Тип работы:
 Предмет:
 Язык работы:


МОДУЛЬ ОБРАЗОВАТЕЛЬНОЙ АНАЛИТИКИ НА ОСНОВЕ МОДЕЛИ СТУДЕНТА В ОБУЧАЮЩЕЙ СИСТЕМЕ

Работа №48023

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы82
Год сдачи2018
Стоимость4340 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
92
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 3
ГЛАВА 1. ОБРАЗОВАТЕЛЬНАЯ АНАЛИТИКА В ОБУЧАЮЩИХ
СИСТЕМАХ 5
1.1. Структура образовательной аналитики 6
1.2. Основные функции 8
1.3. Цели образовательной аналитики 9
1.4. Представление информации о студенте 10
ГЛАВА 2. МОДЕЛЬ СТУДЕНТА 12
2.1. Адаптивная обучающая система 12
2.2. Описание модели студента 13
2.3. Классификации модели студента 14
2.3.1. Получение данных о студенте 15
2.3.2. Доступность данных 16
2.3.3. Инициализация обучаемого 17
2.3.4. Информация в модели 18
2.4. Подходы к построению модели студента 20
2.4.1. Скалярная модель 20
2.4.2. Векторная модель 21
2.4.3. Стереотипическая модель 22
2.4.4. Оверлейная модель (Overlay model) 23
2.4.5. Генетический граф 25
2.4.6. Разностная модель 25
2.4.7. Пертурбационная модель 26
2.4.8. Модель ошибок 27
2.4.9. Модель учета планов (Plan recognition) 27
2.4.10. Модель ограничений 28
2.4.11. Байесовская сеть 29
2.4.12. Модели с применением нейронных сетей 30
2.5. Требования к модели студента 31
2.5.1. Требования к обучающей системе 31
2.5.2. Общие требования к модели студента 32
2.5.3. Требования к модели с точки зрения образовательной аналитики 35
2.6. Сравнение подходов к реализации модели студента 36
2.7. Проектирование модели студента 40
2.7.1. Байесовская сеть 40
2.7.2. Свойства отношений между узлами сети 41
2.7.3. Условные вероятности для узлов графа 42
2.7.4. Структура модели 43
2.7.5. Полнота освоения знаний в модели 45
2.7.6. Отношения между вершинами в сети 46
2.7.7. Оценивание владения материалом 47
2.7.8. Использование модели ошибок 48
2.7.9. Преимущества модели и соответствие требованиям 50
ГЛАВА 3. РЕАЛИЗАЦИЯ СИСТЕМЫ 54
3.1. Описание работы системы 54
3.2. Структура обучающей системы 56
3.3. Выбор технологий для реализации 57
3.3.1. Серверная часть 58
3.3.2. Клиентская часть 5 9
3.3.3. База данных для хранения учебного курса 59
3.3.4. База данных для хранения данных о студентах 61
3.4. Классы в системе 62
3.5. Представление данных 64
ЗАКЛЮЧЕНИЕ 70
СПИСОК ТЕРМИНОВ 72
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 74
ПРИЛОЖЕНИЕ


В настоящее время информационные технологии активно внедряются в сферу образования, и автоматизация рассматривается все более необходимой составляющей учебного процесса. Используя новейшие технологии в области ИТ и внедряя их в процесс обучения студентов, становится возможным не только упростить саму методику подачи материала и информации, но и также привнести различные возможности для оптимизации учебного процесса. Доступные подача и представление информации, подробный анализ результатов студента, его текущего набора знаний, индивидуальный подход к каждому ученику позволяют добиться данного результата [1].
Поэтому на данный момент является актуальным создание обучающих систем, позволяющих уменьшить нагрузку на преподавателя путем автоматизации некоторых процессов, связанных с обучением, в системе, а также помочь обучаемому эффективнее усваивать учебный материал, анализируя его успеваемость и изменяя его индивидуальную траекторию обучения. В таких системах хранится и обрабатывается большое количество данных, такие как, информация о результатах студента, сведения о его взаимодействии с курсом, оценки, цели и индивидуальные характеристики.
Рассматривая данную систему с точки зрения преподавателя, становится ясно, что всю эту информацию очень сложно проанализировать и воспринять без использования инструментов, позволяющих представить данные о студенте в целостном и доступном виде. Для этого в обучающей системе существует такой элемент, как модель студента, который и представляет собой совокупность всех данных об обучаемом, что дает возможность студенту и преподавателю контролировать весь процесс обучения.
Для анализа результатов обучаемого, легкого определения его уровня знаний преподавателем, проектирования его дальнейшей траектории обучения, а также помощи при возникновении проблем с успеваемостью необходимо использование подходов на основе модели студента с применением образовательной аналитики. Однако, практика использования образовательной аналитики в обучающих системах является относительно молодой, поэтому на сегодняшний момент существует проблема сложности хранения и обработки информации о студенте и вследствие этого, отсутствие общей картины его текущей успеваемости и сформированных компетенций.
Целью работы является реализация программной системы, функционирующей на основе модели студента, для предоставления образовательной аналитики.
Для достижения данной цели необходимо решить следующие задачи:
1. Сформулировать требования к обучающей системе и модели студента
2. Выбрать подходы для реализации модели студента с учетом сформулированных требований
3. Разработать сервис, формирующий модель студента и предоставляющий аналитическую информацию на ее основе
4. Разработать компонент системы в виде веб-приложения для представления информации о результатах студента, сформированных компетенций и структуре курса


