Πασχαλινές Λαμπάδες από ΣΤ τάξη του σχολείου μας.pptx
Using learning analytics to identify successful
1. «Using learning analytics to identify
successful
learners in a blended learning course»
Sotiris Kotsiantis, Nikolaos Tselios, Andromahi Filippidi
and Vassilis Komis
Kotsiantis, S., Tselios, N., Filippidi, A., & Komis, V. (2013). Using Learning
Analytics to identify successful learners in a blended learning course. Journal of
Technology Enhanced Learning (special issue on Learning Analytics), 5(2), 133150.
1
2. Πλάνο παρουςίαςησ
Συςτόματα Διαχεύριςησ Μϊθηςησ και
Διδαςκαλύασ (ΣΔΜΔ)
◦ Εκπαιδευτικϋσ πρακτικϋσ και
◦ Συμπεριφορϊ μανθϊνοντα και μϊθηςη: Σχετικϋσ
Έρευνεσ
Προβληματικό τησ ϋρευνασ
◦ ερωτόματα τησ ϋρευνασ
◦ Ερευνητικό πλαύςιο
◦ Μϋθοδοσ και εργαλεύα ςυλλογόσ και ανϊλυςησ των
δεδομϋνων
Αποτελϋςματα
Συμπερϊςματα
2
3. Ειςαγωγή
Η ανϊπτυξη τησ τεχνολογύασ του διαδικτύου και η εφαρμογό τησ ςτη
διδαςκαλύα και τη μϊθηςη εύχαν ωσ αποτϋλεςμα μια ποικιλύα από
εναλλακτικϋσ λύςεισ μϊθηςησ οι οπούεσ διαφοροποιούνται από το
παραδοςιακό περιβϊλλον τησ τϊξησ
Τα ΣΔΜΔ διαδραματύζουν ςημαντικό ρόλο ςτην εξ Αποςτϊςεωσ
Εκπαύδευςη
ενώ χρηςιμοποιούνται όλο και περιςςότερο ςε ςυνθόκεσ ςυμβατικόσ εκπαύδευςησ,
ιδύωσ ςτο πλαύςιο τησ τριτοβϊθμιασ εκπαύδευςησ (Means et al., 2010)
Μεικτό μϊθηςη
Συνόθωσ ϋνα ΣΔΜΔ περιλαμβϊνει ψηφιακϋσ πηγϋσ, με τη μορφό
παρουςιϊςεων, αρχεύων pdf, διαδραςτικών demos, βύντεο διαλϋξεων
κλπ.
Η εφαρμογό τουσ ανϋδειξε και την ανϊγκη νϋων πρακτικών και
μεθόδων για
◦ τη μελϋτη και τη βελτύωςη αυτών των μαθημϊτων
◦ τη μελϋτη των εκπεφραςμϋνων πρακτικών, ςτϊςεων και αντιλόψεων των
ςυμμετεχόντων και τη ςχϋςη τουσ με το μαθηςιακό αποτϋλεςμα
3
4. Σύγκριςη Learning Analytics Educational Data Mining
Το Educational Data Mining αποτελεύ
Το Learning Analytics αποτελεύ
ερευνητικό περιοχό η οπούα εφαρμόζει και
ερευνητικό προςϋγγιςη που
αναπτύςςει μεθόδουσ και ςτατιςτικϋσ
εφαρμόζει τεχνικϋσ μεικτού τύπου
τεχνικϋσ με ςκοπό την κατανόηςη τησ
◦ (information science, sociology,
psychology, statistics, data mining)
μαθηςιακόσ διαδικαςύασ.
