edtechlearning designsrlpblai

AWW 培訓內容與 ILA 模組之 CDT 分析

arXiv - Human-Computer InteractionArka Majhi, Satish B. Agnihotri

透過內容分析與 CDT 對照，設計符合 AWW 需求的模組化學習與遊戲化複習方案。

AI 幫你先抓重點

AI 重點 1

將 CDT 與內容分析結合，可快速產出符合實務需求的教學目標與教材設計。

滑鼠懸停看 AI 判斷理由
此方法將抽象理論落實於實際課程，降低設計師的門檻，並確保學習者能在短時間內掌握關鍵知識，對於資源有限的公共衛生培訓尤為重要。
AI 重點 2

遊戲化 Android 應用能有效提升 AWW 的學習動機與持續參與度。

滑鼠懸停看 AI 判斷理由
透過即時反饋與趣味化任務，學習者能在日常工作中隨時複習，減少因課程延遲造成的知識流失，進而提升服務品質與健康指標。

核心研究發現

  1. 1

    將 21 個 ILA 模組拆解為事實、概念、程序與原則四類內容，提供更細緻的知識結構。

  2. 2

    利用 David Merrill 的 Component Display Theory 將內容映射至具體學習目標，形成可操作的教學規劃。

  3. 3

    發現 AWW 缺乏正式營養與流行病學背景，且各區訓練不均，需以實例為主、語言與地區適配的教材。

  4. 4

    提出以 Android 遊戲化學習應用作為即時複習工具，彌補延遲課程導致的知識斷層。

對教育工作者的啟發

本研究提供三大實務指引：一、先將大型培訓模組拆解為事實、概念、程序與原則四類，便於針對不同學習者需求設計教材；二、運用 Component Display Theory 對照學習目標，確保教學內容與目標高度一致，避免資訊過載；三、針對 AWW 缺乏專業背景的情況，採用本土化實例與案例教學，並透過 Android 遊戲化平台提供即時複習，提升學習動機與知識保留。這些步驟可直接應用於其他公共衛生或社區工作者的培訓設計，縮短培訓周期並提升服務效能。

原始文獻資訊

英文標題：
Analysis of AWW (Anganwadi Workers) Training Content, ILA (Incremental Learning Approach) Modules Following CDT (Component Display Theory)
作者：
Arka Majhi, Satish B. Agnihotri
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。