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

В рамках дипломной работы были рассмотрены основные этапы образовательной аналитики, а также компоненты для их дальнейшей реализации в системе. Учитывая данные аспекты, были выделены необходимые требования как ко всей обучающей системе, так и отдельно к модели студента, что позволило подойти к выбору подхода ее реализации более грамотно. После этого были произведены анализ основных подходов к реализации модели студента и их сравнение между собой, основываясь на выставленных ранее требованиях, в результате чего было принято решение использовать комплекс из нескольких подходов: подход учета ошибок, оверлейный подход и подход, использующий байесовскую сеть. Такой выбор позволяет организовать многосвязную структуру хранения данных, взаимодействуя с моделью предметной области, в системе, а также учитывать ошибки студентов, что соответствует требованиям.
Основываясь на выбранной модели студента, в качестве программного сервиса было реализовано приложение на языке программирования Java с использованием фреймворка Spring Framework, который, получая информацию из графовой базы данных Neo4j о структуре курса и с реляционной базы данных Postgresql о результатах студента, вычисляет уровень его компетенций, знаний и количество ошибок.
Для доступного представления результатов студента и структуры курса был реализовано веб-приложение на основе фреймворка Angular, которое получает все данные о студенте с Java приложения через API интерфейс и визуализирует эту информацию в виде различных графов, деревьев, карт, схем, графиков и диаграмм.
Реализованная система предоставляет широкие возможности для аналитики результатов студентов как внутри системы для прогнозирования дальнейших успехов или неуспехов и разработки необходимых шагов для увеличения эффективности обучения, так и для преподавателей и студентов, которые сами могут корректировать траекторию обучения, основываясь на предоставленных им данных в системе. Таким образом, систему можно легко совершенствовать путем добавления новых функций, например, основываясь на данных об изученных темах с ошибками, можно предоставлять наиболее оптимальный путь обучения для предотвращения наличия ошибочных знаний у студента в будущем.




