2. Треугольник аналитики обучения
2
“the measurement,
collection, analysis and
reporting of data about
learners and their
contexts, for purposes
of understanding and
optimizing learning and
the environments in
which it occurs”
(SoLAR)
“an emerging discipline,
concerned with
developing methods for
exploring the unique
types of data that come
from educational
settings, and using those
methods to better
understand students,
and the settings which
they learn in” (IEDM
Society)
6. Потребности бизнеса
и задачи аналитики
6
Результаты
Поведение
Обучение
Реакция
Модель
Киркпатрика
Потребности
бизнеса
Задачи
обучения
Задачи
аналитики
7. Типовые запросы
7
Тема Ключевой вопрос
Анализ умений учащихся Что учащиеся знают и умеют?
Анализ поведения
учащихся
Как поведение учащихся сказывается на их
обучение? Какая мотивация у учащихся?
Анализ опыта учащихся Довольны ли учащиеся своим опытом обучения?
Сегментирование
учащихся
Какие группы учащихся можно выделить?
Моделирование
предметной области
Как должен быть организован учебный контент?
Анализ средств обучения Какой учебный контент эффективен для обучения?
Анализ трендов Что меняется со временем и как?
Персонализация Что можно порекомендовать учащемуся далее?
Источник: Enhancing Teaching and Learning Through Educational Data Mining and Learning
Analytics: An Issue Brief U.S. Department of Education Office of Educational Technology
8. Поток данных
8
Процесс обучения Получаемые данные
1. Анализ потребностей и условий
обучения
2. Проектирование обучения
3. Подготовка обучения
До обучения: социально-
демографическая информация,
результаты предварительной
оценки и т.п.
4. Проведение обучения Во время обучения:
взаимодействие с учебными
ресурсами, формирующий контроль
и т.п.
5. Сопровождение после обучения
6. Оценка обучения
После обучения: итоговый
контроль, обратная связь и т.п.
10. Описание данных (Codebook)
10
Переменная Описание Тип Уровень
измерения
Метод
(LOTS)
Схема
кодирования
user_id Идендификатор
пользователя
Integer Nominal
gender Пол
пользователя
String Nominal Анкета (S) male/female
gender_n Пол
пользователя
(recoded)
Integer Nominal Производная
переменная
1=male, 2=female
12. Проблемы качества данных
• Пропущенные значения
• Ошибки в данных
• Ошибки измерения
• Непостоянство кодирования
• Плохое описание
12
13. Чистка данных
Проблемы данных Возможные решения
Пропущенные
значения
Исключить наблюдения или переменные. Или
воспользоваться методами, восстанавливающие
пропущенные значения
Ошибки в данных Заменить ошибочные данные. Или исключить
переменные
Ошибки измерения Улучшить инструменты для сбора данных
Непостоянное
кодирование
Выбрать единственную схему кодирования
Плохое описание Проверить переменные и обновить описание
13
14. Анализ данных
Тип аналитики Задачи Примеры методов
Описательная
аналитика
(«Что произошло?»)
Описание данных
Обнаружение аномалий и
выбросов
Меры центральной тенденции
Характеристики распределения
Меры разброса
Диагностическая
аналитика
(«Почему это
произошло?»)
Обнаружение причинно-
следственных связей
Обнаружение связи между
переменными
Выявление кластеров
Проверка гипотез, дисперсионный
анализ
Корреляционный анализ
Кластерный анализ
Предсказательная
аналитика
(«Что произойдет?»)
Составление прогнозов
Классификация данных
Регрессионный анализ
Дискриминантный анализ
Предписывающая
аналитика
(«Как этого достичь?»)
Оптимизация и управление
Автоматизация поддержки
принятия решения
Оптимизационные методы
Имитационное моделирование
«Мягкое» моделирование (например,
экспертные системы)
14
15. Оценка и внедрение
• Опросы и обратная связь (от заказчика
и/или пользователя)
• Оценка метрик (и критериев успеха)
15
16. С чего начать?
• Анализ учебного контента
• Анализ умений и поведения учащихся
• Персонализация и рекомендации
16
