlogih za njihovo neuspešnost. Tudi vrednost Pearsonovega koeficienta korelacije

r=0,13 je neznatna.

Enako smo analizirali soodvisnosti tudi znotraj mnoţice podatkov izrednih študentov in

rezultate zbrali v tabeli 10. Ti podatki so precej pomanjkljivi. Kar 33% študentov je

kvize bolj ali manj uspešno reševal, pri opravljanju izpita pa so bili neuspešni ali pa k

opravljanju izpita sploh niso pristopili.

Tabela 10: Soodvisnosti med preučevanima atributoma pri izrednih študentih

KONČNA_OCENA

Vsi izredno vpisani študenti

KONČNA_OCENA 1


VELIKOST VZORCA 44

Izredni študenti, ki so izpit opravili

KONČNA_OCENA 1


VELIKOST VZORCA 18

Izredni študenti, ki izpita niso opravili

KONČNA_OCENA 1


VELIKOST VZORCA 26



Prav tako imamo primere, ko študentje kvizov niso opravljali, so pa bili uspešni pri

opravljanju končnega izpita pri predmetu KML. Podatke izrednih študentov smo

pripravili tako, da smo v analizi upoštevali podatke študentov, ki so opravili svoje

študijske obveze povezane z reševanjem kvizov ter so pristopili k opravljanju pisnega

izpita pri predmetu KML. Študentom, ki niso pristopili k opravljanju izpita smo

vrednost končne ocene pripisali vrednost nič (0). Rezultati analize soodvisnosti med



uspešnostjo pri reševanju kvizov in končno oceno pri predmetu KML kaţejo, zmerno

pozitivno povezavo pri študentih, ki izpita niso imeli opravljenega v času zajema

podatkov. To trditev lahko sprejmemo pri 5% stopnji tveganja. Statistično značilna

(<0,01) je tudi zmerna soodvisnost med preučevanima atributoma znotraj celotne

populacije izredno vpisanih študentov. Podobno kot pri rednih študentih, ki so opravili

izpit, je tudi pri izredno vpisanih študentih, ki so bili na izpitu uspešni, povezava med

preučevanima spremenljivkama enako močna in statistično značilna pri 5% stopnji

tveganja.

Priprava modela

Na osnovi predhodnih rezultatov analize soodvisnosti med proučevanimi

spremenljivkami, smo pripravili več testnih modelov za napoved končne ocene izpita

pri predmetu KML. Za analizo smo seta podatkov iz preglednice 7 zdruţili in pripravili

tako, da smo upoštevali vse študente, ki so opravljali študijske obveznosti povezane z

reševanjem kvizov in so pristopili k opravljanju pisnega izpita. Podatki o ocenah izpitov

in povprečnih ocenah kviza, ki smo jih upoštevali v analizi, so zbrani v tabeli 11.

Tabela 11: Podatki, ki smo jih uporabili v regresijski analizi

A B A B A B A B

1 0,63 4 4,17 6 6,67 7 8,13

1 4,17 4 5,42 6 6,67 7 8,75

1 4,58 4 5,83 6 7,29 7 8,75

2 1,67 5 0,63 6 7,29 7 8,96

2 1,88 5 0,63 6 7,70 7 8,96

2 3,75 5 1,88 6 7,92 7 10,00

2 5,42 5 4,17 6 8,75 8 6,88

2 5,84 5 4,58 6 8,75 8 8,75

3 0,42 5 4,58 6 8,96 8 8,75

3 2,50 5 4,58 6 9,17 8 8,96

3 3,75 5 5,00 6 9,17 8 9,58



3 3,75 5 5,42 6 9,17 8 10,00

3 3,75 6 2,50 7 6,46 9 8,33

3 4,79 6 4,38 7 7,29 10 9,17

3 5,00 6 4,59 7 7,50 10 9,58

4 3,33 6 5,83 7 8,13 10 9,58

4 3,96 6 6,25 7 8,13

A … končna ocena izpita

B … povprečno doseţeno število točk na kvizu; maksimalno število točk na kvizu je 10.

