Анализ данных в образовании (АДО) — исследовательская область, связанная с применением анализа данных, машинного обучения и статистики к информации из образовательных учреждений (например, университетов и онлайн-платформ обучения). Эта область знаний стремится развивать и улучшать методы исследования данных для более детального понимания того, как люди учатся в таких учреждениях.

Определение Анализ данных в образовании относится к методам, предназначенным для автоматического извлечения значений из больших баз данных, генерируемых или связанных с учебной деятельностью людей в образовательных учреждениях. Система управления обучением (LMS) отслеживает действия пользователя на платформе, например время, посвященное той или иной дисциплине, количество кликов при взаимодействии с информацией, регистрирует время подачи, проверяет совпадение решения с ожидаемым, определяет, сколько времени прошло с последней подачи решения, фиксирует порядок ввода компонентов решения в интерфейс и т. д. В результате даже довольно короткая сессия с системой управления обучением (например, 30 минут) может дать большое количество данных для анализа.

В других случаях данные менее детализированы. Например, транскрипт студента может содержать упорядоченный по времени список курсов, пройденных студентом, оценка за каждый курс, а также моменты, когда студент выбрал или изменил свою специальность. АДО использует оба типа данных для выявления значимой информации о различных типах учащихся и их способах обучения, структуре предметных знаний и эффекте образовательных стратегий, встроенных в различные обучающие среды. Эти анализы предоставляют новую информацию, которую трудно обнаружить, просто просматривая сырые данные. Например, анализ данных из систем управления образованием может выявить связь между учебными объектами, к которым обращался студент во время курса, и его финальной оценкой. Точно так же анализ данных транскрипта студента может выявить связь между оценкой студента по конкретному курсу и его решением сменить учебную специальность. Такая информация дает представление о проектировании образовательных сред, что позволяет студентам, преподавателям, школьным администраторам, и политикам принимать решения о том, как управлять образовательными ресурсами.

История Хотя анализ образовательных данных сам по себе не является новой практикой, недавние достижения в образовательных технологиях, включая увеличение вычислительных мощностей и возможность регистрировать подробные данные о том, как студенты используют компьютерные образовательные среды, привели к росту интереса к разработке методов анализа больших объемов данных, генерируемых в образовательных учреждениях. Этот интерес вылился в серию семинаров по ОДО, проведенных с 2000 по 2007 годы в рамках нескольких международных научных конференций.C. Romero, S. Ventura. Educational Data Mining: A Review of the State-of-the-Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews. 40(6), 601-618, 2010. In 2008, a group of researchers established what has become an annual international research conference on EDM, the first of which took place in Montreal, Quebec, Canada."http://educationaldatamining.org/EDM2008/" Retrieved 2013-09-04

По мере того как интерес к ОДО продолжал расти, исследователи по ОДО в 2009 году учредили научный журнал, Journal of Educational Data Mining, для обмена и распространения результатов исследований. В 2011 году исследователи по ОДО основали Международное общество по образовательному анализу данных, чтобы объединить исследователей по ОДО и продолжить развитие области.

С введением публичных репозиториев образовательных данных в 2008 году, таких как DataShop Pittsburgh Science of Learning Centre (PSLC) и Национальный центр статистики образования (NCES), публичные наборы данных сделали образовательный анализ данных более доступным и осуществимым, что способствовало его росту.

Цели Райан С. Бейкер и Калина Яцеф определили следующие цели анализа данных в образовании (АДО):

Предсказание будущего поведения студентов в обучении – с помощью моделирования можно создать модели студентов, учитывающие информацию об их знаниях, поведении и мотивации к обучению. Также измеряется пользовательский опыт учащегося и его общая удовлетворенность обучением.

Открытие или улучшение моделей предметной области – через различные методы и приложения АДО возможно открытие новых и улучшение существующих моделей. Примеры включают иллюстрацию учебного контента для вовлечения учащихся и определение оптимальных последовательностей обучения, которые поддерживают стиль обучения студента.

Изучение эффектов образовательной поддержки – это может быть достигнуто через обучающие системы.

Продвижение научных знаний об обучении и учащихся – через построение и интеграцию моделей студентов, а также с помощью исследований в области АДО, технологий и программного обеспечения.

Пользователи и заинтересованные стороны Существует четыре основных группы пользователей и заинтересованных сторон, участвующих в анализе образовательных данных. Это:

Учащиеся – учащиеся заинтересованы в понимании своих потребностей и удовлетворённости образованием. Например, учащиеся могут также извлечь пользу из открытых знаний, используя инструменты АДО для предложения активностей и ресурсов, которые они могут использовать на основе своих взаимодействий с онлайн-обучением и инсайтов от предыдущих или схожих учащихся. В случае учеников младших классов, анализ образовательных данных может информировать родителей о прогрессе их ребёнка в обучении. Также необходимо эффективно группировать учащихся в онлайн-среде. Проблема заключается в использовании сложных данных для изучения и интерпретации этих групп через разработку практических моделейAzarnoush, Bahareh, et al. "Toward a Framework for Learner Segmentation." JEDM-Journal of Educational Data Mining 5.2 (2013): 102-126..

