1. 1
ULASAN JURNAL :
LEARNER CHARACTERISTIC BASED LEARNING EFFORT CURVE MODE:
THE CORE MECHANISM ON DEVELOPING PERSONALIZED ADAPTIVE ELEARNING PLATFORM
Pi-Shan Hsu,
Department of Human Resource Development, Ching Kuo Institute of
Management and Health, Taiwan
Sumber :http://www.tojet.net/articles/v11i4/11421.pdf
PENGENALAN
Kajian ini merupakan satu kajian tentang keluk pencapaian pelajaran yang
berdasarkan kajian kepada karakater atau sifat pelajar termasuklah gaya
pembelajaran dan efikasi kendiri. Matlamat utama kajian ini adalah untuk
membangunkan satu mekanisme teras yang berkaitan dengan penerimaan
terhadap pembangunan platform e-learning ( e-pembelajaran ). Kajian ini juga
melibatkan seramai 125 orang pelajar universiti di Taiwan dan dibahagikan
kepada 16 kumpulan berdasarkan kecekapan dalam pembelajaran, gaya
pembelajaran dan efikasi kendiri.
Karakter pelajar berdasarkan Mod Keluk Hasil Pembelajaran atau
Learning effort curve mode ( LECM ) dibangunkan berpandukan regresi antara
pelbagai faktor yang didapati daripada setiap kumpulan pelajar. Kajian ini
menganggap gaya pembelajaran dan efikasi kendiri sebagai karakter pelajar.
PERSOALAN KAJIAN
Menurut Keh ( 2004 ), mekanisme terbaik dalam e-pembelajaran mestilah
berdasarkan karakter pelajar itu sendiri. Pengkelasan gaya pembelajaran
menjadikan penerimaan terhadap e-pembelajaran lebih berkesan. Yu ( 2007 ),

2. 2
menerangkan bahawa efikasi kendiri merupakan faktor utama dalam pencapaian
e-pembelajaran. Namun demikian, banyak platform e-pembelajaran tidak
mengambil kira karakter pelajar malah lebih teruk lagi tidak bersesuaian dengan
situasi semasa. Sebab itulah, banyak platform e-pembelajaran tidak dapat
digunakan dengan sebaiknya.
METODOLOGI / KAEDAH KAJIAN
Subjek
Penyelidik telah memilih 178 orang pelajar universiti di Taiwan untuk turut serta
dalam aktiviti berdasarkan platform IC3 e-pembelajaran. Hanya 125 orang
pelajar yang layak sebagai sampel kajian ini berdasarkan kajian terhadap rekod
pelajaran mereka dan juga keputusan ujian tentang inventori gaya pembelajaran
dan skala efikasi kendiri.
Alat
Alat yang digunakan dalam kajian ini termasuklah inventori gaya pembelajaran,
skala efikasi kendiri, platform e-pembelajaran IC3, pencapaian berdasarkan
ujian/penilaian dan pengiraan berdasarkan usaha untuk belajar. Subjek
dikelaskan berdasarkan karakter pelajar dengan menggunakan penilaian
inventori gaya pembelajaran dan skala efikasi kendiri.
1.
Inventori Gaya Pembelajaran / Learning Style Inventory ( LSI )
LSI diperkenalkan oleh Kolb ( 1984 ) dan ramai penyelidik berpendapat bahaawa
LSI
merupakan
alat
penyelidikan
yang
efektif
kerana
mempunyai
kebolehpercayaan yang tinggi. LSI mengambil masa antara 10 hingga 15 minit
untuk menjawab 12 soalan. Dalam kajian ini, LSI digunakan untuk mengenal
pasti gaya pembelajaran dan membuat pengkelasan responden kepada empat
gaya pembelajaran iaitu penyesuaian, asimilasi, bertumpu dan perbezaan yang
wajar.

