Образовательный интеллектуальный анализ данных - Википедия - Educational data mining

Образовательный интеллектуальный анализ данных (EDM) описывает исследование область, связанная с применением сбор данных, машинное обучение и статистика к информации, полученной из образовательных учреждений (например, университеты и интеллектуальные системы обучения ). На высоком уровне эта область стремится разработать и улучшить методы исследования этих данных, которые часто имеют несколько уровней значимого иерархия, чтобы по-новому взглянуть на то, как люди учатся в таких условиях.[1] Поступая так, EDM внесла свой вклад в теории обучения, исследованные исследователями в образовательная психология и изучение наук.[2] Это поле тесно связано с полем обучающая аналитика, и эти два были сравнены и противопоставлены.[3]

Определение

Образовательный интеллектуальный анализ данных относится к методам, инструментам и исследованиям, предназначенным для автоматического извлечения значения из больших хранилищ данных, созданных людьми или связанных с ними. обучение деятельность в образовательных учреждениях.[4] Часто это обширные, детальные и точные данные. Например, несколько системы управления обучением (LMS) отслеживают информацию, например, когда каждый студент получил доступ к каждому учебный объект, сколько раз они обращались к нему и сколько минут обучающий объект отображался на экране компьютера пользователя. Другой пример: интеллектуальные системы обучения записывать данные каждый раз, когда учащийся предлагает решение проблемы. Они могут собирать время отправки, соответствует ли решение ожидаемому решению, количество времени, прошедшее с момента последней отправки, порядок, в котором компоненты решения были введены в интерфейс, и т. Д. Точность этих данных такова, что даже довольно короткий сеанс в компьютерной среде обучения (например 30 минут) может дать большой объем данных процесса для анализа.

В других случаях данные менее детализированы. Например, студенческий Университет стенограмма может содержать упорядоченный во времени список курсов, пройденных студентом, оценка что студент заработал в каждом курс, и когда студент выбрал или изменил свой академический майор. EDM использует оба типа данных для обнаружения значимой информации о разных типах учащихся и о том, как они учатся, о структуре базовые знания и влияние учебных стратегий, встроенных в различные учебные среды. Эти анализы предоставляют новую информацию, которую будет трудно различить, глядя на необработанные данные. Например, анализ данных из LMS может выявить взаимосвязь между учебными объектами, к которым студент получил доступ во время курса, и их итоговой оценкой за курс. Точно так же анализ данных успеваемости студента может выявить взаимосвязь между оценкой студента по конкретному курсу и его решением сменить академическую специальность. Такая информация дает представление о структуре учебной среды, что позволяет учащимся, учителям, школьным администраторам и лицам, определяющим политику в области образования, принимать обоснованные решения о том, как взаимодействовать с образовательными ресурсами, предоставлять их и управлять ими.

История

Хотя анализ образовательных данных сам по себе не является новой практикой, недавние достижения в образовательная технология, включая увеличение вычислительной мощности и возможность регистрировать подробные данные об использовании студентами компьютерной учебной среды, привели к повышенному интересу к разработке методов анализа больших объемов данных, генерируемых в образовательных учреждениях. Этот интерес вылился в серию семинаров по EDM, проведенных с 2000 по 2007 год в рамках нескольких международных исследовательские конференции.[5] В 2008 году группа исследователей организовала ежегодную международную исследовательскую конференцию по EDM, первая из которых прошла в г. Монреаль, Квебек, Канада.[6]

Поскольку интерес к EDM продолжал расти, исследователи EDM установили академический журнал в 2009 г. Журнал интеллектуального анализа данных в образовании, для обмена и распространения результатов исследований. В 2011 году исследователи EDM установили Международное образовательное общество интеллектуального анализа данных для подключения исследователей EDM и продолжения развития этой области.

