राइझोमॅटिक लर्निंग म्हणजे काय

जर्मन शिका: या भाषेचा अभ्यास करण्याची कारणे

आपण राइझोमॅटिक शिक्षणाबद्दल ऐकले असेल परंतु ते नक्की काय आहे किंवा ते कशासाठी वापरले जाते हे माहित नाही.. राइझोमेटिक लर्निंग म्हणजे राईझोमच्या जैविक रूपक संदर्भित, जेथे झाडाची फोड मजबूत होण्यासाठी आणि वाढण्यास मूळ आणि मुळे लागतात, ज्यामुळे ती नवीन वनस्पती बनेल. राइझोमॅटिक शिक्षणाबद्दल, हे शिकण्याचा एक मार्ग आहे जिथे लोक नवीन समस्या सोडवण्याची कौशल्ये विकसित करतात.

राइझोमॅटिक शिक्षणाचा वापर करणारे शिक्षक किंवा प्राध्यापक यांना शैक्षणिक वातावरण तयार करण्याची आवश्यकता आहे जिथे अभ्यास योजना आहेत आणि ज्या विषयावर विद्यार्थी त्यांच्या शिकण्यात पूर्णपणे गुंतलेले आहेत त्या विषयाचे चांगले ज्ञान आवश्यक आहे. विद्यार्थ्यांच्या हितासाठी पुनर्निर्मिती करता येईल असे शिक्षण विद्यार्थी जेथे आहेत त्या संदर्भातील बदलत्या रूपांवर अवलंबून गती.

शिक्षण समाजात आणि नेटवर्कमध्ये होते. राइझोमॅटिक शिक्षणामध्ये, हे नेहमीच तयार केले जाते आणि पुन्हा तयार केले जाते कारण ते पर्यावरणाच्या बदलत्या परिस्थितीवर आधारित आहे, विद्यार्थ्यांना कोणत्याही क्षणी त्यांच्या आवश्यकतेनुसार. हे सामाजिक पासून पुढे जात आहे, हे शुद्ध शिक्षण आहे जे सुधारित, बदललेले आणि नैसर्गिक मार्गाने जोडलेले आहे. सीया प्रकारच्या शिक्षणामुळे औपचारिक शिक्षणास अनौपचारिक वाटले. 

ज्ञान मुळांपर्यंत नेणे आवश्यक आहे आणि म्हणूनच रीरोझोमेटिक शिक्षणाचा अर्थ समजून घेण्यासाठी न्यूरोएड्यूकेशनमध्ये बरेच योगदान आहे. जर rhizomes कनेक्ट केलेले असेल तर ते एका नेटवर्कमध्ये समुदायासह कनेक्ट केलेले आहे. इंटरनेटच्या लोकांच्या जीवनावर होणार्‍या परिणामाप्रमाणे, जिथे सर्व काही कनेक्ट केलेले आहे, जिथे आपण सर्व कनेक्ट झालेले आहोत आणि जेथे कनेक्शनचे सर्वात मोठे नेटवर्क आहे.

शिकण्याच्या मार्गावर एक रूपक

जर आपल्याला विद्यमान सामाजिक परिस्थितींसह सिद्धांत आणि निर्देशात्मक धोरणे शिकण्यास स्वारस्य असेल तर आपल्याला खरोखर माहित आहे की बरेच काम करावे आणि समजून घ्यावे लागेल. कनेक्टिव्हिझम, कन्स्ट्रटिव्हिझम, कन्स्ट्रक्टिव्हिझम आणि राईझोमॅटिक शिक्षणाची आधीची कल्पना यासह विद्यमान सिद्धांत. या सर्व गोष्टी त्यांच्या शिकण्याच्या बाबतीत लोकांच्या गर्दीची सामर्थ्य आणि अंतर्भूत अनागोंदी दोघांनाही सूचित करतात.

गोलांपर्यंत पोहोचा

थेट सूचना विद्यार्थ्यांच्या दृष्टीकोनातून दोन महत्त्वपूर्ण पक्षांच्या विश्वासार्हतेवर अवलंबून असते: शिक्षक आणि अभ्यासक्रम. अधिक आशावादीपणे, विद्यार्थ्यांच्या एकसमान योजनेत वर्गात जेथे त्यांना एकमेकांशी जोडलेले ज्ञान शिकले पाहिजे.

