ВВЕДЕНИЕ 4
Глава 1 АНАЛИЗ ПОВЕДЕНИЯ СТУДЕНТОВ В СИСТЕМЕ ЭЛЕКТРОННОГО ОБУЧЕНИЯ 8
1.1 Системы электронного обучения 8
1.2 Модели анализа процесса онлайн-обучения и постановка задачи 14
Глава 2 BIG DATA В ЭЛЕКТРОННОМ ОБУЧЕНИИ 22
2.1 BIG DATA в современных системах электронного обучения 22
2.2 Форма представления данных о студентах 24
2.3 Алгоритмы выгрузки больших данных 29
2.4 База данных в системе электронного образования 32
Глава 3 АЛГОРИТМЫ АНАЛИЗА BIG DATA 34
3.1 Интеллектуальный анализ данных для BIG DATA 34
3.2 Методы интеллектуального анализа данных в системе электронного обучения 39
3.2.1 Прогнозирование 43
3.2.2 Обнаружение структуры 45
3.2.3 Выявление взаимосвязей 45
3.3 Алгоритмы интеллектуального анализа данных в системе электронного обучения 46
3.3.1 Сдвиг среднего значения 47
3.3.2 K-means 49
3.3.3 K-medoids 50
3.3.4 DBSCAN 50
3.3.5 Иерархическая кластеризация 52
3.3.6 CFSFDP и CFSFDP-HD 53
Глава 4 КОМПЬЮТЕРНАЯ МОДЕЛЬ АЛГОРИТМА CFSFDP-HD ДЛЯ ОЦЕНКИ ПОВЕДЕНИЯ СТУДЕНТА В СИСТЕМЕ ЭЛЕКТРОННОГО ОБУЧЕНИЯ 57
4.1 Компьютерная модель алгоритма CFSFDP-HD 57
4.2 Анализ данных о студентах в системе электронного обучения с помощью алгоритмов K-means и CFSFDP-HD 59
4.2.1 Алгоритм CFSFDP-HD 59
4.2.2 Сравнение результатов анализа данных разными методами интеллектуального анализа 61
4.2.3 Результаты исследования 64
ЗАКЛЮЧЕНИЕ 66
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 68
Купить

В настоящее время электронное обучение - важный элемент учебной и преподавательской деятельности в подавляющем количестве колледжей и университетов по всему миру. Во многих высших учебных заведениях основные библиотечные службы, ИТ и службы поддержки поддерживают услуги по электронному обучению. Из отчета UCISA за июль 2016 г. видно, что основные информационные службы предоставляют услуги ИОС и организуют его поддержку в 93% высших учебных заведений.
Электронное образование содержит в себе электронные учебники, образовательные услуги и технологии. К.В. Буваков [3] рассказал в докладе о том, что современные студенты и школьники — это поколение, для которых электронная информация и способы ее получения является повседневной составляющей жизни. В общем, современные технологии в образовании воспринимаются студентами положительно, - знания, умения и навыки, которые они получают, используются в дальнейшем не только в карьерном росте, но и в повседневной жизни.
В обзоре российского и мирового рынка электронного обучения [25] выделяется то, что применение технологий в обучении дает безграничные возможности для развития и получения полезных знаний, навыков. Получать знания в XXI веке стало быстро, увлекательно и доступно. С точки зрения интересов государства, электронное образование предоставляет возможность получения одинакового уровня образования людям, которые живут в удаленных точках страны, т. е. электронное образование позволяет устранить образовательное неравенство.
Актуальность исследования обусловлена необходимостью применить методы интеллектуального анализа данных для оценки поведения студента, что позволит с большей вероятностью прогнозировать возможные ошибки и подмену данных в системе электронного обучения.
В условиях формирования системы непрерывного образования и повышения квалификации, дистанционное обучение стало оптимальной формой опережающего обучения и профессиональной переподготовки. Развитие дистанционного образования требует специальных информационных возможностей для обеспечения бесперебойной работы сети, а также для облегчения работы преподавателей и студентов.