Iz te mnoţice smo izločili študente, ki so pri reševanju kvizov dosegli več kot 60%

moţnih točk, izpita pa niso opravili. Za njih smo sprejeli domnevo, da rezultati, ki so jih

dosegli na kvizu mogoče niso plod njihovega dela, saj so bile naloge na kvizih enakega

tipa kot izpitne naloge. Če je študent dosegel na kvizu manj kot 60% izpita pa ni opravil

lahko predpostavljamo, da se študiju ni posvetil dovolj. Študentom, ki niso opravili

nobene obveze povezane s kvizi niti niso pristopili k opravljanju izpita, smo iz analize

prav tako izključili, saj je njihov rezultat ţe v naprej določen z neudeleţbo na izpitu.

Podatke za model smo pripravili tako, da smo kot neodvisno spremenljivko (KVIZ)

vzeli povprečne vrednosti doseţenih točk, ki so jih študenti dosegli pri opravljanju

kviza. Odvisno spremenljivko predstavlja končna ocena (OCENA) pri predmetu KML.

Regresijsko analizo smo izvedli s pomočjo programskega orodja MS Excel. Model, ki

smo ga dobili predstavljamo v tabeli 12.

Korelacijski koeficient (R=0,78) kaţe na tesno pozitivno linearno povezavo med med

povprečno uspešnostjo opravljanja kvizov in končno oceno pri predmetu KML.

Vrednost determinacijskega koeficienta (R Square) nam pove, da je 61% celotne

variance končne ocene pri predmetu pojasnjene z variabilnostjo povprečnih ocen kviza.

Razlika med Determinacijskim koeficientom in prostostnim stopnjam prilagojenim

determinacijskim koeficientom (Adjusted R Square) je manjša kot 2%, kar po SPSS

pomeni, da ima model dobro moč napovedovanja in je v tej cenilki ustrezen.



Tabela 12: Rezultati modela uspešnosti študentov pri opravljanju izpita KML

SUMMARY OUTPUT

Regression Statistics

Multiple R 0,7831

R Square 0,6132

Adjusted R Square 0,6071

Standard Error 1,3975

Observations 65

ANOVA

df SS MS F Significance F

Regression 1 195,1136 195,1136 99,9036 1,27647E-14

Residual 63 123,0401 1,95301

Total 64 318,1538

Coefficients Standard Error t Stat P-value Lower 95%

Intercept 1,18824 0,46133 2,5756 0,01236 0,2663

KVIZ 0,68338 0,06837 9,9951 1,2764E-14 0,5467

F test (F=99,9) kaţe, da je med spremenljivkama linearna odvisnost. Vrednost statistike

t in raven značilnosti (P-value) kaţeta, da sta koeficienta značilno različna od nič iz

česar sklepamo da obstaja linearna odvisnost med opazovanima spremenljivkama.

Enačbo regresijske premice zapišemo v obliki:

y = 1,18824 + 0,68338x [12]

y … napovedana vrednost ocene izpita

x … povprečna vrednost ocena kvizov



V tabeli 13 so podani rezultati napovedanih ocen v odvisnosti od povprečne ocene na

kvizih. V nadaljevanju nas je zanimalo predvsem to, če lahko z modelom razdelimo

napovedane primere v dva razreda. Prvi razred, ki smo ga poimenovali “pozitivno”,

predstavljajo študenti, ki so opravili izpit, v drugem razredu so študenti, ki izpita niso

opravili. Ta razred smo poimenovali “negativno”. Za preslikavo napovedanih vrednosti

odvisne spremenljivke v dva razreda smo uporabili algoritem:

IF(y>5,1;”pozitivno”;”negativno”) [13]

Vrednost 5,1 smo nastavili kot mejo zato, ker se prevedba ocen na izpitih izračunava na

meji med negativno oceno (5) in pozitivno oceno (6) pri več kot 50%.

Tabela 13: Rezultat napovedi in klasifikacije primerov

ocena napoved razred ocena napoved razred

1 1,6154 negativno 6 5,7447 pozitivno







2 5,1758 pozitivno 6 7,3097 pozitivno



























6 5,7441 pozitivno

Model je s preslikavo napovedanih vrednosti v razreda pravilno napovedal več kot 95%

vseh primerov. V treh primerih je končno oceno napovedal napačno. Vse tri napačne

napovedi se nanašajo na najniţjo pozitivno končno oceno izpita. Model je te ocene

napovedal prenizko, kar kaţe na ustrezno konzervativnost modela. Rezultat lahko

ocenimo kot dovolj dober za naš model tudi zato, ker ni v nobenem primeru negativne

ocene izpita pri predmetu KML napovedal pozitivnega rezultata.