διαφοροποιεύται από το EDM ςτο ότι
εφαρμόζεται ςε ςημαντικό όγκο
δεν εςτιϊζει ςτο να αποδομόςει τη
δεδομϋνων για τη μοντελοπούηςη και
μαθηςιακό διαδικαςύα ςε μικρότερα
ερμηνεύα τησ μϊθηςησ με τη χρόςη
μϋρη για να την εξηγόςει
αλγορύθμων
αλλϊ επικεντρώνεται ςτη
Ειδικότερα οι ςτόχοι του EDM αφορούν
κατανόηςη των ςυςτημϊτων τησ
◦ ςτην πρόβλεψη τησ ςυμπεριφορϊσ των
μαθηςιακόσ διαδικαςύασ ωσ ςύνολο
μαθητών
Δύνεται επύςησ ιδιαύτερη ϋμφαςη ςτη
◦ ςτη διερεύνηςη τησ βϋλτιςτησ
μελϋτη δεδομϋνων για τη λόψη
αλληλουχύασ μελϋτησ μαθηςιακού
αποφϊςεων
περιεχομϋνου
και δεν περιορύζεται ςτην ϊντληςη
◦ ςτη μελϋτη τησ επιρροόσ των
πληροφοριών που αφορούν ςτην
διαφορετικών παιδαγωγικών
εκπαιδευτικό πρακτικό (EDM)
υποςτηρικτικών εργαλεύων
◦ ςτην δημιουργύα μοντϋλων που εξηγούν
τη μαθηςιακό διαδικαςύα
4
5. Σχετικέσ έρευνεσ
Οι ςχετικϋσ μελϋτεσ αφορούν ςτη μελϋτη μαθημϊτων από απόςταςη και
κατηγοριοποιούνται με βϊςη το ςκοπό τουσ:
Για την ανϊδειξη τησ ςημαςύασ των διαφορετικών τεχνικών, με ςκοπό την
ομαδοπούηςη των φοιτητών, με βϊςη τα χαρακτηριςτικϊ τουσ, που
ςυμμετϋχουν ςε τϋτοια μαθόματα με ΣΔΜΔ (Romero, Ventura and García,
2008)
Για την καταγραφό των αναγκών και των δυςκολιών των μαθημϊτων από
απόςταςη ώςτε να γύνεται ςχεδιαςμόσ και αναπροςαρμογό τουσ ανϊλογα
με τισ απαιτόςεισ των ςυμμετεχόντων (Castro et al. ,2007)
Για την ανϊδειξη παραγόντων και τη δημιουργύα μοντϋλων που
προβλϋπουν την επύδοςη φοιτητών (Jovanovica et al., 2012; Romero et
al. 2013a, 2013b; Macfadyen and Dawson, 2010)
Για την παροχό πληροφοριών ανατροφοδότηςησ
◦
ςε φοιτητϋσ, και εκπαιδευτϋσ με ςκοπό τη βελτύωςη του μαθηςιακού
αποτελϋςματοσ
◦ ςε ςχεδιαςτϋσ μαθημϊτων με ςκοπό την αποτελεςματικότερη ςχεδύαςη των
μαθημϊτων (Perera et al., 2009; Delavaria et al., 2008; Baepler and Murdoch,
2010; Ali et al., 2012)
5
6. Προβληματική τησ έρευνασ
Σκοπόσ αυτόσ τησ ϋρευνασ εύναι να χρηςιμοποιόςει
τεχνικϋσ LA και EDM, ώςτε να διερευνόςει:
αν και ςε ποιο βαθμό η χρόςη του ΣΔΜΔ ςυςχετύζεται
με το μαθηςιακό αποτϋλεςμα
ποιεσ μεταβλητϋσ προβλϋπουν αποτελεςματικότερα
την επύδοςη των φοιτητών
◦ μεταβλητϋσ που αφορούν ςτη χρόςη των επιμϋρουσ ενοτότων
◦ απόψεισ των φοιτητών για ςτοιχεύα του ΣΔΜΔ ό τησ
διαδικαςύασ
αν η γνώςη που αποκτϊται με τισ τεχνικϋσ αυτϋσ
μπορεύ να οδηγόςει το ςχεδιαςμό ενόσ περιβϊλλοντοσ
επιςκόπηςησ τησ μαθηςιακόσ διαδικαςύασ ςε
πραγματικό χρόνο
6
7. Ερωτήματα
Να μελετόςουμε αν η επύδοςη των φοιτητών
ςχετύζεται με τη χρόςη του ΣΔΜΔ Moodle
2. Να εντοπύςουμε ποιοι τύποι δεδομϋνων
αποτελούν τουσ προβλϋπουν καλύτερα την
επύδοςη των φοιτητών
1.
1. τα δεδομϋνα των πρακτικών χρόςησ
2. τα δεδομϋνα των ςτϊςεων και αντιλόψεων των φοιτητών
3.
