Введение 3
1 Теоретические аспекты проблемы анализа образовательных данных 7
1.1 Современные электронные образовательные системы 7
1.2 Интеллектуальный анализ данных образовательного процесса 20
1.3 Направления анализа и построения модели поведения пользователя в
электронном курсе 28
2 Эмпирическое исследование возможностей программного обеспечения«Disco» для построения модели поведения пользователя в электронном курсе 40
2.1 Анализ цифрового следа обучающегося в системе электронного обучения СФУ 40
2.3 Алгоритм построения модели поведения пользователя электронного курса 55
2.4 Дополнительный инструментарий Disco для анализа построенных
моделей процессов 61
Заключение 75
Список использованных источников 77
Приложение А 80
Приложение Б 82
Приложение В

Купить

Актуальность исследования. Согласно исследованиям Белоножко Павла Петровича, описанных в статье интернет - журнала «Науковедение», распространение систем электронного обучения (e-learning) дает исследователям значительно больший объем информации по сравнению с традиционным образовательным процессом. Связано это как с активным использованием в электронном обучении различных технологий сбора данных, так и с большим масштабом аудитории электронных образовательных сред (ЭОС). Рост объема данных способствовал появлению в начале 2000-х годов нового направления в области искусственного интеллекта - анализа образовательных данных.
В статье описывается, что анализ образовательных данных (Educational Data Mining) (АОД) - это направление исследований, связанное с применением методов интеллектуального анализа данных (Data mining), машинного обучения и статистики к информации, производимой образовательными учреждениями. АОД разрабатывает и совершенствует методы обработки образовательных данных, которые зачастую имеют несколько уровней смысловой иерархии, для того чтобы лучше понять, как люди учатся и как сделать процесс обучения более эффективным [2].
В ходе исследования выявлено, что АОД пытается извлечь закономерности из данных, генерируемых в процессе обучения. Эти данные могут быть весьма обширны и содержать большое число подробностей. Так, некоторые системы управления обучением (learning management system) отслеживают информацию о том, когда студент получил доступ к тому или иному учебному объекту, сколько раз студенты обращались к этому объекту и сколько минут объект отображался на экране компьютера студента, в какой последовательности выполнялись тестовые задания и т.п. Уровень подробности этих данных таков, что даже короткий сеанс работы с ЭОС может произвести большой объем данных для анализа.
Другие данные могут содержать гораздо меньше подробностей. Например, электронная зачетная книжка студента содержит упорядоченный во времени список курсов, которые прослушал данный студент, оценки, которые он получил за тот или иной курс и т.п. АОД использует оба этих типа данных, чтобы обнаружить закономерности в учебе студентов. Так, изучая данные ЭОС, можно установить связь между учебными объектами (темами), которым студент уделял внимание во время прохождения курса, и итоговой оценкой этого студента.
Методы АОД могут помочь в проектировании образовательной среды, в организации материалов учебных курсов и управлении образовательными ресурсами. Эти методы дают возможность оценить влияние учебных стратегий, внедренных в тех или иных учебных заведениях. Кроме того, АОД способствует развитию теории обучения, разрабатываемой специалистами в области психологии образования.
АОД тесно связан с аналитикой обучения (Learning analytics). Цели и задачи исследований у этих дисциплин во многом совпадают. Ряд специалистов видят различие между двумя направлениями в том, что АОД сосредоточен на автоматизации выявления закономерностей в образовательных данных, тогда как аналитика обучения больше нацелена на подготовку данных в виде, пригодном для их анализа человеком.
Проблема исследования заключается в том, что в последние годы электронное обучение в России развивается весьма активно. Тем не менее наблюдается некоторый барьер во взаимодействии специалистов разных профессий. С одной стороны, работники сферы образования не всегда готовы к интерпретации обширных данных, предоставляемых ЭОС. С другой стороны, специалисты в области анализа данных не знают, что, как и почему необходимо измерять в образовании [2, с. 2].
Цель работы: разработать алгоритм построения модели поведения пользователя электронного курса в системе Moodle средствами программы DISCO.
Объект исследования - цифровой след студента в системе электронного обучения Moodle.
Предмет исследования - возможности программы Disco для построения модели поведения пользователя электронного курса.
Гипотеза исследования: Предполагается, что использование программы Disco по разработанному алгоритму позволяет построить модель поведения пользователя опираясь на цифровой след студента в системе электронного обучения СФУ, включающий в себя следующие данные:
- Взаимодействие с системой;
- Количество входов;
- Проведённое в системе время;
- Количество новых тем созданных пользователем;
- Количество сообщений оставленных пользователем;
- Последовательность обращения пользователя к модулям, и контенту внутри курса.
Задачи работы:
1. Изучить теоретические предпосылки использования электронных курсов в образовательном процессе.
2. Раскрыть основные направления анализа образовательных данных пользователей электронных курсов.
3. Описать этапы алгоритма построения модели поведения пользователя электронного курса средствами программы DISCO.
4. Апробация алгоритма на примере построения модели пользователя электронного курса «Практикум по обработке видео и визуализации» в системе ЭО СФУ.
Методы исследования: теоретические (анализ литературы по проблеме исследования) и эмпирические методы (непосредственно сами программы), статистические методы, а так же методы интеллектуального анализа данных (анализ взаимоотношений).
Эмпирическая база исследования: Цифровые следы обучающихся ИППС СФУ.
Структура дипломной работы представлена введением, двумя основными главами, заключением, списком использованных источников и приложениями.

Купить