4.5 Komentar

S pomočjo statistične raziskave smo dokazali, da sprotno delo in reševanje kvizev

vpliva na končno oceno pri kvizu in glede na zbrane podatke v študijskem letu

2009/2010 lahko s pomočjo regresije uporabimo model za napoved ocen za naslednje



študijsko leto. Smiselno bi bilo študentom predstaviti omenjene ugotovitve, saj lahko

tako vplivamo tudi na njihovo motivacijo pri študiju. V kolikor bodo študentje vedeli,

da se njihovo sprotno delo obrestuje na koncu, bodo bolj motivirani za nadaljnje delo.



5 PREDLAGANE REŠITVE PROBLEMA

Cilj učitelja je, da študenti aktivno obvladajo podano snov. Sprotni študij je primeren

pogoj za izpolnitev obvez s strani študenta. Čeprav se je na naših univerzah uvedla

nekakšna oblika sprotnega študija ţe v začetku osemdesetih let prejšnjega stoletja z

uvedbo kolokvijev in uvedbo polnih pogojev za vpis v višji letnik, pa veliko študentov,

tako kot ţe prej kot dijaki, odlaša z učenjem do zadnjega trenutka. Marsikdo, ki ne zna

oceniti dovolj dobro kdaj je zadnji čas za začetek priprav na izpit, je nato na izpitih

neuspešen. Dobra stran sprotnega študija je tudi dejstvo, da študent, ki ne preštudira

spredavane snovi, teţko spremlja nadalnji potek predavanj. Naši predlogi, kako

pripraviti študente do bolj učinkovitega sprotnega dela se izraţajo v doseganju etapnih

ciljev, kar lahko dodatno motivira študente.

Kviz, ki ga mora študent rešiti v elektronski obliki do določenega datuma, naj bi kmalu

za tem zagovarjal še na delnem ustnem izpitu in s tem potrdil ali izgubil doseţen

rezultat, ki ga je dosegel pri elektronskem reševanju. Zagovor lahko poteka ustno ali

pisno. S tem bi se pribliţali nekdanjemu sistemu kolokvijev. Tako bi se v modelu tudi

izognili predpostavki o “neavtorstvu” rešitve kviza po elektronski poti.

Druga moţnost, ki jo predlagamo je priprava seminarske naloge z obveznim zagovorom

pred avditorijem. Tema seminarske naloge se tako v teoretičnem kot praktičnem delu

pokriva s snovjo kviza. Študent, ki bo moral nalogo predstaviti pred kolegi bo verjetno

precej bolj natančno preštudiral snov. Javna predstavitev pa od študenta zahteva tudi

aktivno poznavanje snovi. Sočasno se pri predstavitvi študent uri v govorništvu, kar mu

lahko oljša delo pri pripravi in zagovoru diplomskega dela.

Tretji predlog zajema spremembo uteţi pri izračunu končne ocene pri izpitu. Iz

sedanjega deleţa 0,1, ki ga ima ocena kviza, bi lahko ta deleţ povečali. S tem bi

nagradili vse študente, ki resno in sproti študirajo. Za primerjavo smo pripravili

hipotetični izračun na osnovi obstoječih podatkov, s katerimi smo zgradili naš model.

Končno oceno pri izpitu KML smo izračunali po enačbi:



1

10, 5 0, 5

n

i

z y xn

[14]

Na osnovi predlagane spremembe izračuna končne ocene pri predmetu KML smo na

istih podatkih pripravili simulacijski izračun za mnoţici redno vpisanih študentov.

Rezultati korelacij so prikazani v tabeli 14.

Tabela 14: Soodvisnosti med preučevanima atributoma za redno vpisane študente

KONČNA_OCENA

Vsi redno vpisani študenti

KONČNA_OCENA 1


VELIKOST VZORCA 91

Študenti so izpit opravili

KONČNA_OCENA 1


VELIKOST VZORCA 41

Študenti izpita niso opravili

KONČNA_OCENA 1


VELIKOST VZORCA 50



Prva razlika, ki jo opazimo je, da so korelacije v vseh primerih statistično značilne

najmanj pri stopnji tveganja <0,05. Prav tako je moč povezave med povprečno oceno

kviza in končno oceno pri predmetu KML mnogo višja (r=0,85; <0,01) znotraj celotne

populacije v primerjavi s trenutno veljavnim načinom izračuna ocene (r=0,31; <0,01).