Να διαπιςτώςουμε αν τα αποτελϋςματα τησ
μελϋτησ μπορούν να χρηςιμοποιηθούν ώςτε
να παρϋχουν πληροφορύεσ για το ςχεδιαςμό
καλύτερησ ανϊδραςη ςτουσ φοιτητϋσ και τουσ
εκπαιδευτϋσ ΣΔΜΔ
7
8. Μέθοδοσ ςυλλογήσ και
ανάλυςησ των
Μελέτη
δεδομένων
περίπτωςησ
Μέθοδοσ ςυλλογήσ
και ανάλυςησ
δεδομένων
Συμμετοχικό
παρατόρηςη
Data Mining
Learning Analytics
Η τακτική διαςφάλιςησ
εξωτερικήσ
εγκυρότητασ έγινε με
πολλαπλέσ μελέτεσ
περίπτωςησ
Εργαλεία ςυλλογήσ
και ανάλυςησ
δεδομένων
Αρχεύα καταγραφόσ
ενεργειών χρόςτη
Τύποι δεδομένων
Αριθμητικϊ δεδομϋνα
αρχεύων
καταγραφόσ ενεργειών
χρόςη
Πληθυςμόσ
337 φοιτητϋσ
Δεδομϋνα από
ερωτηματολόγιο
Moodle
Ερωτηματολόγιο
διερεύνηςησ
αντιλόψεων φοιτητών
Βαθμολογύεσ
Παρακολούθη
ςαν
το μάθημα
ΤΠΕΕ
Surveymonkey
Στοιχεύα αξιολόγηςησ
φοιτητών
Γραπτϊ εξετϊςεων
Εβδομαδιαύεσ
Εργαςύεσ
8
9. Υλοποίηςη τησ διαδικαςίασ (1)
Για τη διεξαγωγό τησ ϋρευνασ
υλοποιόθηκε εξ ολοκλόρου ο
παιδαγωγικόσ ςχεδιαςμόσ του μαθόματοσ
ςτο Moodle, με βαςικό κατεύθυνςη την
επύλυςη προβλόματοσ, Kirkley & Duffy
(2004)
9
10. Υλοποίηςη τησ διαδικαςίασ (2)
Μϊθημα με τύτλο: «οι Τεχνολογύεσ τησ Πληροφορύασ
και των Επικοινωνιών ςτην Εκπαύδευςη»
Διεξόχθη ςτο πλαύςιο του προγρϊμματοσ ςπουδών
του ΤΕΕΑΠΗ ωσ υποχρεωτικό μϊθημα του Β΄ϋτουσ
Περιλϊμβανε υποχρεωτικό παρακολούθηςη δύωρου
εβδομαδιαύου εργαςτηρύου και προαιρετικό
παρακολούθηςη διαλϋξεων
Η διϊρκεια του μαθόματοσ όταν περύπου 11
εβδομϊδεσ
337 φοιτητϋσ, 8 αγόρια, 329 κορύτςια, ηλικύασ18-35
(mean=20.44, sd=3.06)
◦ 2007-2008: 127 φοιτητϋσ, 3 αγόρια, 124 κορύτςια,
◦ 2008-2009: 93 φοιτητϋσ, 3 αγόρια, 90 κορύτςια,
◦ 2009-2010: 117 φοιτητϋσ, 2 αγόρια, 115 κορύτςια
10
11. Υλοποίηςη τησ διαδικαςίασ (3)
Το κϊθε εβδομαδιαύο εργαςτόριο πραγματευόταν και από μύα ςυγκεκριμϋνη
θεματικό, αναφορικϊ με τισ ΤΠΕ ςτην Εκπαύδευςη
Για την κϊθε θεματικό οι φοιτητϋσ/τριεσ ϋπρεπε να παραδώςουν μια εργασία
◦
αφορούςε την ενςωμϊτωςη των ΤΠΕ ςτην μελλοντικό εκπαιδευτικό τουσ πρακτικό.
Υπηρεςίεσ
Ημερολόγιο
Πηγέσ
Αξιολόγηςη
Κεύμενα
Τελικό εξϋταςη
Ομϊδεσ Συζητόςησ
Ιςτοςελύδεσ
Ερωτηματολόγια
Εκπαιδευτικϊ
λογιςμικϊ
Εργαςύεσ
Chat
Εβδομαδιαύεσ
εργαςύεσ
Σχϊρεσ ανϊλυςησ
Πηγϋσ
Το υλικό των θεματικών όταν διαθϋςιμο όλο το εξϊμηνο ςτουσ φοιτητϋσ και
παρϋμεινε το ύδιο και για τα τρύα ϋτη τησ ϋρευνασ
11
12. Συλλογό δεδομϋνων
H ςυλλογό των δεδομϋνων από τα αρχεύα καταγραφόσ ενεργειών ϋγινε με
τη μϋθοδο εξόρυξησ δεδομϋνων:
1. Συλλογό δεδομϋνων,
2. Προεπεξεργαςύα των δεδομϋνων (preprocess the data: ξεκαθϊριςμα του μεγϊλου όγκου των
δεδομϋνων και επιλογό κατϊλληλων αλγορύθμων ςε ςχϋςη με τα ερευνητικϊ ερωτόματα),
3. Εφαρμογό τησ μεθόδου
4. Ερμηνεύα των αποτελεςμϊτων και διεξαγωγό ςυμπεραςμϊτων (Romero et al., 2006).