रिझोमॅटिक शिक्षणास डेटा-आधारित निर्देशात्मक रणनीतीमध्ये स्वारस्य नाही ज्यास आपण एकांगी मार्गात शिकवू इच्छित आहात जेणेकरून विद्यार्थी परिणाम-आधारित पद्धतीने शिकतील आणि त्याचप्रमाणे डिझाइन किंवा प्रक्रियेत बरेच काही शिकू शकणार नाहीत.

संयुक्त शिक्षणाची जादू

शिक्षक विद्यार्थ्यांनी त्यांना हवे असलेल्या सामग्रीच्या क्षेत्राचे विश्लेषण केले. एका अभ्यासानुसार, समान वयाचे आणि भौगोलिक स्थानाच्या 30 विद्यार्थ्यांना त्यांची नेमणूक, त्यांची आवड, त्यांची आवड किंवा त्यांच्याकडे असलेल्या मानसिक योजनांकडे दुर्लक्ष करून कोणते डोमेन ज्ञान आहे हे सांगण्यास सांगितले.

एकदा हे सर्व स्पष्ट झाल्यानंतर, शिकण्याची जादू दिसून येते कारण ती पूर्व-मूल्यांकन असते नियोजित सूचनांचे पुनरावलोकन करण्यासाठी सतत देखरेखीसह परिणामी डेटा ... डेटा खोटे बोलत नाही आणि विद्यार्थ्यांच्या आवश्यकतेनुसार सामग्री सुधारण्यास मदत करेल.

शिकण्याची जटिलता

या राइझोमॅटिक शिक्षणामध्ये, मानवी अनुभवाची जटिलता, लोकांची नजीक, सर्वात शुद्ध शिक्षण प्रक्रिया असू शकते हे मान्य केले जाते. यामध्ये हे इतके शिकण्याची सिद्धांत नाही कारण ती एक हुशार आणि अचूक रूपक आहे जी शिक्षणास आरंभ किंवा शेवट नसल्याचे वर्णन करते. हे असे मानले जाते की विद्यार्थ्यांच्या विविध आणि भिन्न गरजा आहेत आणि हे कितीही महान किंवा कठीण वाटले तरी त्यांचे समाधान करण्यासाठी त्यांना विचारात घेतले पाहिजे.

शिकत आहे

एक व्यक्ती विद्यार्थ्यांमधील शिक्षक (शिक्षक) असेल आणि सर्वजण समान शिक्षण आणि समान शैक्षणिक मानकांशी जोडले जातील जेणेकरून समुदाय शिक्षण वाढेल. राइझोमॅटिक लर्निंगमधील शिक्षकांसाठी हे आव्हान आहे की विद्यार्थी वेगवेगळ्या पार्श्वभूमीतून आले आहेत, त्यांना वेगवेगळ्या गोष्टींची आवश्यकता आहे हे समजणे आणि जेव्हा आपण या सर्वांचा विचार केला तर आपल्याला शिक्षणाची जादू तयार करण्यासाठी सर्वात महत्वाचे काय आहे हे समजेल.

राइझोमॅटिक शिक्षणाद्वारे ज्ञानाची केवळ वाटाघाटी केली जाऊ शकते कारण ती सतत वाटाघाटी बदलणारे आणि स्थानिक ध्येयांद्वारे वैयक्तिक ज्ञान निर्मितीची प्रक्रिया आहे.


आपली टिप्पणी द्या

आपला ई-मेल पत्ता प्रकाशित केला जाणार नाही. आवश्यक फील्ड चिन्हांकित केले आहेत *

*

*

  1. डेटा जबाबदार: मिगुएल Áन्गल गॅटन
  2. डेटाचा उद्देशः नियंत्रण स्पॅम, टिप्पणी व्यवस्थापन.
  3. कायदे: आपली संमती
  4. डेटा संप्रेषण: कायदेशीर बंधन वगळता डेटा तृतीय पक्षास कळविला जाणार नाही.
  5. डेटा संग्रहण: ओकेन्टस नेटवर्क (EU) द्वारा होस्ट केलेला डेटाबेस
  6. अधिकारः कोणत्याही वेळी आपण आपली माहिती मर्यादित, पुनर्प्राप्त आणि हटवू शकता.