Enako lahko trdimo za podmnoţico neuspešnih študentov, kjer je bila korelacija

neznatna in statistično neznačilna (r=0,13; NS), po predlaganem sistemu pa je korelacija

visoka (r=0,79; <0,01). Zanemarljiv pa ni niti sklep, da bi verjetno, ob predlagani



spremembi redni študenti bolj marljivo opravljali študijske obveze povezane s kvizi. Pri

tem se nam lahko poraja dilema, kako naj pedagoški delavec z gotovostjo ve, da je

študent res sam opravil omenjene kvize. Rešitev je lahko v dodatni uvedbi zagovorov,

kot jih predlagamo v našem prvem predlogu.

Simulirali smo tudi napovedni model za mnoţico rednih študentov, kjer smo po enakih

kriterijih kot za naš prvi model, izločili vse primere kjer je bila ocena kvizov večja kot

60% moţnih točk ocena na izpitu pa ni bila pozitivna. Regresijski model, ki smo ga

zgradili za napoved končne ocene pri predmetu KML in velja za napovedi končne ocene

v primeru ½ deleţa ocene kviza v končni oceni, je prikazan v tabeli 15.

Tabela 15: Regresijski model za napovedovanje končne ocene pri predmetu KML

Regression Statistics

Multiple R 0,8651

R Square 0,7484

Adjusted R Square 0,7447

Standard Error 0,9041

Observations 70

ANOVA

df SS MS F Significance F

Regression 1 165,3955 165,3955 202,3178 4,64E-22

Residual 68 55,59024 0,817503

Total 69 220,9857

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept 1,6552 0,2967 5,578 4,55E-07 1,0631 2,2473

kviz 0,0636 0,0044 14,223 4,64E-22 0,0546 0,072

Model ustreza v vseh statističnih cenilkah. Oba koeficienta napovedne funkcije sta

statistično značilna. Korelacijski koeficient (R=0,86) kaţe na tesno pozitivno linearno



povezavo med med povprečno uspešnostjo opravljanja kvizov in končno oceno pri

predmetu KML. Determinacijski koeficient (R Square) kaţe, da je skoraj 75% celotne

variance končne ocene pri predmetu pojasnjene z variabilnostjo povprečnih ocen kviza.

Razlika med Determinacijskim koeficientom in prostostnim stopnjam prilagojenim

determinacijskim koeficientom (Adjusted R Square) je manjša kot 0,5%, kar po SPSS

pomeni, da ima model zelo dobro moč napovedovanja.

F test (F=202,3) kaţe, da je med spremenljivkama linearna odvisnost. Vrednost

statistike t je visoka in statistično značilna. Enačbo regresijske premice zapišemo v

obliki:

y = 1,6552 + 0,0636x [15]

y … napovedana vrednost ocene izpita

x … povprečna vrednost ocena kvizov

Tabela 16: Rezultati napovedi in klasifikacije primerov

ocena napoved razred ocena napoved razred






































Napoved in klasifikacija primerov v pozitivni in negativni razred je zbrana v tabeli 16.

Model je klasificiral študente v dva razreda relativno točno, saj je med sedemdesetimi

primeri napačno razvrstil šest primerov. Za razliko od našega osnovnega modela, nam

je ta model napovedal pozitivne ocene tudi pri študentih, ki izpita niso opravili. Dobra

stran tega je, da se študente opozori, da visoka povprečna ocena na kvizu še vedno ni

zadosten pogoj za uspešno opravljen izpit in se je potrebno na izpit pripraviti.



Priloţnost, ki jo vidimo na FL (vezano na tabelo 1) bi bila predvsem v izobraţevanju.

Študentje bi lahko v sklopu določenih predmetov pridobili določene certifikate. Vsi

vemo, da podjetja širom sveta dandanes zahtevajo papirno potrdilo o znanjih, še

predvsem o znanju računalništva ter jezikov. FL bi tukaj lahko študentom ponudila, da

pridobijo certifikat ECDL (Europen Computer Driving Licence), ki dokazuje znanje in

usposobljenost za delo z računalnikom (»ECDL računalniško spričevalo (certifikat)«