Η διαδικαςύα τησ ςυλλογόσ και προεπεξεργαςύασ των δεδομϋνων
πραγματοποιόθηκε χρηςιμοποιώντασ το εργαλεύο Moodle Parser
12
14. Ανϊλυςη των δεδομϋνων
Για την ανϊλυςη των δεδομϋνων εφαρμόςτηκαν 4 διαφορετικϋσ
μεθόδουσ ώςτε να περιγραφεύ η εκπεφραςμϋνη χρόςη του
Moodle από τουσ φοιτητϋσ:
Οπτικοποίηςη (visualization, Graham, 2011) ςε διαγρϊμματα
κϊθε μιασ μεταβλητόσ για την περιγραφό των μεταβλητών τησ
ϋρευνασ
Δέντρο απόφαςησ (C4.5 decision tree algorithm, Quinlan,
1993) για να εντοπιςτούν οι μεταβλητϋσ που προβλϋπουν τον αν
θα πετύχουν οι μαθητϋσ ό όχι ςτην τελικό τουσ εξϋταςη
Κατηγορίεσ κανόνων ςυςχέτιςησ (class association rules,
Bing et al., 1998) για να υποδεύξουμε ποιεσ μεταβλητϋσ ϋχουν
ςχϋςη με το τελικό βαθμό των φοιτητών
Ομαδοποίηςη (clustering using k-means, Hall et al., 2009)
14
15. Αποτελέςματα: Οπτικοποίηςη των
μεταβλητών (1)
Για την περιγραφό και την ϊμεςη κατανόηςη των μεταβλητών
τησ ϋρευνασ ϋγινε οπτικό αναπαρϊςταςη των μεταβλητών με
το λογιςμικό R (http://www.r-project.org/)
Δημιουργόθηκαν 18 διαγρϊμματα για κϊθε μια μεταβλητό ςε
ςχϋςη με τον τελικό βαθμό των φοιτητών ςτο μϊθημα
Η μϋθοδοσ αυτό προςφϋρει ϊμεςη ανϊδραςη ςτον εκπαιδευτό
του μαθόματοσ για το τι ϋγινε ςυνολικϊ κατϊ τη διϊρκεια του
μαθόματοσ
Τα αποτελϋςματα αυτόσ τησ μεθόδου μπορούν να
ενςωματωθούν ςτο ΣΔΜΔ ώςτε ο εκπαιδευτόσ να μπορεύ να
παρακολουθεύ την πορεύα του μαθόματοσ και να προβαύνει ςε
αναπροςαρμογϋσ του υλικού ό του παιδαγωγικού ςχεδιαςμού
του μαθόματοσ
15
16. Αποτελέςματα: Οπτικοποίηςη
των μεταβλητών (2)
Σε αυτό το διϊγραμμα φαύνεται ότι
οι φοιτητϋσ με ϊριςτη βαθμολογύα
εύδαν πϊρα πολλϋσ φορϋσ το
γλωςςϊρι του μαθόματοσ
Η μϋθοδοσ αυτό δεν παρϋχει πληροφορύεσ για την ουςιαςτικό
κατανόηςη τησ διαδικαςύασ του μαθόματοσ αλλϊ δύνει μια πολύ
γρόγορη και ολοκληρωμϋνη περιγραφό του
16
17. Αποτελέςματα: Οπτικοποίηςη
των μεταβλητών (3)
Σε ςυνδυαςμό με την
προηγούμενη μϋθοδο ϋγινε το
διϊγραμμα ςημαςύασ των
μεταβλητών για να εντοπιςτούν
ποιεσ από αυτϋσ εξηγούν
μεγαλύτερο ποςοςτό τησ
επύδοςησ των φοιτητών (Hastie,
et al., 2001)
το πόςεσ φορϋσ εύδαν οι φοιτητϋσ το
υλικό του μαθόματοσ
και το πόςο εύκολο θεωρούςαν το
Moodle ςτη χρόςη του καθώσ και το
πόςο χρόςιμο τουσ φϊνηκε το
μϊθημα
17
18. Αποτελέςματα: Δέντρα
απόφαςησ (1)
Τα δϋντρα απόφαςησ (Quinlan, 1993) κατατϊςςουν
παραδεύγματα από τη διαλογό τουσ με βϊςη τισ μεταβλητϋσ και
τισ τιμϋσ τουσ
Κϊθε κόμβοσ ςε ϋνα δϋντρο αποφϊςεων αποτελεύ μια μεταβλητό
ςε ϋνα παρϊδειγμα που πρϋπει να ταξινομηθεύ, και κϊθε κλϊδοσ
αντιπροςωπεύει μια τιμό που ο κόμβοσ θα μπορούςε να ϋχει
Το δϋντρο απόφαςησ αντιπροςωπεύει την δυνατότητα των
φοιτητών να περϊςουν ςτο μϊθημα (να ϋχουν προςβϊςιμο
βαθμό ςτην τελικό εξϋταςη)
Η ακρύβεια του αλγορύθμου C4.5 βρϋθηκε να εύναι 81,84%
Όπωσ φαύνεται ςτο διϊγραμμα, η αντύληψη που ϋχουν οι
