АЛГОРИТМ ФОРМИРОВАНИЯ МОДЕЛИ ПРОЦЕССОВ В ЦИФРОВОЙ ОБРАЗОВАТЕЛЬНОЙ СРЕДЕ УНИВЕРСИТЕТОВ НА ОСНОВЕ АНАЛИЗА ЛОГ ФАЙЛОВ
DOI:
https://doi.org/10.52167/1609-1817-2023-128-5-232-240Ключевые слова:
цифровая образовательная среда, цифровые следы, лог файлы, интеллектуальный анализ данных, алгоритм, модельАннотация
Показано, что технологии и методы интеллектуального анализа данных (ИАД) в сфере образования, в том числе, на основе анализа цифровых следов (ЦС) учащихся дают большие возможности для анализа активностей студентов. Причем ЦС учащихся формируются как во время работы в режиме дистанционного обучения, так и вовремя смешанной формы обучения. Применяя по отношению к ЦС методы ИАД можно получить информацию полезную, как для педагога по конкретной дисциплине, так и для менеджмента учебного заведения. Такая информация может касаться, например, таких аспектов функционирования цифровой образовательной среды (ЦОС) учебного заведения как: стиля обучения учащегося; личных предпочтений; количестве времени, уделенного выполнению конкретного задания; и т. д. В конечном итоге такого рода информация способствует составлению более точного прогноза по успеваемости учащегося и может аргументировано давать рекомендации по повышению эффективности учебного процесса. В нашей работе предложен алгоритм для построения модели процесса в ЦОС на основе анализа логов в ЦОС. Алгоритм позволяет описывать конкретный процесс в ЦОС как иерархию базовых элементов процесса. Данный алгоритм позволяет учесть наличие дополнительных данных в ходе построения иерархии процесса. Область практического применения предлагаемого алгоритма – методы интеллектуального анализа процессов в ЦОС университета.
Библиографические ссылки
[1] Surmelioglu, Y., & Seferoglu, S. S. An Examination of Digital Footprint Awareness and Digital Experiences of Higher Education Students. World Journal on Educational Technology: Current Issues, 2019, 11(1), pp. 48-64.
[2] McDermot, M. Digital footprints: Creation, implication, and higher education. FDLA Journal, 2018, 3(1), p. 11.
[3] Zhang, H. Z., Xie, C., & Nourian, S. Are their designs iterative or fixated? Investigating design patterns from student digital footprints in computer-aided design software. International Journal of Technology and Design Education, 2018, 28, pp. 819-841.
[4] Songsom, N., Nilsook, P., Wannapiroon, P., Chun Che Fung, L. & Wong, K. System Architecture of a Student Relationship Management System using Internet of Things to collect Digital Footprint of Higher Education Institutions. International Journal of Emerging Technologies in Learning (iJET), 2019, 14(23), pp. 125-140. Kassel, Germany: International Journal of Emerging Technology in Learning. Retrieved October 3, 2023 from https://www.learntechlib.org/p/217252/.
[5] Abdulmohsen A. Data Mining in Education. (IJACSA) International Journal of Advanced Computer Science and Applications, 2016, vol. 7, no. 6, pp. 456-461.
[6] Angeli, C., Howard, S., Ma, J., Yang, J., Kirschner, P.A. Data mining in educational technology classroom research: can it make a contribution? Computers & Education, 2017, 113, pp. 226–242.
[7] Baker R., Yacef K. The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining, 2009, vol. 1, no. 1, pp. 3–17. DOI: 10.5281/ZENODO.3554657.
[8] Bowers A. J., Sprott R., Taff S. A. Do we know who will drop out? A review of the predictors of dropping out of high school: Precision, sensitivity and specificity. The High School Journal, 2012, vol. 96, no. 2, pp. 77–100. DOI: 10.1353/hsj.2013.0000.
[9] Bowers A. J. Analyzing the longitudinal K-12 grading histories of entire cohorts of students: Grades, data driven decision making, dropping out and hierarchical cluster analysis. Practical Assessment Research and Evaluation, 2010, vol. 15. Article 7. DOI: 10.7275/r4zq-9c31.
[10] Ezekiel U. O., Mogorosi, M. Educational Data Mining for Monitoring and Improving Academic Performance at University Levels. (IJACSA) International Journal of Advanced Computer Science and Applications, 2020, vol. 11, no. 11. pp. 570–591.
[11] Peña-Ayala, A. Educational data mining: A survey and a data mining-based analysis of recent works. Expert systems with applications, 2014, vol. 41(4), pp. 1432-1462.
[12] R. Zamora-Musa and J. Velez. Use of Data Mining to Identify Trends between Variables to Improve Implementation of an Immer-sive Environment. Journal of Engineering and Applied Sciences, 2017, vol. 12, no. 22, pp. 5944-5948.
[13] Rawad C., Rémi B. Internationalizing Professional Development: Using Educational Data Mining to Analyze Learners’ Performance and Dropouts in a French MOOC. International Review of Research in Open and Distributed Learning, 2020, vol. 21, no. 40.
[14] Razaque, Abdul & Alajlan, Abrar. Supervised Machine Learning Model-Based Approach for Performance Prediction of Students. Journal of Computer Science, 2020, 16, pp. 1150-1162.
[15] Siemens G., Baker R. S. J. d. Learning analytics and educational data mining: towards communication and collaboration / LAK’12. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. New York: Association for Computing Machinery, 2012, pp. 252–254. DOI: 10.1145/2330601.2330661.
[16] Stauffer M. Laravel: Up & Running: A Framework for Building Modern PHP Apps 2nd Edition, O’REILLY, 2019.
[17] Rudometkina, M. N. Algorithm for forming a predicate model of a flexible multivariate process based on the analysis of its log files. Fundamental Research, 2014, (11-1), pp. 39-45.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2023 Берик Ахметов, Валерий Лахно, Бахытжан Ахметов, Жұлдыз Алимсейтова, Бауыржан Тынымбаев
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
