Почему интеллектуальный анализ образовательных данных важен для исследования?

Значение интеллектуального анализа образовательных данных для исследований в педагогической области

В последние годы повышенное внимание к искусственному интеллекту (ИИ) способствовало прогрессу интеллектуального анализа данных и аналитики в педагогической сфере. (Baker 2014) Интеллектуальный анализ данных - это процесс извлечения новых аспектов и закономерностей из большого набора данных с использованием методов на стыке систем машинного обучения, статистики и баз данных. Это также область обнаружения знаний в базах данных (KDD), которая представляет собой область обнаружения отдельной и потенциально полезной информации из больших объемов данных. (Fayyad et al. 1996). Интеллектуальный анализ данных, специализирующийся в области образования, называется интеллектуальным анализом данных в образовании (EDM). EDM относится к методам, инструментам и планам исследования, используемым для получения информации из учебных записей, обычно из онлайн-журналов, и результатов экзаменов, а затем анализа этой информации для формулирования выводов. EDM ориентирована на теорию и фокусируется на связи с педагогической теорией (Berland et al., 2014). В настоящее время существует мало эмпирических данных в поддержку теоретической основы, способной получить широкое признание в научном сообществе (Papamitsiou & Economides, 2014). Учитывая, что в реальном мире существует большое разнообразие различных контекстов обучения, они определяют аналитические подходы, используемые EDM. Следовательно, то, как EDM может быть полезным в реальной образовательной практике, как показано в исследовании, может иметь решающее значение.

Что такое интеллектуальный анализ образовательных данных?

С учреждением ежегодной Международной конференции по интеллектуальному анализу данных в образовании и журнала по интеллектуальному анализу данных в образовании в 2008 году EDM превратилась в заслуживающую доверия область исследований (Baker et al., 2010). Международное общество интеллектуального анализа данных в образовании, которое проводит Международную конференцию по интеллектуальному анализу данных в образовании и издает Журнал интеллектуального анализа данных в образовании, предлагает следующее определение EDM:

«Интеллектуальный анализ данных в образовании - это развивающаяся дисциплина, занимающаяся разработкой методов исследования уникальных и все более крупномасштабных данных, полученных из образовательных учреждений, и использует эти методы для лучшего понимания учащихся и условий, в которых они учатся» (Международное общество интеллектуального анализа данных в образовании , 2011).

Согласно Международному обществу интеллектуального анализа данных в образовании (2011), информация в любом контексте обучения часто состоит из нескольких иерархических уровней, которые нельзя определить заранее, но они должны проверяться свойствами, обнаруженными в данных. Такие факторы, как время, последовательность и контекст, также важно учитывать при изучении образовательных данных. Например, можно проанализировать учебное поведение студентов (участие студентов, частота входа в систему, количество сообщений в чате и тип вопросов, отправленных преподавателю), а также их итоговые оценки. (Абдус и др., 2012 г.)

Платформа онлайн-обучения, используемая для записи данных и их анализа, определяет, какая информация об обучении может быть записана. Если в базе данных платформы онлайн-обучения не было свойств или переменных времени, исследователи не смогли бы проанализировать время, когда студенты заканчивают экзамен. Следовательно, информация, с которой может работать EDM, зависит от характера данных, предопределенных платформой онлайн-обучения. Фактически, проекты обучения с помощью платформы онлайн-обучения в реальном мире расходятся и все еще развиваются из-за прогресса методов машинного обучения. Таким образом, обновленное исследование с интеллектуальным анализом образовательных данных может быть полезным в области исследований EDM.

Учебная аналитика против интеллектуального анализа данных в образовании

Смысл EDM неясен для исследователей в использовании подходов EDM, потому что EDM тесно связан с областью исследований Learning Analytics (LA).

Аналитика обучения - это измерение, сбор, анализ и представление данных об учащихся и их контекстах с целью понимания и оптимизации обучения и среды, в которой оно происходит (Международная конференция по аналитике и знаниям в обучении и др., 2016 г.)