φοιτητϋσ για τη χρηςιμότητα του μαθόματοσ εύναι αυτό που
διαφοροποιεύ ςημαντικϊ τισ μεταβλητϋσ που επηρεϊζουν των
μαθηςιακό αποτϋλεςμα
18
20. Αποτελέςματα: Δέντρα
απόφαςησ (3) 1ο Σενϊριο:
Στην περύπτωςη που η τιμό τησ μεταβλητόσ για τισ
αντιλόψεισ των φοιτητών εύναι από 2 και κϊτω
τότε αυτό που ϋχει ςημαςύα εύναι το πόςεσ φορϋσ
οι φοιτητϋσ βλϋπουν τισ εργαςύεσ τουσ:
Ενώ οι φοιτητϋσ που
Οι φοιτητϋσ που
οι φοιτητϋσ που
προςπελαύνουν τισ
προςπελαύνουν τισ
εργαςύεσ πϊνω από
εργαςύεσ λιγότερο
74 φορϋσ τισ εργαςύεσ
από 74 φορϋσ τισ
που εύναι ςτο Moodle
εργαςύεσ που εύναι
θα πϊρουν βαθμό
ςτο Moodle
πϊνω από 5
αποτύχουν ςτο
μϊθημα
20
21. Αποτελέςματα: Δέντρα
απόφαςησ (4) 2ο Σενϊριο:
Στην περύπτωςη που η τιμό τησ μεταβλητόσ για τισ
αντιλόψεισ των φοιτητών εύναι από 2 και πϊνω
τότε αυτό που ϋχει ςημαςύα το τι πιςτεύουν για το
ποςό ικανού χρόςτεσ του Moodle εύναι:
Οι φοιτητϋσ που
Για τιμό
ϋχουν τιμό κϊτω
μεγαλύτερη 2
από 3 φαύνεται ότι η
πετυχαύνουν ςτο
επιτυχύα τουσ
μϊθημα, με 298
επηρεϊζεται και
από ϊλλεσ
ςωςτϋσ και 47
μεταβλητϋσ όπωσ το
λϊθοσ προβλϋψεισ
πόςο ςυχνϊ
χρηςιμοποιούν το
υπολογιςτό
21
22. Αποτελέςματα: Κανόνεσ
ςυςχέτιςησ (1)
Τα Association Rules εύναι μια τεχνικό η οπούα χρηςιμοποιεύται
για
◦ την περιγραφό του δεύγματοσ
◦ και την κατανόηςη του πωσ επιδρούν οι μεταβλητϋσ μασ η μια ςτην ϊλλη
Στην παρούςα μελϋτη η μϋθοδοσ χρηςιμοποιόθηκε :
για να εξηγόςουμε για ποιουσ λόγουσ ϋχουμε φοιτητϋσ που
πϋτυχαν ςτο μϊθημα
◦ και ειδικότερα κατϊφεραν να πϊρουν πολύ υψηλό βαθμολογύα
και γιατύ ϋχουμε φοιτητϋσ που απϋτυχαν ςτο μϊθημα
Δημιουργόθηκαν 26 κανόνεσ ςυνολικϊ
◦ 3 κανόνεσ για τουσ φοιτητϋσ με βαθμούσ κϊτω από 5,
◦ 2 κανόνεσ για τουσ μαθητϋσ με βαθμό μεταξύ 5 ϋωσ 6,99,
◦ 15 κανόνεσ για φοιτητϋσ με βαθμούσ 7 ϋωσ 8,49,
◦ 6 κανόνεσ για τουσ μαθητϋσ με ϋνα βαθμό υψηλότερη από 8.5
22
23. Αποτελέςματα: Κανόνεσ ςυςχέτιςησ
(2) φοιτητέσ που απέτυχαν
(Computer_at_home >= 2) and (Moodle_use_capability_perceptions <= 2) =>
Final_Note <5 (10.0/1.0)
οι φοιτητϋσ που δεν εύχαν υπολογιςτό ςτο ςπύτι εμφϊνιςαν και χαμηλό εκτύμηςη για
την ικανότητϊ τουσ ςε ςχϋςη με ςτη χρόςη του Moodle και απϋτυχαν ςτο μϊθημα
(Ease_of_moodle_use_perceptions <= 3) and (resource_view <= 117) and
(user_view_all >= 2) => Final_Note<5 (9.0/0.0)
οι φοιτητϋσ που αποτυγχϊνουν εύναι αυτού που δόλωςαν ότι το Moodle δεν εύναι
πολύ εύκολο ςτη χρόςη του και περιορύςτηκαν ςτο να το χρηςιμοποιόςουν λύγο
◦
προςπϋλαςαν δηλαδό του υλικό του μαθόματοσ λύγεσ φορϋσ (και ςε ςχϋςη με τουσ ϊλλουσ φοιτητϋσ),το οπούο
όταν απαραύτητο για να ολοκληρώςουν επιτυχώσ τισ εργαςύεσ τουσ, αλλϊ και αςχολόθηκαν με τα εργαλεύα
τησ πλατφόρμασ ελϊχιςτα
(assignment_view <= 31) => Final_Note<5 (7.0/2.0)
οι φοιτητϋσ που προςπϋλαςαν τισ εργαςύεσ τουσ περύπου δυο φορϋσ την κϊθε μια