1. John T. Avella, Mansureh Kebritchi, Sandra G. Nunn, Therese Kanai (2016). Learning Analytics Methods, Benefits, and Challenges in Higher Education: A Systematic Literature Review. Journal of Interactive Online Learning 20(2), June 2016 [Текст]^. 13-39]
2. George Siemens (2013). Learning Analytics: The Emergence of a Discipline. American Behavioral Scientist 57(10) 1380-1400 [Текст]
3. Nouran Radwan (2014). An Adaptive Learning Management System Based on Learner’s Learning Style. Nouran Radwan International Arab Journal of e-Technology, Vol. 3, No. 4 [Текст]
4. Amy Shi - Nash, David R. Hardoon (2016). Internet of Things and Data Analytics Handbook. Data analytics and predictive analytics in the era of big data, Chapter 19 [Текст]
5. Angela van Barneveld, Kimberly E. Arnold, and John P. Campbell (2012). Analytics in Higher Education: Establishing a Common Language. EDUCAUSE Learning Initiative (ELI), Paper 1 [Текст]
6. Arnold, Kimberley E, & Pistilli, Matthew (2012). Course Signals at Purdue:Using Learning Analytics To Increase Student Success [Текст]
7. Karen D. Mattingly, Margaret C. Rice, Zane L. Berge (2012). Learning analytics as a tool for closing the assessment loop in higher education. Knowledge Management & E-Learning: An International Journal, Vol.4, No.3 [Текст]
8. Beth Dietz-Uhler, Janet E. Hum (2013). Using Learning Analytics to Predict (and Improve) Student Success: A Faculty Perspective. Journal of Interactive Online Learning, Volume 12, Number 1 [Текст]
9. Amara Atif, Deborah Richards, Ayse Bilgin, Mauricio Marrone (2013). Learning Analytics in Higher Education: A Summary of Tools and Approaches. 30th ascilite Conference, 1-4 December 2013 Macquarie University, Sydney [Текст]
10. John T. Avella, Mansureh Kebritchi, Sandra G. Nunn, Therese Kanai (2016). Learning Analytics Methods, Benefits, and Challenges in Higher Education: A Systematic Literature Review. Online Learning, Volume 20 Issue 2 - June 2016 [Текст]
11. Violeta Moisa (2013). Web technologies for a Learning Management System with adaptive course navigation. Proceeding of the 12th International Conference on Informatics in Economy (IE 2013), April 25-28 2013 [TeKCT][c. 165-171]
12. Gaudioso, E. and Boticario, J.G. (2003). Towards web-based adaptive learning communities. In Artificial Intelligence in Education, Ed. by H.U. Hoppe et. al. IOS Press [TeKCT][c. 237-244]
13. Paramythis A., Loidl-Reisinger S., and Kepler J. (2004). Adaptive Learning Environments and e-Learning Standards. Electronic Journal of eLearning, EJEL: Vol 2. Issue 1, March 2004 [Текст]
14. Brusilovsky, P. (1996). Methods and techniques of adaptive hypermedia. User modeling and user-adapted interaction, 6 [TeKCT][c. 87-129]
15. Brusilovsky, P. (2001). Adaptive hypermedia. User Modeling and User-Adapted Interaction 11 [TeKCT][c. 87-110]
16. Brusilovsky, P., & Milan, E. (2007). User models for adaptive hypermedia and adaptive educational systems. In P. Brusilovsky, A. Kobsa, & W. Nejdl (Eds.), The adaptive web. Methods and strategies of web personalization. LNCS 4321, Berlin Heidelberg: Springer-Verlag [TeKCT][c. 3-53]
17. Peter Brusilovsky (1994). The Construction and Application of Student Models in Intelligent Tutoring Systems. Journal of Computer and System Sciences International, vol.32, no. 1 [Текст]^. 70-89]
18. Loc Nguyen, Phung Do (2008). Learner Model in Adaptive Learning. World Academy of Science, Engineering and Technology 45 [Текст]
19. Peter Brusilovsky, Yun Huang, Julio Guerra-Hollstein, Jordan Barria-Pineda (2017). Learner Modeling for Integration Skills. UMAP’17, July 9-12, 2017, Bratislava, Slovakia [Текст]
20. Esichaikul, V., Lamnoi, S., & Bechter, C (2011). Student Modelling in Adaptive E-Learning Systems. Knowledge Management & E-Learning: An International Journal, Vol.3, No.3 [Текст]
21. Mohammad Alrifai, Peter Dolog, Wolfgang Nejdl (2006). Learner Profile Management for Collaborating Adaptive eLearning Applications. APS'2006: Joint International Workshop on Adaptivity, Personalization and the Semantic Web at the 17th ACM Hypertext’06 conference, Odense, Denmark, August 2006. ACM Press [Текст]
22.Sibel Somyurek (2009). Student modeling: Recognizing the individual needs of users in e-learning environments. International Journal of Human Sciences, Vol. 6, No. 2 [Текст]
23. Konstantina Chrysafiadi, Maria Virvou (2013). Student modeling approaches: A literature review for the last decade [Текст]
24. Lora Aroyo (2006). User Modeling and Recommender Systems. KBS course lecture (slides from Vania Dimitrova) [Текст]
25.Ian H. Beaumont (1994). User modeling in the interactive anatomy tutoring system ANATOM-TUTOR. In User Models and User Adapted Interaction, 4(1) [Текст] [c. 21-45]
26. Nguyen-Thinh LE & Niels PINKWART (2015). Bayesian Networks For Competence-based Student Modeling. Seta, K. and Watanabe, T.(Eds.) (2015). Proceedings of the 11th International Conference on Knowledge Management [Текст]
27. Eva Millan, Tomasz Loboda, Jose Luis Perez-de-la-Cruz (2010). Bayesian networks for student model engineering. Computers & Education 55 (2010) 1663-1683 [Текст]
28. Michel C. Desmarais and Michel Gagnon (2006). Bayesian Student Models Based on Item to Item Knowledge Structures. EC-TEL 2006: Innovative Approaches for Learning and Knowledge Sharing [TeKcm][c. 111-124]
29. E. Millan, M. Trella, J.L. Perez-de-la-Cruz, R. Conejo (2014). Using Bayesian Networks in Computerized Adaptive Tests. Computers and Education in the 21st Century [TeKCT][c. 217-228]
30. Ricardo Mazza (2009). Concept-Level Knowledge Visualization For Supporting Self-Regulated Learning [Текст]
31. Riccardo Mazza, Vania Dimitrova (2004). Visualising Student Tracking Data to Support Instructors in web-based distance education. Proceedings of the 13th international World Wide Web conference on Alternate track papers & posters [TeKCT][c. 154-161]
32. Ronald J. Brachman, Hector J. Levesque (2003). Knowledge Representation and Reasoning. 2003 Ronald J. Brachman and Hector J. Levesque. CMPT 411/882 Course Home Page, Spring 2005 [Текст]

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.