Лос-Анджелес - довольно новая область, которая набирает все большую популярность. Как правило, LA имеет две предпосылки: что LA имеет дело с уже существующими данными в форме, которую может обрабатывать компьютер, и что его методы могут быть приемлемыми для обработки больших наборов данных, которые не будут обрабатываться вручную. (Ferguson 2012) Исследовательские сообщества Лос-Анджелеса и EDM придерживаются разных взглядов на то, как следует получать и анализировать образовательные данные (Berland et al., 2014). Исследователи в Лос-Анджелесе используют больше методов открытий, руководимых людьми, и больше сосредотачиваются на целостных системах и конструкциях понимания, а затем ищут способы информировать и расширять возможности преподавателей и учащихся; например, информирование инструктора о том, как конкретный ученик борется с трудностями, чтобы инструктор мог связаться с учеником и положительно вмешаться, чтобы способствовать его обучению (Berland et al., 2014).

С другой стороны, исследователи EDM больше сосредотачиваются на использовании автоматизированных методов обнаружения в образовательных данных, моделировании конкретных конструкций и взаимосвязей между ними, приложений в автоматизированной адаптации, таких как поддержка опыта учащегося посредством идентификации и автоматического изменения образовательного программного обеспечения. это для персонализации опыта учащегося (Берланд и др., 2014; Арройо и др., 2007; Бейкер и др., 2006; Корбетт и Андерсон, 1995).

Цели и заинтересованные стороны использования EDM

Хотя EDM и LA имеют несколько разные характеристики, влияющие факторы, которые изменяют количество данных, одинаковы из-за того, что они полагаются на вторичные данные, генерируемые технологиями онлайн-обучения. Появление новых используемых технологий и общедоступных репозиториев данных в педагогических контекстах увеличивает количество данных и расходится по качеству данных. Например, мобильные устройства могут позволить исследователям более подробно фиксировать взаимодействие учащихся. (Берланд и др., 2014). Интуиция исследователей открывает общедоступные архивы, такие как DataShop Питтсбургского научного центра обучения, которые включают огромное количество данных и доступны для любых научных исследователей. (Koedinger et al. 2010) Таким образом, на характеристики методов EDM и LA также могут легко повлиять новые технологии, используемые в образовательном контексте. (Marie Bienkowski et al., 2012) Хотя кажется бессмысленным строго различать значения EDM и LA, с точки зрения таксономии целей и заинтересованных сторон использования EDM, Бейкер и Яцеф (2009) и Ромеро и Вентура (2010) описывается следующим образом. Бейкер и Ясеф (2009, стр. 5–8) резюмировали следующие четыре цели EDM:

  1. Прогнозирование поведения учащихся за счет улучшения моделей учащихся. Моделирование - это характеристика и категоризация характеристик или состояний учащегося, которые составляют его знания, мотивацию, мета-познание и отношения.
  2. Обнаружение или улучшение моделей структуры предметной области. Например, существуют концептуальные модели преподаваемых материалов и модели, которые объясняют взаимосвязь знаний в предметной области (Barnes, 2005).
  3. Изучение наиболее эффективной педагогической поддержки обучения студентов, которая может быть достигнута с помощью систем обучения.
  4. Создание эмпирических данных для поддержки или формулирования педагогических теорий, рамок и образовательных явлений для определения основных важных компонентов обучения, позволяющих проектировать более эффективные системы обучения.

Цели EDM достигаются путем адаптации психометрии, использования статистических методов и данных журнала интеллектуального анализа данных, хранящихся в автономных учебных заведениях, включая личные контакты, изучение психологии обучения людей, участие в онлайн-обучении, полученном с помощью электронного обучения и управления обучением. System (LMS) и с использованием интеллектуальной системы обучения (ITS) (Romero & Ventura 2010).

Кроме того, информация, используемая в EDM, ориентирована на несколько заинтересованных сторон (Liñán & Pérez 2015). Различные группы заинтересованных сторон рассматривают образовательную информацию с разных точек зрения, следуя своей миссии, видению и целям использования EDM (Hanna, 2004). Ромеро и Вентура (Romero and Ventura, 2010, p. 2) классифицируют четыре заинтересованные стороны в соответствии с их целями использования EDM:

  1. Учащиеся: оптимизация индивидуальных стилей обучения, учебных материалов и опыта обучения или их рекомендации.
  2. Педагоги: анализ поведения учащихся при обучении, получение максимально поддерживающих инструкций и прогнозирование обучения учащихся для повышения эффективности преподавания.
  3. Исследователи / разработчики: оценка учебных материалов, улучшение систем обучения и оценка эффективности методов интеллектуального анализа данных.
  4. Организации: улучшение процессов принятия решений в высших учебных заведениях с точки зрения эффективности и затрат, таких как процессы приема и распределение финансовых ресурсов.