(μια φορϊ όταν υποχρεωμϋνοι ςτα πλαύςια του εργαςτηρύου και μια φορϊ για να την
υποβϊλλουν) εύναι φοιτητϋσ που δεν αςχολούνται με το μϊθημα καθόλου και ϊρα
αποτυγχϊνουν ό αντιγρϊφουν
23
24. λη χρόςη του Moodle
δεύεται και με υψηλό
ολογύα ςτο μϊθημα
Αποτελέςματα: Κανόνεσ ςυςχέτιςησ
(3) φοιτητέσ με πολύ καλέσ βαθμολογίεσ
(Total_Of_ id >= 793) and (forum_view >= 18) and (user_view >= 29) =>
Final_Note= [8.5-10] (31.0/10.0)
(Total_Of_ id >= 793) and (forum_view >= 18) and (user_view >= 37) =>
Final_Note= [8.5-10] (24.0/7.0)
Σύμφωνα με τουσ δυο πρώτουσ κανόνεσ οι φοιτητϋσ που ςυνδϋθηκαν με πολύ
μεγϊλη ςυχνότητα ςτο Moodle και προςπϋλαςαν μεταβλητϋσ που οι υπόλοιποι
φοιτητϋσ δεν εύδαν καθόλου, ϋχουν πολύ υψηλό βαθμολογύα ςτο μϊθημα
Επύςησ οι φοιτητϋσ που αςχολόθηκαν με τισ ομϊδεσ ςυζότηςαν και διϊβαςαν τισ
απορύεσ που ϋθεταν οι ςυμφοιτητϋσ τουσ ςε ςχϋςη με τισ εργαςύεσ τουσ πϋτυχαν
ϊριςτο βαθμό
(Total_Of_ id >= 793) and (assignment_view >= 124) => Final_Note=[8.5-10]
(38.0/16.0)
Στον τρύτο κανόνα οι φοιτητϋσ που πϋτυχαν πολύ καλό βαθμολογύα, ςυνδϋθηκαν
ςτο ςύςτημα πολύ, προςπϋλαςαν και τισ εργαςύεσ που ϋπρεπε να ολοκληρώςουν
με μεγϊλη ςυχνότητα
◦
γεγονόσ που ϋρχεται και ςε αντιπαραβολό με τον τρύτο κανόνα τησ ομϊδασ των φοιτητών που επϋτυχαν
και μϊλλον επιβεβαιώνεται
24
25. Αποτελέςματα: Κανόνεσ ςυςχέτιςησ
(3) φοιτητέσ με πολύ καλέσ βαθμολογίεσ
(assignment_view >= 102) and (glossary_view >= 8) => Final_Note=[8.5-10]
(33.0/15.0)
(glossary_view >= 2) and (resource_view >= 177) => Final_Note= [8.5-10]
(49.0/24.0)
Στουσ κανόνεσ πϋντε και ϋξι οι φοιτητϋσ που εύχαν πολύ καλό βαθμολογύα
χρηςιμοπούηςαν και προςπϋλαςαν πολύ τα βαςικϊ μαθηςιακϊ υλικϊ του μαθόματοσ
(υλικό του μαθόματοσ και τισ εργαςύεσ τουσ) αλλϊ εύδαν και το γλωςςϊρι αρκετϋσ
φορϋσ το οπούο δεν όταν υποχρεωμϋνοι να το μελετόςουν ςύμφωνα τα
προαπαιτούμενα του μαθόματοσ
(glossary_view >= 2) and (Perceived_Usefulness_assignment <= 3) and
(resource_view >= 182) => Final_Note=[8.5-10] (20.0/7.0)
Στον τελευταύο κανόνα οι φοιτητϋσ που ϋχουν ϊριςτη βαθμολογύα εύναι αυτού που
προςπελαύνουν κυρύωσ και δευτερεύων μαθηςιακό υλικό μϋςα από του Moodle
περιςςότερο από τουσ ϊλλουσ
πιςτεύουν ότι οι εργαςύεσ που τουσ ανατύθενται κϊθε βδομϊδα (και για τισ οπούεσ
διαβϊζουν το υλικό του μαθόματοσ) θα τουσ βοηθόςουν αρκετϊ ςτην τελικό τουσ
βαθμολογύα,
για αυτό ϊλλωςτε και το μελετούν πιθανότατα περιςςότερο από τουσ ϊλλουσ και
τελικϊ πετυχαύνουν πολύ καλό επύδοςη
25
26. Αποτελέςματα: Ομαδοποίηςη (1)
Ο ςτόχοσ τησ προςϋγγιςησ ομαδοπούηςησ εύναι να
κατηγοριοποιόςει τισ τιμϋσ των μεταβλητών ςε ϋνα
πεπεραςμϋνο και διακριτό ςύνολο των κρυφών δομών
δεδομϋνων (Xu και Wunsch, 2005). k-Means (Arthur και
Vassilvitskii, 2007)
χρηςιμοποιούμε την μεταβλητό «τελικόσ βαθμόσ» και την
διαμεριςματοποιούμε ςε 4 διακριτϋσ κατηγορύεσ και