С введением в 2008 г. общедоступных репозиториев образовательных данных, таких как Центр науки Питтсбурга (PSLC ) DataShop и Национальный центр статистики образования (NCES), общедоступные наборы данных сделали интеллектуальный анализ образовательных данных более доступный и осуществимо, способствуя его росту.[7]

Цели

Райан С. Бейкер и Калина Яцеф [8] определили следующие четыре цели EDM:

  1. Прогнозирование будущего учебного поведения студентов - С использованием Студенческое моделирование, эта цель может быть достигнута путем создания моделей учащихся, которые включают в себя характеристики учащегося, включая подробную информацию, такую ​​как их знания, поведение и мотивация к обучению. В Пользовательский опыт учащегося и их общий удовлетворение с обучением тоже измеряются.
  2. Обнаружение или улучшение моделей предметной области - Благодаря различным методам и приложениям EDM возможно открытие новых и улучшение существующих моделей. Примеры включают в себя иллюстрацию образовательного содержания для вовлечения учащихся и определение оптимальной последовательности обучения для поддержки стиля обучения учащегося.
  3. Изучение эффектов образовательной поддержки этого можно достичь с помощью систем обучения.
  4. Расширение научных знаний об обучении и учащихся путем создания и включения моделей студентов, области исследований EDM и технологии и программного обеспечения используемый.

Пользователи и заинтересованные стороны

В интеллектуальный анализ образовательных данных вовлечены четыре основных пользователя и заинтересованных сторон. Они включают:

  • Учащиеся - Учащиеся заинтересованы в понимании потребностей учащихся и в методах улучшения их опыта и успеваемости.[9] Например, учащиеся также могут извлечь выгоду из обнаруженных знаний, используя инструменты EDM, чтобы предлагать действия и ресурсы, которые они могут использовать на основе их взаимодействия с онлайн обучение инструмент и идеи от прошлых или похожих учеников.[10] Для младших школьников интеллектуальный анализ образовательных данных также может информировать родителей об успеваемости их ребенка.[11] Также необходимо эффективно группировать учащихся в онлайн-среде. Задача состоит в том, чтобы использовать сложные данные для изучения и интерпретации этих групп посредством разработки действенных моделей.[12]
  • Педагоги - Педагоги пытаются понять процесс обучения и методы, которые они могут использовать для улучшения своих методов обучения.[9] Преподаватели могут использовать приложения EDM, чтобы определить, как организовать и структурировать учебная программа, лучшие методы предоставления информации о курсе и инструменты для вовлечения учащихся в достижение оптимальных результатов обучения.[13] В частности, извлечение данных для выработки человеческого суждения дает преподавателям возможность извлечь выгоду из EDM, поскольку она позволяет преподавателям быстро определять поведенческие модели, которые могут поддержать их методы обучения в течение всего курса или улучшить будущие курсы. Педагоги могут определять показатели, которые показывают удовлетворенность учащихся и их вовлеченность в материал курса, а также отслеживать прогресс обучения.[13]
  • Исследователи - Исследователи сосредоточены на разработке и оценке эффективности методов интеллектуального анализа данных.[9] Ежегодная международная конференция исследователей началась в 2008 году, после чего был учрежден Журнал интеллектуального анализа данных в образовании в 2009 году. Широкий спектр тем в EDM варьируется от использования интеллектуального анализа данных для повышения эффективности учебного заведения до успеваемости учащихся.
  • Администраторы - Администраторы несут ответственность за распределение ресурсов для внедрения в учреждениях.[9] Поскольку ответственность за успехи учащихся все больше ложится на учебные заведения, администрирование приложений EDM становится все более распространенным явлением в образовательных учреждениях. Преподаватели и консультанты становятся более активными в выявлении и работе с учащимися из групп риска. Однако иногда бывает сложно передать информацию лицам, принимающим решения, для своевременного и эффективного администрирования приложения.

Фазы

По мере того, как исследования в области интеллектуального анализа данных в образовании продолжали расти, огромное количество методов интеллектуального анализа данных применялось в различных образовательных контекстах. В каждом случае цель состоит в том, чтобы преобразовать необработанные данные в значимую информацию о процессе обучения, чтобы принимать более обоснованные решения о структуре и траектории учебной среды. Таким образом, EDM обычно состоит из четырех фаз:[2][5]

  1. Первая фаза процесса EDM (не считая предварительная обработка ) обнаруживает взаимосвязи в данных. Это включает в себя поиск в репозитории данных из образовательной среды с целью нахождения устойчивых взаимосвязей между переменные. Несколько алгоритмы для выявления таких отношений были использованы, в том числе классификация, регресс, кластеризация, факторный анализ, анализ социальных сетей, интеллектуальный анализ ассоциативных правил, и последовательный анализ шаблонов.
  2. Обнаруженные отношения должны быть подтверждено чтобы избежать переоснащение.
  3. Проверенные отношения применяются для создания предсказания о будущих событиях в учебной среде.
  4. Прогнозы используются для поддержки процессов принятия решений и политических решений.