[B2 ECDL certificiranje]. b. d), ravno tako bi lahko ponudila moţnost certificiranja

znanja angleškega in nemškega jezika. Študentom bi bilo potrebno predstaviti prednosti

določenega certifikata, nato pa bi se lahko sami odločili, ali ga ţelijo ali ne. Druga

moţnost je v tem, da študentje namesto opravljanja izpita iz določenega predmeta

opravljajo izpit, s katerim pridobijo certifikat (seveda se zahtevnost izpita poveča),

ocena le-tega pa hkrati pomeni opravljen zaključni izpit pri določenem predmetu. S tem

bi FL izobraţevala bolj iskan kader, kar bi posledično vplivalo tudi na njen sloves. Ker

fakulteta ţe ima infrastrukturo za e-izobraţevanje, bi lahko v sklopu tega pripravila še

tečaje za ljudi izven fakultete. Za opravljanje tega FL potrebuje licenco in sicer za

opravljanje ECDL izpita v Sloveniji je odgovorno Slovensko društvo Informatika, za

pridobitev jezikovnih certifikatov pa Goethejev inštitut v Ljubljani.

Tema našega diplomskega dela je bila tudi motivacija študentov. Na primeru predmeta

ELP smo dokazali, da motivacija študentov z uporabno vrednostjo, ki jo lahko pridobi s

predmetom, bo pokazal veliko večje zanimanje. Dejstvo je tudi, da je uporaba

hibridnega načina učenja dvostranski proces, saj mora pedagoški delavec za

zagotavljanje zadostne motivacije spremljati dogajanje v njegovi e-učilnici, pomagati

študentom ter slediti vprašanjem na forumu. E-gradiva ter interaktivni elementi znotraj

le-teh prinašajo le še dodano vrednost k vsemu skupaj.

Naslednja stopnja razvoja na področju Adobe Flash animacij je, da se sestavijo naloge,

kjer je osnovna naloga enaka za vse študente, medtem ko številke znotraj naloge

program generira sam. Tako bi bili študentje prisiljeni v samostojno delo, s tem pa se

rešimo tudi potrebe po preverjanju IP naslovov ipd.



ZAKLJUČEK

Osnova pri pisanju diplomske naloge so nam bili teoretični viri, na podlagi katerih smo

poskušali najti vzporednice z načinom študija na FL, kar smo opisali v poglavjih 1 ter 2.

Spletna učilnica je za študente koristno in učinkovito dopolnilo študiju. Njihov uspeh na

izpitih pri preučevanih predmetih je visoko koreliran (r=0,79) s končno oceno pri teh

predmetih. Pri tem je izjema le predmet SML-izredni, ki smo ga iz analize korelacije

izločili, saj smo ga tretirali kot osamelec od ostalih podatkov.

Če se lotimo analize po posameznih predmetih, začenši s predmetom KML, lahko

rečemo, da so študentje sicer sodelovali v spletni učilnici, ravno tako so imeli na voljo

računalniškega agenta z avatarjem ţenskega spola. Njihova obveznost je bilo reševanje

kvizov, ki so bili sestavljeni iz animiranih nalog. Izračun korelacije med povprečno

oceno kvizev ter končno oceno na izpitu je bila tema našega eksperimentalnega dela

naloge. S pomočjo analize korelacij in z regresijsko analizo smo pripravili model, ki

nam omogoča ločiti študente, ki bodo izpit opravili od tistih, ki na izpitu ne bodo

uspešni. Model najprej napove višino končne ocene pri predmetu KML na osnovi

povprečne ocene opravljenih kvizov. Na osnovi napovedi pa le-te klasificira v pozitivni

in negativni razred. Model je zgrajen s konzervativnim pristopom, saj nobenega primera

ne napove preoptimistično, to je v nobenem primeru negativne ocene, le-te ne napove

kot pozitivno vrednost. Točnost klasifikacije je zelo visoka, saj napačno razvrsti manj

kot 10% primerov.

Pri predmetu SML so študentje imeli na voljo računalniškega agenta z avatarjem

ţenskega spola, niso pa imeli animiranih nalog. Pri rednih je bil obisk v spletni učilnici

precej visok, česar pa ni bilo zaznati pri izrednih študentih. Povprečna ocena predmeta

je bila 7,30 tako pri rednih, kot pri izrednih študentih. Tukaj smo glede na ostale

podatke, zbrane v poglavju 2.5 izredne študente tretirali kot osamelce in jih izločili iz

statistične analize. Na podlagi omenjenega lahko sklepamo, da metoda samostojnega

dela oziroma izključno on-line študija za izredne študente z moţnostjo konzultacij po

zaključenem študijskem obdobju (pri izrednih so to 4 tedni) ima smisel.