χρηςιμοποιόςαμε k = 4 για την εφαρμογό του k-means
τα αποτελϋςματα που παρουςιϊζονται εύναι αυτϊ που εξϊγονται
από k-means με k = 4, χρηςιμοποιώντασ όλεσ τισ μεταβλητϋσ ωσ
ανεξϊρτητεσ
26
28. Αποτελέςματα: Ομαδοποίηςη (3)
Η κατοχό υπολογιςτό αποτϋλεςε ϋνδειξη των επιδόςεων των φοιτητών
η χρόςη ηλεκτρονικών υπολογιςτών ανϊ εβδομϊδα δεν ςυςχετύζεται
θετικϊ με την επύδοςη των φοιτητών,
◦
αν και οι φοιτητϋσ με πολύ υψηλό αναφερθεύςα εβδομαδιαύα χρόςη ηλεκτρονικών
υπολογιςτών ϋλαβε ϊριςτουσ βαθμούσ
περιςςότερο θετικϋσ αντιλόψεισ απϋναντι ςτο Moodle ςυνδυϊζονται με
υψηλότερουσ βαθμούσ των φοιτητών
φοιτητϋσ με ςυνολικϋσ ενϋργειεσ ςτο ςύςτημα κοντϊ ό πϊνω από το μϋςο
όρο (693) τεύνουν να λαμβϊνουν υψηλότερο βαθμό (τουλϊχιςτον 7)
αυτό ιςχύει και για τισ μεταβλητϋσ από τισ ομϊδεσ ςυζότηςησ ,το υλικό του
μαθόματοσ και τα προφύλ των χρηςτών
χαμηλό πρόςβαςη ςτο γλωςςϊρι υποδεικνύει τουσ φοιτητϋσ που απϋτυχαν
να περϊςουν το μϊθημα
φοιτητϋσ με ϊριςτουσ βαθμούσ φϊνηκε να χρηςιμοποιούν το Moodle
περιςςότερο από τουσ ϊλλουσ (μεταβλητό course_view)
28
29. Συμπερϊςματα (1)
Για τη μελϋτη και την περιγραφό τησ ςυμπεριφορϊσ των φοιτητών
που παρακολουθόςαν ϋνα ακαδημαώκό μϊθημα ςε περιβϊλλον
μεικτόσ μϊθηςησ
Και τη μοντελοπούηςη τησ χρόςησ του ΣΔΜΔ ςε ςχϋςη με την
επύδοςη των φοιτητών εφαρμόςτηκαν 4 διαφορετικϋσ τεχνικϋσ:
◦ Οπτικοπούηςη: Αντλόθηκαν πληροφορύεσ γρόγορα και ςτο ςύνολο τησ
δραςτηριότητασ των φοιτητών αναφορικϊ με τη χρόςη του ΣΔΜΔ
◦ Σε ςυνδυαςμό με το διϊγραμμα ςημαςύασ μεταβλητών διαπιςτώθηκε
ποιεσ εύναι εκεύνεσ οι υπηρεςύεσ του ςυςτόματοσ που χρηςιμοποιούν οι
φοιτητϋσ και επιτυγχϊνουν καλύτερη επύδοςη ςτο μϊθημα
◦ Δϋντρα απόφαςησ: Αποκαλύπτουν ποιεσ εύναι οι ςχϋςεισ ανϊμεςα ςτισ
μεταβλητϋσ (χρόςη και αντιλόψεισ φοιτητών) που οδηγούν ςτην
επιτυχύα ςτο μϊθημα
Ώςτε να μπορούν οι εκπαιδευτϋσ να προςφϋρουν αποτελεςματικότερη και ϋγκαιρη
ανϊδραςη ςτουσ φοιτητϋσ τουσ
◦ Κανόνεσ ςυςχϋτιςησ: περιγρϊφουν πρότυπα χρόςησ του ςυςτόματοσ
ενώ προβλϋπουν την επύδοςη των φοιτητών
◦ Ομαδοπούηςη: περιγρϊφει ομϊδεσ φοιτητών με βϊςη τα
χαρακτηριςτικϊ τουσ ςε ςχϋςη με την κατηγοριοπούηςη τησ επύδοςησ
τουσ ςτο μϊθημα
29
30. Συμπερϊςματα (2)
Η επύδοςη των φοιτητών ςχετύζεται:
◦ με τη χρόςη του ςυςτόματοσ
◦ και τισ αντιλόψεισ των φοιτητών για ευχρηςτύα και τη
χρηςιμότητα του ΣΔΜΔ
αν εφαρμοςτεύ ςτο ΣΔΜΔ οπτικοπούηςη των
αποτελεςμϊτων των τεχνικών που
παρουςιϊςαμε θα γύνεται γρόγορη
επιςκόπηςη και πρόβλεψη τησ τελικόσ
επύδοςησ των φοιτητών ώςτε:
◦ οι εκπαιδευτϋσ να υποςτηρύζουν αποτελεςματικότερα τα
μαθόματα τουσ
◦ και οι φοιτητϋσ να λαμβϊνουν ανϊδραςη ώςτε να
κινητοποιούνται ϋγκαιρα
Μελλοντικϊ:
◦ Μελϋτη των διαφορών για τα 3 ϋτη τησ ϋρευνασ
30
31. Βιβλιογραφύα
Ali, L., Hatala, M., Gašević, D., & Jovanović, J. (2012). A qualitative evaluation of evolution of a learning analytics tool.
