Recommended
More Related Content
What's hot
Similar to Учебная аналитика
Similar to Учебная аналитика (20)
Учебная аналитика
- 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)
- 5. Процесс аналитики 5 Понимание бизнеса Понимание данных Подготовка данных Анализ данных Оценка Внедрение Определить потребности бизнеса Определить задачи аналитики Собрать данные Описать данные Провести первичное исследование данных Проверить качество данных Отобрать данные Очистить данные Преобразо- вать данные (производные переменные, агрегация, приведение к формату) Выбрать методы анализа Провести анализ Оценить результаты анализа с т.з. методов Оценить результаты анализа с т.з. потребнос- тей Написать итоговый отчет [Составить план мониторинга и внедрения] На основе методологии CRISP-DM: https://www.the-modeling-agency.com/crisp-dm.pdf
- 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.
- 9. Типы данных (LOTS) • Life-Outcome • Observer-Reported • Test • Self-Reported 9
- 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
- 11. Принцип GI-GO* 11 * garbage in, garbage out
- 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
- 17. Контакты Максим Скрябин E-mail: maxim.skryabin@gmail.com Facebook: mskryabin 17