V zaključnem letniku študija so študentje imeli moţnost izbire dveh predmetov, iz

katerih bodo opravljali izpit. Tisti, ki so se odločili za predmet ELP, so v sklopu

predavanj dobili nalogo, kjer so morali delovati kot celota, a kljub vsemu je moral vsak

narediti svoj del. Tudi ti študentje so imeli na voljo za nejasnosti povprašati Cindy.

Tukaj je bila udeleţba v spletni učilnici najvišja, vzporedno temu pa tudi povprečna

ocena na zaključnem izpitu. Iz tega lahko sklepamo, da so študentje izjemno motivirani

za reševanje realnih problemov oziroma uporabnih nalog.

Predlagamo nadgradnjo raziskave, saj bi bilo za potrditev našega modela dobro

raziskavo nadaljevati še na nekaj naslednjih generacijah študentov. Za nadgradnjo

predlagamo uvedbo modela z več parametri. Kot moţnost predlagamo modeliranje z

metodami strojnega učenja. Za naše delo bi bila lahko primerna metoda podpornih

vektorjev, ki ne zahteva linearnih soodvisnosti med spremenljivkami ali metoda

modelnih dreves, kjer je interpretacija rezultatov jasna in razumljiva ter enostavno

predstavljiva v grafični obliki.



LITERATURA IN VIRI

Abbad, M., Morris, D., Al-Ayyoub, A., & Abbad, J. (2009). Students’ Decisions to Use

Abbad, M., Morris, D., Al-Ayyoub, A., & Abbad, J. (2009). Students’ Decisions

to Use an eLearning System: A Structural Equation Modelling Analysis.

International Journal Of Emerging Technologies In Learning (IJET), 4(4).

Najdeno 20. februarja na spletni strani http://onlinejournals.org/i-

jet/article/view/928/1200

ActionScript [Wikipedia]. Najdeno 24. februarja na spletnem naslovu

http://en.wikipedia.org/wiki/ActionScript

Awouters, V. & Jans, S. (2009). E-Learning competencies for teachers in secondary

and higher education. (4). 2 str.: 58-60. Najdeno 17. maja 2010 na spletnem

naslovu http://online-journals.org/i-jet/article/viewArticle/739

Bates, T. (2001). National strategies for e-learning in post-secondary education and

training. Paris: United Nations Educational, Scientific and Cultural Organisation

(UNESCO).

ECDL računalniško spričevalo (certifikat) [B2 ECDL certificiranje]. Najdeno 3. junija

na spletnem naslovu http://www.b2.eu/racunalniski-tecaji/ECDL-

certificiranje.aspx

Fakulteta za logistiko Univerze v Mariboru (2002). Interno gradivo. Celje: FL UM.

Fakulteta za logistiko Univerze v Mariboru (2009). Študij 1. stopnje (brošura). Celje: FL

UM.

Fowler, J., Cohen, L. & Jarvis, P. (1998). Practical Statistics for Field Biology. 2nd

Edition. Chichester: John Wiley & Sons.

Gujarati, D. N. (2003). Basic Econometrics. (4th

Ed.). Boston: McGraw-Hill.

Han, J. & Kamber, M. (2006). Data Mining: Concepts and Techniques. 2nd

Edition.

Amsterdam, Boston, San Francisco: Elsevier, Morgan Kaufmann.

Holenko, M. & Hoić-Boţić, N. (2008, 30. julij). Using Online Discussions in a Blended

Learning Course. International Journal of Emerging Technologies in Learning.

Najdeno 20. februarja 2010 na spletnem naslovu http://online-journals.org/i-




Implementacija hibridnog učenja [Metodika i komunikacija e-obrazovanja]. Najdeno

15. januarja 2010 na spletnem naslovu: http://www.carnet.hr/referalni/

obrazovni/mkod/metodika/hibridno_impl.html

Informacijski paket [Fakulteta za logistiko Univerze v Mariboru]. Najdeno 10. januarja

2010 na spletnem naslovu http://fl.uni-mb.si/attachments/173

_Informacijski_paket_2009_SLO.pdf

Kaj je ECTS (kreditna točka)? [Informatika in tehnologija komuniciranja].Najdeno 15.