На этапах 3 и 4 данные часто визуализируются или каким-либо иным образом обрабатываются для человеческого суждения.[2] Был проведен большой объем исследований передовой практики для визуализация данных.

Основные подходы

Из общих категорий упомянутых методов, предсказание, кластеризация и интеллектуальный анализ отношений считаются универсальными методами для всех типов интеллектуального анализа данных; Однако, Открытие с моделями и Обработка данных для человеческого суждения считаются более заметными подходами в интеллектуальном анализе данных в образовании.[7]

Открытие с моделями

В методе Discovery with Model модель разрабатывается путем прогнозирования, кластеризации или человеческих рассуждений. инженерия знаний а затем используется в качестве компонента в другом анализе, а именно в прогнозировании и интеллектуальном анализе отношений.[7] в предсказание использование метода, прогнозы созданной модели используются для прогнозирования нового переменная.[7] Для использования поиск отношений, созданная модель позволяет проводить анализ новых прогнозов и дополнительных переменных в исследовании.[7] Во многих случаях при обнаружении с помощью моделей используются проверенные модели прогнозирования, которые доказали возможность обобщения в разных контекстах.

Ключевые приложения этого метода включают обнаружение взаимосвязей между поведением учащихся, характеристики и контекстные переменные в учебной среде.[7] С помощью этого метода также можно изучить дальнейшее открытие широких и конкретных исследовательских вопросов в широком диапазоне контекстов.

Обработка данных для человеческого суждения

Люди могут делать выводы о данных, которые могут выходить за рамки автоматизированного сбор данных метод предоставляет.[7] При использовании интеллектуального анализа данных об образовании данные обрабатываются на усмотрение человека для двух основных целей: идентификация и классификация.[7]

С целью идентификация данные обрабатываются, чтобы позволить людям идентифицировать хорошо известные закономерности, которые иначе может быть трудно интерпретировать. Например, кривая обучения, классическое для образовательных исследований, представляет собой модель, которая четко отражает взаимосвязь между обучением и опытом во времени.

Данные также дистиллированный Для целей классификация особенности данных, которые используются для интеллектуального анализа данных в образовании, чтобы поддержать разработку модели прогнозирования. Классификация помогает значительно ускорить разработку модели прогнозирования.

Цель этого метода - обобщить и представить информацию в удобном интерактивный и визуально привлекательный способ понимания большого количества данных об образовании и поддержки принятие решений.[9] В частности, этот метод полезен преподавателям в понимании информации об использовании и эффективности учебных мероприятий.[9] Ключевые приложения для извлечения данных для человеческого суждения включают определение моделей обучения, поведения, возможностей для сотрудничество и маркировка данных для будущего использования в моделях прогнозирования.[7]

Приложения

Список основных применений EDM предоставлен Кристобалем Ромеро и Себастьяном Вентурой.[5] В их таксономии области применения EDM следующие:

  • Анализ и визуализация данных
  • Предоставление обратной связи для поддерживающих инструкторов
  • Рекомендации студентам
  • Прогнозирование успеваемости студентов
  • Студенческое моделирование
  • Выявление нежелательного поведения учащихся
  • Группировка студентов
  • Анализ социальных сетей
  • Разработка концептуальные карты
  • Создание учебных программ - EDM можно применять к системам управления курсами, например к системам с открытым исходным кодом. Moodle. Moodle содержит данные об использовании, которые включают различные действия пользователей, такие как результаты тестирования, количество выполненных чтений и участие в дискуссионные форумы. Инструменты интеллектуального анализа данных можно использовать для настройки учебных мероприятий для каждого пользователя и адаптации темпа, в котором студент завершает курс. Это особенно полезно для онлайн-курсы с разным уровнем компетенции.
  • Планирование и составление графиков

Новое исследование по мобильный среда обучения также предполагает, что интеллектуальный анализ данных может быть полезным. Интеллектуальный анализ данных может использоваться для предоставления персонализированного контента мобильным пользователям, несмотря на различия в управлении контентом между мобильные устройства и стандарт ПК и веб-браузеры.