Такие ученые, как A.A. Андреев, Ж.Н. Зайцева, В.А. Каймин, Э.В. Кинелев, Д.Э. Колосов, Ю.Г. Круглов, И.А. Липский, В.И. Овсянников, Е.С. Полат, A.A. Тихомиров, А.Н. Тихонов, В.В. Ярных и др., принесли большую пользу в разработке методик дистанционного обучения, однако, вопрос качества остается открытым.
В 1989 году Гриорий Пятецкий-Шапиро представил область интеллектуального анализа данных на семинаре. В то время, когда он был работником компании GTE Labs, заинтересовался возможностью автоматического нахождения определённых правил, для ускорения некоторых запросов к объемным базам данных. Тогда были введены два термина — Data Mining и Knowledge Discovery In Data. В 1993 году была представлена первая рассылка «Knowledge Discovery Nuggets», на год позднее, в 1994 году Гриорий Пятецкий-Шапиро создал один из первых сайтов по Data Mining [29].
Задачи, которые решаются при помощи методов интеллектуального анализа данных, можно разделить на описательные (англ. descriptive) и предсказательные (англ. predictive) [29].
В описательных задачах дается наглядное описание имеющихся скрытых закономерностей, тогда как в предсказательных решается вопрос о предсказании тех случаев, для которых данных ещё нет. Описательные задачи:
• поиск правил или паттернов;
• кластерный анализ;
• нахождение регрессионной модели.
Предсказательные задачи:
• классификация объектов;
• регрессионный анализ.
В настоящее время, интеллектуальный анализ данных является развивающимся направлением, с помощью которого можно улучшить качество электронного образования [28].
Целью работы является применение методов и алгоритмов интеллектуального анализа данных для исследования поведения студента в системе электронного образования.
Объект исследования - анализ поведения студента при прохождении курса электронного обучения.
Предмет исследования - методы и алгоритмы интеллектуального анализа данных в системе электронного обучения.
Гипотеза исследования состоит в том, что можно применять методы и алгоритмы интеллектуального анализа для принятия решения о корректности поведения студента в системе электронного обучения, если:
• обозначены методы оценки поведения студента;
• реализована технология, которая обеспечивает достоверный анализ поведения студента при прохождении курса электронного обучения;
• проведено исследование поведение студента при помощи методов и алгоритмов интеллектуального анализа данных.
Исходя из цели исследования и для проверки выдвинутой гипотезы, необходимо решить следующие задачи:
• провести сравнительный анализ существующих способов и средств анализа поведения студента при прохождении курса электронного обучения;
• исследовать возможные критерии сравнения поведения студентов;
• исследовать методы и алгоритмы интеллектуального анализа данных;
• разработать математическую модель оценивания студента по данным его поведения;
• спроектировать и реализовать математическую модель интеллектуального анализа поведения студента при прохождении курса электронного обучения;
• проверить эффективность разработанной модели и определить результативность ее внедрения.
Научная новизна исследования состоит в использовании методов и алгоритмов интеллектуального анализа данных для оценки поведения студента в системе электронного образования.
Практическая значимость заключается в анализе поведения студента при прохождении курса электронного обучения с использованием методов и алгоритмов интеллектуального анализа данных, который позволит с большей вероятностью прогнозировать возможные ошибки и подмену данных в системе дистанционного обучения.
Положения, выносимые на защиту:
1. Алгоритмы интеллектуального анализа данных для оценки проведения студента в системе электронного образования.
2. Компьютерная и математическая модели алгоритмов интеллектуального анализа данных для оценки проведения студента в системе электронного образования.
Работа представляет собой результат теоретической и практической деятельности в области оценки поведения студента при прохождении курса электронного образования, используемой в образовательном процессе для повышения качества дистанционного обучения.
Определив цель, объект и предмет исследования перейдем к анализу научных работ, описывающих способы и средства анализа поведения студента при прохождении курса электронного обучения, а также проанализируем, какие для этого используются критерии сравнения поведения студента.
Объем и структура диссертации: диссертационное исследование состоит из введения, четырех глав, заключения, библиографии (66 наименований). Работа изложена на 70 страницах, содержит 11 рисунков и 1 таблицы.
Купить