septembra 2010 na spletnem naslovu: http://www.itk.uni-mb.si/Faq.aspx#ECTS

Knowles, M. (b. d.). Andragogy. Najdeno 12. maja na spletnem naslovu

http://tip.psychology.org/knowles.html

Korin-Lustig, A. & Lukarić, S. (2008). Pedagogical Aspects of E-learning

Implementation: What Have We Learned? International Journal of Emerging

Technologies in Learning (iJET), Vol 3. Najdeno 21. marca 2010 na spletnem

naslovu http://online-journals.org/i-jet/article/viewArticle/645

Košmelj, K. (2004). Osnove analize kovariance. Acta agriculturae slovenica, (83), 341-

352. Ljubljana: Biotehniška fakulteta.

Krajnc, A. (1979). Metode izobraževanje odraslih - andragoška didaktika. Ljubljana:

Delavska enotnost. Najdeno 20. marca 2010 na spletnem naslovu

http://webcache.googleusercontent.com/search?q=cache:AejrqeNySeEJ:www.stu

dent-info.net/sis-

mapa/skupina_doc/fsd/knjiznica_datoteke/538840_ana_krajnc___metode_izobraz

evanja_odraslih.doc+Metode+izobra%C5%BEevanje+odraslih.+Andrago%C5%

A1ka+didaktika.&cd=8&hl=sl&ct=clnk&gl=si&lr=lang_en%7Clang_hr%7Clang

_sr%7Clang_sl

Kvantitativne metode v logistiki [Blend.FL 09/10] (b. d.). Najdeno 8. aprila 2010 na

spletni strani http://estudij.fl.uni-mb.si/course/view.php?id=64

Ministrstvo za šolstvo in šport Republike Slovenije (2007, julij). Strategija

vseživljenjskosti učenja v Sloveniji. Ljubljana: Javni zavod Pedagoški inštitut,

2007.

Nemec, J. (2000). Statistika. Maribor: Fakulteta za kmetijstvo in biosistemske vede.

O’Neill, K., Singh,G. & O’Donoghue, J. (2004). Implementing eLearning Programmes

for Higher Education: A Review of the Literature. Journal of Information

Technology Education (3) str. 313-323.

http://estudij.fl.uni-mb.si/course/view.php?id=64



Ortiz, J., M. (2001). E-Learning: effects and demands on students and teachers. E-

Learning. E4_Activity 5 – International BEST Symposium. Helsinki: IBS.

Najdeno 10. aprila 2010 na spletnem naslovu:

http://www.best.eu.org/download/edu/IBS-2001-Trondheim-eLearning.pdf

Pigliapoco, E. & Bogliolo, A. (2007, 26. november). The Effects of Psychological

Sense of Community in Online and Face-to-Face Academic Courses.

International Journal Of Emerging Technologies In Learning (IJET). Najdeno 20.

februarja 2010 na spletnem naslovu http://online-journals.org/i-jet/

article/view/201/704

Poslanstvo Fakultete za logistiko [Poslanstvo, vizija, strateške usmeritve]. Najdeno 15.

septembra 2010 na spletnem naslovu: http://fl.uni-

mb.si/index.php?option=com_content&view=article&id=25&Itemid=110

Sagadin, J. (2003). Statistične metode za pedagoge. Maribor: Obzorja d.o.o.

Samoevalvacijsko poročilo 2008/2009. [Fakulteta za logistiko Univerze v Mariboru].

Najdeno 10. januarja 2010 na spletnem naslovu http://fl.uni-

mb.si/attachments/173_ Samoevalvacijsko poročilo 2008/2009_SLO.pdf

Smyth, G. (2006, 31. marec). Wireless Technologies Bridging the Digital Divide in

Education. International Journal of Emerging Technologies in Learning. Najdeno

20. februarja 2010 na spletnem naslovu http://onlinejournals.org/i-


Statistični urad Republike Slovenije (2010, 14. maj). Svetovni dan telekomunikacij.

Ljubljana: Statistični urad Republike Slovenije.

Zakon o visokem šolstvu. Uradni list RS št. 119/2006-UPB3, 59/2007-ZŠtip (63/2007

popr.), 15/2008 Odl.US: U-I-370/06-20, 64/2008, 86/2009, 62/2010-ZUPJS.

Ţibert, A., Juričić, Đ. & Ţnidaršič, B. (b. l.). Zbrano gradivo informatizacije šolstva.

Interno gradivo. Ljubljana: Zavod za šolstvo Republike Slovenije.

Documents

BLEND.FL NA FAKULTETI ZA LOGISTIKO · kvantitativne metode v logistiki (1. letnik visokošolskega programa Gospodarska in tehniška logistika). Pri takem načinu študija je glavni