Новые приложения EDM будут сосредоточены на том, чтобы позволить нетехническим пользователям использовать и участвовать в инструментах и ​​действиях интеллектуального анализа данных, делая сбор информации и обработка более доступной для всех пользователей EDM. Примеры включают инструменты статистики и визуализации, которые анализируют социальные сети и их влияние на результаты обучения и производительность.[14]

Курсы

  1. В октябре 2013 г. Coursera предложили бесплатный онлайн-курс «Большие данные в образовании», в котором учили, как и когда использовать ключевые методы для EDM.[15] Этот курс переехал в edX летом 2015 года,[16] и с тех пор продолжает работать на edX ежегодно. Архив курса теперь доступен в Интернете.[17]
  2. Педагогический колледж Колумбийского университета предлагает РС в Learning Analytics.[18]

Места публикации

Значительное количество работ по EDM опубликовано на прошедшей экспертную оценку Международной конференции по интеллектуальному анализу данных в образовании, организованной Международное образовательное общество интеллектуального анализа данных.

Статьи EDM также публикуются в Журнал интеллектуального анализа данных в образовании (JEDM).

Многие статьи по EDM регулярно публикуются на связанных конференциях, таких как «Искусственный интеллект» и «Образование», Интеллектуальные системы обучения, и Пользовательское моделирование, адаптация и персонализация.

В 2011, Чепмен и Холл /CRC Press, Группа Тейлор и Фрэнсис опубликовал первый справочник по интеллектуальному анализу данных в образовании. Этот ресурс создан для тех, кто заинтересован в участии в образовательном сообществе интеллектуального анализа данных.[14]

Конкурсы

В 2010 г. Ассоциация вычислительной техники с Кубок KDD был проведен с использованием данных из образовательной среды. Набор данных предоставлен Питтсбургский научный центр обучения DataShop, и он состоял из более чем 1000000 точек данных от студентов, использующих познавательный наставник. Шестьсот команд соревновались за призовые деньги более 8000 долларов США (которые были пожертвованы Facebook ). Целью участников было разработать алгоритм, который после изучения предоставленных данных будет делать наиболее точные прогнозы на основе новых данных. В победители представил алгоритм, использующий генерацию признаков (форма репрезентативное обучение ), случайные леса, и Байесовские сети.

Затраты и проблемы

Наряду с технологическими достижениями существуют затраты и проблемы, связанные с внедрением приложений EDM. Сюда входят расходы на хранение зарегистрированных данных и расходы, связанные с наймом персонала, занимающегося управлением системами данных.[19] Более того, системы данных не всегда могут легко интегрироваться друг с другом, и даже при поддержке инструментов статистики и визуализации создание одной упрощенной версии данных может быть трудным.[19] Кроме того, выбор данных для добычи и анализа также может быть сложной задачей,[19] делая начальные этапы очень трудоемкими и трудоемкими. От начала и до конца стратегия и реализация EDM требуют соблюдения Конфиденциальность и этика[19] для всех заинтересованных сторон.

Критика

  • Обобщаемость - Исследования в области EDM могут быть специфичными для конкретной образовательной среды и времени, в которое проводилось исследование, и как таковые не могут быть распространены на другие учреждения. Исследования также показывают, что область интеллектуального анализа данных в образовании сосредоточена в западных странах и культуры и, следовательно, другие страны и культуры не могут быть представлены в исследованиях и выводах.[8] При разработке будущих моделей следует рассматривать приложения в различных контекстах.
  • Конфиденциальность - Конфиденциальность личности - это постоянная проблема для применения инструментов интеллектуального анализа данных. Имея на рынке бесплатные, доступные и удобные инструменты, студенты и их семьи могут подвергаться риску из-за информации, которую учащиеся предоставляют системе обучения, в надежде получить обратную связь, которая принесет пользу их будущей успеваемости. По мере того как пользователи начинают разбираться в конфиденциальность в Интернете, администраторы образовательных инструментов интеллектуального анализа данных должны быть активными в защите конфиденциальности своих пользователей и быть прозрачными в отношении того, как и с кем информация будет использоваться и передаваться. При разработке инструментов EDM следует учитывать защиту частной жизни, продолжая исследования в этой области.
  • Плагиат - Обнаружение плагиата - постоянная проблема для преподавателей и преподавателей, будь то в классе или в Интернете. Однако из-за сложностей, связанных, в частности, с обнаружением и предотвращением цифрового плагиата, инструменты интеллектуального анализа образовательных данных в настоящее время недостаточно сложны для точного решения этой проблемы. Таким образом, развитие возможностей прогнозирования проблем, связанных с плагиатом, должно стать одним из основных направлений будущих исследований.
  • Принятие - Неизвестно, насколько широко распространено внедрение EDM и в какой степени учреждения применяют и рассматривают возможность реализации стратегии EDM. Таким образом, неясно, существуют ли какие-либо препятствия, мешающие пользователям использовать EDM в своих учебных заведениях.