Рассмотрение

Есть несколько публикаций, в которых упоминаются практические и эмпирические исследования вышеуказанных таксономий, хотя они были построены теоретически. Например, согласно системному обзору практик LA и EDM, проведенному Papamitsiou и Economides (2014), только 209 зрелых частей исследовательской работы, которые были идентифицированы до исключения теоретических исследований, ограничили ключевые эмпирические исследования 40, включая все цели использования EDM.

Кроме того, эмпирическое исследование EDM необходимо в педагогической отрасли, особенно в сфере высшего образования. Это связано с тем, что в высших учебных заведениях имеется достаточно большой набор данных для проведения анализа. (Kollias et al., 2005), хотя преподаватели не знают, как проводить EDM в их собственной практике. Они также могут не знать, как использовать новейшие технологии и почему это важно из-за отсутствия технической подготовки. (Selwyn, 2011) Сложные и новые методы машинного обучения, которые являются основными методами анализа EDM, могут озадачить преподавателей.

использованная литература

Абдус М., Ву Х. и Йен Ч.-Дж. (2012). Использование интеллектуального анализа данных для прогнозирования взаимосвязи между темой онлайн-вопроса и итоговой оценкой. Журнал образовательных технологий и общества, 15 (3), стр.77.

Бейкер, Р. и де Карвальо, А., (2008). Более быстрое и точное определение поведения учащихся с помощью текстовых повторов. В статье Education Data Mining 2008. Доступно по адресу: http://www.educationaldatamining.org/conferences/index.php/EDM/2008/paper/download/759/725 [по состоянию на 30 августа 2017 г.].

Бейкер, Р. и другие, (2010). Интеллектуальный анализ данных для образования. Международная энциклопедия образования, 7 (3), стр.112–118.

Бейкер, Р.С., (2014). Интеллектуальный анализ данных в образовании: прогресс интеллектуальных систем в образовании. Интеллектуальные системы IEEE, 29 (3), стр.78–82.

Бейкер, Р.С.Дж. д и 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), стр. 3–17.

Берланд, М., Райан | Бликштейн, Пауло, (2014). Образовательный интеллектуальный анализ данных и обучающая аналитика: приложения к конструкционистским исследованиям. Технологии, знания и обучение, 19 (1-2), стр.205–220.

Файяд У., Пятецкий-Шапиро Г. и Смит П. (1996). От интеллектуального анализа данных до обнаружения знаний в базах данных. Журнал AI, 17 (3), стр.37.

Фергюсон, Р. (2012). Аналитика обучения: движущие силы, события и проблемы. Международный журнал технологий расширенного обучения, 4 (5/6), стр.304.

Фейяд, У.М., (1996). Интеллектуальный анализ данных и открытие знаний: понимание данных. Эксперт IEEE, 11 (5), стр. 20–25.

Международное образовательное общество интеллектуального анализа данных (2011 г.). Международное образовательное общество интеллектуального анализа данных. Международное образовательное общество интеллектуального анализа данных. Доступно по адресу: / home [доступ 26 июня 2017 г.].

Ханна, М., (2004). Интеллектуальный анализ данных в области электронного обучения. Общественные информационные системы, 21 (1), стр.29–34.

Кёдингер, К.Р., Д’Мелло, С., Маклафлин, Э.А., Пардос, З.А. И Розэ, C.P., (2015b). Интеллектуальный анализ данных и образование. Междисциплинарные обзоры Wiley: когнитивная наука, 6 (4), стр. 333–353.

Liñán, L.C. И Перес, Á.A.J., (2015). Образовательный интеллектуальный анализ данных и обучающая аналитика: различия, сходства и эволюция во времени. RUSC. Журнал университетов и общества знаний, 12 (3), стр.98–112.

Папамициу З. и Экономидес А.А. (2014). Аналитика обучения и интеллектуальный анализ образовательных данных на практике: систематический обзор эмпирических данных. Журнал образовательных технологий и общества, 17 (4), стр.49.

Ромеро, К. и Вентура, С., (2010). Образовательный интеллектуальный анализ данных: обзор современного состояния. Транзакции IEEE по системам, человеку и кибернетике, часть C (приложения и обзоры), 40 (6), pp.601–618.

Селвин, Нил. (2011). Образование и технологии: ключевые вопросы и дискуссии. Лондон; Нью-Йорк, штат Нью-Йорк: Bloomsbury Academic, отпечаток Bloomsbury Publishing Plc.