3. 3
2.
Skala Efikasi Kendiri / Self-Efficacy Scale ( SES )
SES digunakan oleh Zhang dan Schwarzer ( 1995 ) kepada 293 orang pelajar
universiti untuk mengkaji keberkesanannya. 91 orang berpendapat SES
mempunyai kebolehpercayaan yang tinggi. SES biasanya mengandungi 10
soalan dan diikuti dengan empat skala iaitu 1- salah, 2- agak betul, 3- betul, 4sangat betul. Markah biasanya antara 10-40 markah. Responden yang
mempunyai markah yang tinggi dianggap mempunyai efikasi kendiri yang tinggi.
Dalam kajian ini, SES digunakan untuk mengukur efikasi kendiri dan membuat
pengkelasan responden sama ada mempunyai efikasi kendiiri yang tinggi atau
rendah.
3.
Platform e-pembelajaran IC3
IC3 ( Internet and Computing Core Certifications ) merupakan kelayakan yang
diaplikasikan di 128 buah negara di seluruh dunia. IC3 adalah gabungan antara
pembelajaran dengan penilaian. Pelajar boleh membuat penilaian kendiri
berdasarkan tahap tertentu dalam struktur IC3.
4.
Dynamic Real-Time based Learning Effort Quantification Technique
Teori Hasil pembelajaran /
Learning Effort ( Hsu et al, 2009) dibangunkan
berdasarkan teori beban kognisi ( Sweller, 1990 ) dan Teori Penilaian Dinamik (
Allal & Ducresy, 2000 ). Hasil pembelajaran dengan nilai yang positif
menunjukkan hasil pembelajaran yang meningkat dan hasil pembelajaran
dengan nilai yang negatif menunjukkan hasil pembelajaran yang
semakin
menurun. Dynamic Real-Time based Learning Effort Quantification Technique
pula dibangun berdasarkan RAT ( Rapid Assesment Test, Kalyuga & Sweller,
2004 ) dan Cognition Efficiency Teory ( Kalyuga & Sweller, 2005 ). Dalam kajian
ini, teknik ini digunakan untuk menukarkan rekod pembelajaran kepada hasil
pembelajaran dalam bentuk data pernomboran.

4. 4
5.
Mod Keluk Hasil Pembelajaran / Learning Effort Curve Mode (LECM)
Data hasil pembelajaran yang ditukarkan menggunakan Dynamic Real-Time
based Learning Effort Quantification Technique boleh ditukarkan kepada bentuk
visual grafik yang dikenali sebagai Keluk Hasil Pembelajaran.
DAPATAN KAJIAN
Dapatan kajian ini menunjukkan bahawa karakter pembelajaran berdasarkan
LECM dapat mewakili karakter pembelajaran responden secara khusus
terutamanya gaya pembelajaran dan efikasi kendiri responden. Nilai teras
karakter
pembelajaran
berdasarkan
LECM
mampu
mereliasasikan
pembangunan platform e-pembelajaran yang sesuai dengan kehendak pelajar
atau pengguna.
KESIMPULAN
Penyelidikan ini tidak terhenti di sini sahaja. Seharusnya penyelidikan tentang
faktor-faktor yang mempengaruhi pembangunan platform e-pembelajaran
diteruskan pada masa-masa akan datang. Dapatan kajian yang diperoleh
menunjukkan bahawa hubungan antara gaya pembelajaran dengan efikasi
kendiri saling bergantung antara satu sama lain.
E-pembelajaran
mesti
mengambil
kira
karakter
pelajar
dalam
pembangunan platform yang sesuai. Gaya pembelajaran dan efikasi kendiri
merupakan
kunci
kepada
pembangunan
platform
e-pembelajaran
yang
bertepatan dengan kehendak kajian ini. Responden yang dibahagikan kepada 16
kumpualan karakter pelajar berdasarkan gaya pembelajaran, efikai kendiri dan
keberkesanan pembelajaran. Keluk hasil pembelajaran ditukarkan kepada LECM
berdasarkan karakter pelajar yang mewakili setiap kumpulan. Dengan analisis 16
kumpulan karakter pelajar, menemui bahawa hasil pembelajaran responden
berdasarkan LECM menunjukkan mutu pembelajaran yang tinggi.