Смотрите также

использованная литература

  1. ^ "EducationalDataMining.org". 2013. Получено 2013-07-15.
  2. ^ а б c Р. Бейкер (2010) Data Mining для образования. В McGaw, B., Peterson, P., Baker, E. (Eds.) International Encyclopedia of Education (3-е издание), vol. 7. С. 112-118. Оксфорд, Великобритания: Эльзевир.
  3. ^ Г. Сименс, R.S.j.d. Бейкер (2012). «Обучающая аналитика и интеллектуальный анализ образовательных данных: к общению и сотрудничеству». Материалы 2-й Международной конференции по аналитике обучения и знаниям: 252–254.
  4. ^ "educationdatamining.org". Получено 2020-11-14.
  5. ^ а б c К. Ромеро, С. Вентура. Образовательный интеллектуальный анализ данных: обзор современного состояния. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews. 40 (6), 601-618, 2010.
  6. ^ "http://educationaldatamining.org/EDM2008/ "Дата обращения 4 сентября 2013 г.
  7. ^ а б c d е ж г час я Бейкер, Райан. «Интеллектуальный анализ данных для образования» (PDF). Оксфорд, Великобритания: Elsevier. Получено 9 февраля 2014.
  8. ^ а б Baker, R.S .; Яцеф, К. (2009). «Состояние интеллектуального анализа данных в образовании в 2009 году: обзор и перспективы на будущее». JEDM-журнал интеллектуального анализа данных в образовании. 1 (1): 2017.
  9. ^ а б c d е ж Ромеро, Кристобаль; Вентура, Себастьян (январь – февраль 2013 г.). "WIREs Data Mining Knowl Discov". Междисциплинарные обзоры Wiley: интеллектуальный анализ данных и открытие знаний. 3 (1): 12–27. Дои:10.1002 / widm.1075. S2CID  18019486.
  10. ^ Ромеро, Кристобаль; Вентура, Себастьян (2007). «Образовательный интеллектуальный анализ данных: обзор с 1995 по 2005 год». Экспертные системы с приложениями. 33 (1): 135–146. Дои:10.1016 / j.eswa.2006.04.005.
  11. ^ «Оценка экономических последствий реформы авторского права в области обучения с использованием технологий». Промышленность Канады. Архивировано из оригинал 13 апреля 2014 г.. Получено 6 апреля 2014.
  12. ^ Азарнуш, Бахаре и др. «На пути к структуре для сегментации учащихся». JEDM-Journal of Educational Data Mining 5.2 (2013): 102-126.
  13. ^ а б Департамент образования США, Управление образовательных технологий. «Повышение эффективности преподавания и обучения с помощью интеллектуального анализа образовательных данных и анализа обучения: краткий обзор» (PDF). Архивировано из оригинал (PDF) 11 июня 2014 г.. Получено 30 марта 2014.
  14. ^ а б Romero, C .; Ventura, S .; Печеницкий, М .; Бейкер, Р. С. (2010). Справочник по интеллектуальному анализу образовательных данных. CRC Press.
  15. ^ «Большие данные в образовании». Coursera. Получено 30 марта 2014.
  16. ^ «Большие данные в образовании». edXedxed. Получено 13 октября 2015.
  17. ^ «Большие данные в образовании». Получено 17 июля 2018.
  18. ^ "Learning Analytics | Педагогический колледж Колумбийского университета". www.tc.columbia.edu. Получено 2015-10-13.
  19. ^ а б c d «Как интеллектуальный анализ образовательных данных и обучающая аналитика могут улучшить и персонализировать образование?». EdTechReview. Получено 9 апреля 2014.