En ständig utmaning inom högre utbildning är att utbildningsprogram ska uppnå ett högt söktryck och hög genomströmning av studenter, annars finns risken att ett dåligt rykte sprider sig om utbildningen. En låg genomströmning kan vara en negativ indikator som medför att blivande studenter väljer att söka en annan utbildning, vilket påverkar söktrycket negativt. Näringsliv kan anse att examinerade studenter inte håller måttet jämfört med utbildningar med gott rykte, där söktrycket är högt och många studenter tar examen, oavsett hur bra utbildningen egentligen är. Min studie har fokuserat på hur utbildningsprogram kan uppnå en högre genomströmning genom att använda små resurser och tekniker utan att förändra utbildningens krav eller kursinnehåll drastiskt. Studien omfattar ett utbildningsprogram inom Data och IT mellan åren 2011-2016. Två gånger per år har studenterna intervjuats enskilt med fokus på att identifiera faktorer som påverkar deras studier och studieresultat, positiva som negativa (Zheng, 2015; Serrano-Cámara, 2014; Williams & Williams, 2011). Under åren 2011-2012 hade utbildningsprogrammet lägre än 25% genomströmning av de 20 ststudenter som antogs första året. För att bemöta problemet om genomströmning användes CDIO-modellen (Conceive, Design, Implement och Operate) (Brodeur, 2011). CDIO består av olika standarder och tekniker i syfte att utveckla en studentmiljö som främjar studentens lärande i första hand. Mitt fokus har varit attanvända CDIO som ett verktyg för att främst öka genomströmningar mellan alla kurser som ingår i utbildningsprogrammet. Statistik från kursutvärderingar och intervjuer med studenter, både nyexaminerade och studenter som valt att avbryta studier, identifierar följande problem:
- Svårt att se framtida yrkesroller. Studenter som påbörjar studier blir lätt osäkra om rätt utbildningsprogram valts redan i första kurs. Även om utbildningen skulle vara rätt finns risk att studenten väljer ett avbrott eftersom första kursen inte motsvarar förväntningar.
- Låg studiemotivation. Kurser som anses svåra och ligger utanför intresseområde leder lätt till låg studiemotivation med ett underkänt betyg eller avbrott som följd (Ainun Zainal, 2012; Hasan, 2010; Brophy, 2004).
- Kunskapsprogression mellan kurser. Studenter har svårt att se hur kurser hänger ihop och ifrågasätter varför de läser en viss kurs. En vanlig fråga är: när används kunskapen? De tförekommer även kurser och moment som inte använts som förkunskapskrav i nästkommande fördjupningskurser.
- Få examinationstillfällen. Kurser som endast ges en gång per år blir kritiska eftersom de är förkunskapskrav inför fördjupningskurser. En underkänd kurs innebär oftast att fortsatta studier enligt utbildningsprogram inte är möjlig. Alternativen studenterna väljer mellan är att läsa om första året, läsa enligt en individuell studieplan eller att avbryta studierna.
Resultaten av att införa CDIO-modellens standarder och tekniker bemöter problematiken och genomströmningen ökade till 60-70% under år 2013-2016. I kritiska kurser med låg genomströmning ändrades de pedagogiska greppen så att studentens lärandeprocess förbättrats, utan att ändra på befintliga lärarresurser. En del av förändringen är att identifiera en tydlig ämnesprogression som är relevant för hela utbildningsprogrammet och dess kurser. Tidigt i utbildningen skapades kursmoment som tydligt relaterar till framtida yrkesroll och som ligger till grund för hela utbildningens ämnesprogression. I kombination med att ständigt uppmuntra till kontinuerligt lärande intygar intervjuade studenter att införandet av CDIO-modellen bemöter befintliga problem. Resultatet visar att med enkla medel kunna öka studiemotivation och uppnå en högre genomströmning.
Referenser
Ainun Zainal. N.F. et.al. (2012). Students’ perception and motivation towards programming. Procedia – Socialand Behavioral Sciences. Vol. 59. 277-286.
Brodeur, D et.al. (2011). The CDIO Syllabus v2.0 An Updated Statement of Goals for Engineering Education, Proceedings of the 7th International CDIO Conference. Denmark, Copenhagen, June 20-23.
Brophy, J (2004). Motivating Students to Learn, 2nd edition, Mahwah, NJ. Lawrence Erlbaum Associates.
Hasan, A et.al. (2010). A Study of University Students’ Motivation and Its Relationship with Their Academic Performance. International Journal of Business and Management. Vol. 5, Issue 4. 80-88.
Hubackova. S. & Ruzickova, M. (2013). Motivation in University students’ teching. Procedia – Social and Behavioral Sciences. Vol 83. 304-308.
Serrano-Cámara, L.M et.al. (2014). An evaluation of students´motivation in computer-supported collaborative learning of programming concepts. Computers in Human Behavior. Vol. 31, 499-508.
Sheard, J. & Hagan, D (1998). Our failing students: a study of a repeat group. ITiCSE ’98, Proceedings of the 6th annual conference on the teaching of computing and the 3rd annual conference on Integrating technology into computer science education: Changing the delivery of computer science education, Dublin, Ireland.
Williams, K.C. & Williams, C.C (2011). Five key ingredients for improving student motivation. Research in Higher Education Journal.
Zheng, S et.al. (2015). Understanding Student Motivation, Behaviors and Perceptions in MOOCs. CSCW ’15 Proceedings of the 18th ACM Conference on Computer Supported Cooperative Work & Social Computing, March 14-18. 1882-1895.
2018. article id 720