Computers & Education, 58 (1), 470-489.
Arthur, D., & Vassilvitskii, S. (2007). k-means++: the advantages of careful seeding. In Society for Industrial and Applied
Mathematics Philadelphia (Eds), SODA '07 Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete
algorithms, pp. 1027-1035.
Baepler, P., & Murdoch, C.J. (2010). Academic analytics and data mining in higher education. International Journal for the
Scholarship of Teaching & Learning, 4 (2), 1-9.
Bing, L., Wynne, H., & Yiming, M. (1998). Integrating classification and association rule mining. In Rakesh Agrawal, Paul E.
Stolorz, and Gregory Piatetsky-Shapiro, (Eds), Fourth International Conference on Knowledge Discovery and Data Mining,
pp. 80–86. New York City, New York, USA: AAAI Press.
Castro, F., Vellido, A., Nebot, A., & Mugica, F. (2007). Applying data mining techniques to e-learning problems. In. Jain,
L.C., Tedman, R., & Tedman, D. (Eds.), Evolution of teaching and learning paradigms in intelligent environment (pp. 183221). New York: Springer-Verlag.
Delavaria, N., Phon-Amnuaisuka, S., & Beikzadehb, M.R. (2008). Data mining application in higher learning institutions.
Informatics in Education, 7 (1), 31-54.
Graham, W. (2011). Data Mining with Rattle and R. The Art of Excavating Data for Knowledge Discovery Series. Springer
Science+ Business Media.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I.H. (2009). The WEKA Data Mining Software: An
Update. ACM SIGKDD Explorations Newsletter, 11 (1), 10-18
Hastie, T., Tibshirani, R., & Friedman, J. (2001). Elements of Statistical Learning: Data Mining, Inference and Prediction.
New York: Springer-Verlag.
Jovanovica, M., Vukicevica, M., Milovanovica, M., & Minovica, M. (2012). Using data mining on student behavior and
cognitive style data for improving e-learning systems: A case study. International Journal of Computational Intelligence
Systems, 5 (3), 597-610.
Macfadyen, L.P., & Dawson, S. (2010). Mining LMS data to develop an "early warning system" for educators: a proof of
concept. Computers & Education, 54 (2), 588-599.
Means, B., Toyama, Y., Murphy, R., Bakia, M., & Jones, K. (2010). Evaluation of evidence-based practices in online
learning: A meta-analysis and review of online learning studies. Washington, DC: U.S. Department of Education, Office of
Planning, Evaluation, and Policy Development Policy and Program Studies Service.
Perera, D., Kay, J., Koprinska, I., Yacef, K., & Zaiane, O. (2009). Clustering and sequential data mining of online
collaborative learning data, IEEE Transactions on Knowledge and Data Engineering, 21 (6), 759-772.
Quinlan, J.R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers.
Romero, C., & Ventura, S. (2010). Educational data mining: A review of the state of the art, IEEE Transaction on Systems,
Man, and Cybernetics, Part C: Applications and Reviews, 40 (6), 601-618.
Romero, C., Espejo, P.G., Zafra, A., Romero, J.R., & Ventura, S. (2013a). Web usage mining for predicting final marks of
students that use Moodle courses. Computer Applications in Engineering Education, 21 (1), 135-146.
Romero, C., López, M. I., Luna, J. M., & Ventura, S. (2013b). Predicting students’ final performance from participation in on-
31