МЕТОДИ ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ОСВІТНІХ ДАНИХ У СИСТЕМАХ ЕЛЕКТРОННОГО НАВЧАННЯ
DOI:
https://doi.org/10.32689/maup.it.2024.2.5Ключові слова:
система електронного навчання, інтелектуальний аналіз освітніх даних, навчальна аналітика, інформаційні технологіїАнотація
Досліджено можливості імплементації Data mining в освітню аналітику, виділені основні напрямки інтелектуального аналізу освітніх даних в рамках взаємодії учасників освітнього процесу. Використання систем електронного навчання в освітньому процесі призводить до накопичення великих обсягів освітніх даних та циф- рових слідів здобувачів освіти. Застосування методів інтелектуального аналізу освітніх даних (Educational Data Mining) для аналізу цієї інформації, прогнозування та її візуалізації у вигляді інтерактивних звітів дозволяє виявля- ти приховані знання та закономірності, що значно покращують підготовку майбутніх фахівців. Метою роботи є дослідження розвитку інтелектуального аналізу освітніх даних, основних задач і методів інтелектуального аналі- зу для виявлення перспективних напрямів його застосування в інформаційних системах і технологіях електронного навчання закладів вищої освіти. Методологія. На основі аналізу літературних джерел зроблено огляд основних задач та виявлено етапи проведення інтелектуального аналізу освітніх даних з метою підвищення ефективності процесу навчання у вищій професійній освіті. Засобами системного аналізу запропоновано схему процесу роботи з великими даними, що продукуються системами електронного навчання. Проведено огляд та обґрунтовано акту- альність застосування методів Data Mining у вищій освіті. Наукова новизна дослідження полягає в обґрунтуван- ні схеми інформаційної технології з використанням методів інтелектуального аналізу даних, отриманих з LMS для оптимізації освітніх процесів та прогнозування траєкторій студентів. Висновки. Доведено, що розробка інфор- маційних технологій на основі використання методів інтелектуального аналізу даних при впровадженні систем електронного навчання сприяє вирішенню задач, пов’язаних із розумінням поведінки студентів, поліпшенням якості електронних курсів, вдосконаленням методик навчання, зменшенням витрат на організацію процесу навчання та визначає подальші напрями освітньої аналітики відповідно до загальносвітових тенденцій.
Посилання
Клименко Є., Глазунова О. MOODLE BIG DATA ANALYTICS ЗА ДОПОМОГОЮ POWER BI. Grail of Science, No35, рр.201–203. https://doi.org/10.36074/grail-of-science.19.01.2024.035
Ковальчук Ю. О. Пошук, отримання й аналіз даних в освіті: сучасний стан і перспективи розвитку. Інформа- ційні технології і засоби навчання, 2016. Том 50. No 6. С. 152–164. DOI: 10.33407/itlt.v50i6. 1284
Петренко С. В. Оптимізація й аналіз результатів використання LMS Moodle у системі змішаного навчання в університеті. Інформаційні технології і засоби навчання, 2017. т. 61, No 5. С. 140–150.
Ситник В. Ф. Інтелектуальний аналіз даних (дейтамайнінг): навч. посіб. / В. Ф. Ситник, М. Т. Краснюк. К.: КНЕУ, 2007. 376 с.
Староста, В. І. MOODLE до, під час і після пандемії covid-19: використання студентами бакалаврату та ма- гістратури. Електронне наукове фахове видання «Відкрите освітнє е-середовище сучасного університету», 2021. No10. С. 216–230. https://doi.org/10.28925/2414-0325.2021.1018
Arghir D.-C. Implementation of learning management systems with generative artificial intelligence functions in the post-pandemic environment. Information Technologies and Learning Tools, 2024. No100(2), рр.217–232. https://doi. org/10.33407/itlt.v100i2.5518
Baker R. S., Siemens G. Educational data mining and learning analytics. In Handbook of educational psychology. 2014. pp.775–788.
Bogn ́ar L., Fauszt T., Nagy G. Z. Analysis of Conditions for ReliablePredictions by Moodle Machine Learning Models. International Journal of Emerging Technologies in Learning (iJET).2021. No16(06), рр.106–121. doi:10.3991/ijet. v16i06.18347
Diaz-Choque M., Chamorro O., Ortega-Galicio O., Arévalo-Tuesta J., Cáceres-Cayllahua E., Dávila-Laguna R.,Aybar- Bellido І., Siguas-Jerónimo Y. Contributions of Data Mining to University Education, in the Context of the Covid-19 Pandemic: A Systematic Review of the Literature. International Journal of Online and Biomedical Engineering (iJOE).2023. No19. Рр.16–33. 10.3991/ijoe.v19i12.40079.
Drigas A., Leliopoulos P. The Use of Big Data in Education. International Journal of Computer 2014. Science Issues, 11, 5
Ian H. Witten. Data Mining: Practical Machine Learning Tools and Techniques / Ian H. Witten, Eibe Frank, Mark A. Hall. – 3rd Edition. – Morgan Kaufmann, 2011. 664 c
LakhnoV.,AkhmetovB.,MakulovK.,TynymbayevB.,TsiutsiuraS.,TsiutsiuraM.,ChubaievskyiV.FormationofModels for Registering Systemic Processes in The Digital Educational Environment of the University Based on Log File Analysis. International Journal of Electronics and Telecommunications. VOL. 70, No4 рр.389–396. 10.24425/ijet.2024.149557.
ManhiçaR.,SantosA.,CravinoJ.Theuseofartificialintelligenceinlearningmanagementsystemsinthecontextof higher education : Systematic literature review. 2022.1–6. 10.23919/CISTI54924.2022.9820205.
Morze N. V., Smyrnova-Trybulska E., Glazunova O. Design of a university learning environment for SMART education. Smart Technology Applications in Business Environments, pp. 221–248.
NikolaienkoS.M.,ShynkarukV.D.,KovalchukV.I.KocharyanA.B.ВикористанняBigDataвосвітньомупроцесі сучасного університету. Information Technologies and Learning Tools, 2017. No60(4), С.239. https://doi.org/10.33407/ itlt.v60i4.1681
Okike Е., Morogosi M. Educational Data Mining for Monitoring and Improving Academic Performance at University Levels. International Journal of Advanced Computer Science and Applications. 2020. No11. 10.14569/IJACSA.2020.0111171.
WilliamsonB.Introduction:Learningmachi-nes,digitaldataandthefutureofeducation.2017.SAGEPublications