Преподаватели – преподаватели стремятся понять процесс обучения и методы, которые могут использовать для улучшения своих методов преподавания. Преподаватели могут использовать приложения АДО, чтобы определить, как организовать и структурировать учебный план, какие методы лучше всего использовать для подачи информации и какие инструменты применять для вовлечения учащихся для достижения оптимальных результатов обучения. В частности, методика извлечения данных для человеческой оценки предоставляет преподавателям возможность быстро выявлять поведенческие шаблоны, что может поддержать их методы преподавания в ходе курса или помочь улучшить будущие курсы. Преподаватели могут определить индикаторы, показывающие удовлетворенность студентов и вовлеченность в курс, а также отслеживать прогресс в обучении.

Исследователи – исследователи сосредоточены на разработке и оценке эффективности методов анализа данных. С 2008 года проводится ежегодная международная конференция для исследователей. Широкий круг тем в АДО охватывает от использования анализа данных для улучшения эффективности учебных заведений до производительности студентов.

Администраторы – администраторы отвечают за распределение ресурсов для реализации приложений в учебных заведениях. Поскольку учебные заведения все больше несут ответственность за успехи студентов, использование приложений для анализа данных становится все более распространенным в образовательных учреждениях. Преподаватели и консультанты становятся более проактивными в определении и решении проблемных студентов.

Фазы Анализ данных в образовании можно разделить на четыре ключевые фазы:

Первая фаза анализа данных в образовании (не считая предобработку) — это обнаружение связей в данных. Для выявления таких связей были использованы широко, включая классификацию, регрессионный анализ, кластерный анализ, факторный анализ, анализ социальных сетей, и проч. Далее обнаруженные связи должны быть валидированы, чтобы избежать переобучения модели (например, на новой выборке). Валидированные связи применяются для предсказаний развития обучения в образовательной среде. Затем, на основе полученных выводов принимаются те или иные решения для улучшения качества образования. В последних двух фазах данные часто визуализируются или каким-то другим способом обрабатываются для более наглядной демонстрации выводов.

Основные подходы Из упомянутых общих категорий методов предсказание, кластерный анализ и поиск связей считаются универсальными методами во всех типах анализа данных, однако Открытие с использованием моделей и Дистилляция данных для человеческой оценки считаются более важными подходами в образовательном анализе данных.

Открытие с использованием моделей В методе Открытия с использованием моделей модель разрабатывается с помощью предсказания, кластеризации или человеческого рассуждения инженерия знаний, а затем используется как компонент в другом анализе, а именно для предсказания и поиска связей. В методе предсказания используются предсказания созданной модели для прогнозирования новой зависимой и независимой переменной. Для использования поиска связей созданная модель позволяет анализировать взаимодействие между новыми предсказаниями и дополнительными переменными в исследовании. В большинстве случаев метод Открытия с использованием моделей использует валидированные предсказательные модели, которые показали свою универсальность в разных контекстах.

Ключевые применения этого метода включают обнаружение связей между поведением студентов, характеристики и контекстуальными переменными в образовательной среде. Также можно исследовать широкие и специфические исследовательские вопросы в различных контекстах с использованием этого метода.

Дистилляция данных для человеческой оценки Люди могут делать выводы о данных, которые могут выходить за рамки того, что автоматизированный метод анализ данных может предоставить. В контексте образовательного анализа данных, данные дистиллируются для человеческой оценки с двумя ключевыми целями: идентификация и классификация.

Для цели идентификации данные дистиллируются таким образом, чтобы люди могли выявлять известные паттерны, которые иначе могут быть трудны для интерпретации. Например, кривая обучения, классическая для образовательных исследований, является паттерном, который ясно отражает взаимосвязь между обучением и опытом с течением времени.

Данные также дистиллируются с целью классификации признаков данных, что для образовательного анализа данных используется для поддержки разработки модели предсказания. Классификация помогает ускорить процесс разработки модели предсказания, что является важным фактором.

Цель этого метода — обобщить и представить информацию в удобном, интерактивном и визуально привлекательном виде, чтобы понять большие объемы образовательных данных и поддержать принятие решений. В частности, этот метод полезен для преподавателей, помогающих понять информацию об использовании и эффективности образовательных активностей. Ключевые применения дистилляции данных для человеческой оценки включают идентификацию паттернов в обучении студентов, их поведении, возможности для сотрудничество и маркировку данных для будущего использования в моделях предсказания.

Применения Список основных применений ЭАД предоставлен Кристобалем Ромеро и Себастьяном Вентурой. В их таксономии области применения ЭАД включают:

Анализ и визуализация данных

Предоставление обратной связи для поддержки преподавателей

Рекомендации для студентов

Прогнозирование успеваемости студентов

Моделирование студентов

Обнаружение нежелательных видов поведения студентов

Группировка студентов

Анализ социальных сетей

Разработка концептуальных карт