Организация студенческого учебного исследования на основе принципов data mining с использованием средств СДО Moodle

Размещено на http://www.allbest.ru/

Организация студенческого учебного исследования на основе принципов data mining с использованием средств СДО Moodle

Конев Константин Анатольевич, кандидат наук, доцент, доцент

Уфимский государственный авиационный технический университет

Развитие творческого подхода у студентов - одна из важнейших задач высшей школы. Настоящая статья посвящена одному из методов решения задачи развития творческого мышления у студента, реализуемому на основе учебного исследования во взаимосвязи с концепцией Data Mining. В статье достаточно подробно описан подход к построению учебного исследования, связи его этапов с методами и результатами Data Mining. Даны рекомендации по формированию квалиметрии учебного исследования как одного из элементов дисциплины с учётом её специфики. Кроме того, предложены категории для формирования оценки работы студента в рамках учебного исследования с учётом его этапности и показателей итогового результата. Предложен подход к использованию системы дистанционного обучения на примере Moodle для практической реализации учебного исследования в рамках дисциплины образовательной программы.

Похожие материалы

· Оценка стойкости деталей пожарных насосов к износу

· Исследование абразивной износостойкости металла лопаток смесителя -- пневмонагнетателя «СО 241»

· Разработка программы согласования и регистрации заявок подразделений в системе Directum средствами языка Is-Builder Language

· Облачные CRM системы как замена традиционных CRM систем

· Держатель пуансона пресс-формы для изготовления приводного ролика

Одной из важнейших задач современной вышей школы является формирование у студентов способности не только решать типовые задачи известными способами, но и решать нестандартные задачи, поставленные в необычной форме, требующие умения комбинировать известные методы и даже их усовершенствовать, подчас поднимаясь на методологический уровень [5]. К сожалению, бухгалтерский подход к универсализации образования с начальной до высшей школы, ведёт к вымыванию именно таких образовательных технологий, которые направлены на формирование умения рассуждать и применять инженерный подход [7, 9], поскольку преподаватель не имеет времени на обучение студентов разного уровня подготовленности и мотивации по разным методикам в рамках одной дисциплины, что ведёт к выстраиванию уровня дисциплины под троечников для того, чтобы вуз мог уложиться в нормы отчислений и другие подобные бюрократические показатели, которые созданы, видимо, для уничтожения всего отечественного образования как явления.

Но несмотря на, мягко говоря, странную политику в отношении отрасли, задач по подготовке квалифицированных специалистов с преподавателя никто не снимает. Требования к выпускникам диктует рынок труда, который безотносителен к фантазиям чиновников и возможностям вузов. Поэтому преподаватели вынуждены искать способы формировать у студентов компетенции не только на уровне «эффективных менеджеров», но и развивать способности к решению нестандартных инженерных и близких к научным задач. Перспективным в этом направлении представляется подход к дифференциации студентов и формированию учебного материала разных уровней [16]. Однако такой подход требует от преподавателя двойной работы: со средними и с хорошо успевающими студентами, что в силу его высокой загруженности, зачастую просто невозможно [20]. Выход видится в использовании современных систем дистанционного образования и специальных образовательных технологий в качестве инструментария для реализации данного подхода. moodle дистанционный обучение

В настоящей статье как раз описан подход к формированию такой образовательной технологии, которая в идеале позволит применять дифференцированный подход к студенту для формирования профессиональных компетенций на продвинутом уровне.

Концепция Data Mining

Как известно, основную идею Data Mining отражает концепция шаблонов, отражающих фрагменты многоаспектных взаимоотношений, присущих данным и служащим для выявления зависимостей и закономерностей, присущих подвыборкам данных, пригодных для представления в удобной для понимания форме. Используются разнообразные методы для поиска этих шаблонов, причём их особенностью является то, что они не ограничены представлениями о структуре выборки и виде распределений значений её показателей [3, 21].

Краеугольными камнями в основе Data Mining, являются классификация, моделирование и прогнозирование, опирающиеся на применение таких методов как: деревья решений, нейронные сети, генетические алгоритмы, эволюционное программирование, нечёткая логика и т.д. К методам Data Mining зачастую также относят и некоторые статистические методы, например, дескриптивный анализ, корреляционный и регрессионный анализ, факторный анализ, дисперсионный анализ, компонентный анализ, дискриминантный анализ, анализ временных рядов, анализ выживаемости, анализ связей и прочие [18].

Приняты следующие стандартные типы закономерностей, которые позволяют выявлять методы Data Mining:

· ассоциация;

· последовательность;

· классификация;

· кластеризация;

· прогнозирование.

Ассоциация определяет степень взаимосвязи нескольких событий между собой. Последовательность определяет связь между событиями по принципу детерминации, т.е. какое событие предшествует какому. Классификация -- выявление определённого набора характеристик, определяющих группу, к которой принадлежит рассматриваемый объект, посредством обучения на примере ранее прошедших этап классификации объектах и определение правил для таких групп. Кластеризация в отличие от классификации предполагает отнесение не к готовым группам, а формирование новых. Прогнозирование предполагает обнаружение или разработку шаблонов, адекватно отражающих динамику поведения целевых показателей с течением времени, чтобы на их основе предсказать их значения в будущем.

Рис. 1 Связь закономерностей, формируемых Data mining

Подход к исследованию, заложенный в Data mining является очень популярным методом обработки данных и применяется, главным образом, при обработке больших массивов данных, например, в веб-среде.

Для студентов специальностей и направлений обучения, связанных с информационными технологиями и обработкой информации концепция Data mining должна быть знакома, а лучше сформировать базовый уровень знаний по данной проблематике, особенно, если речь идёт о магистрантах или аспирантах. По этой причине имеет смысл рассмотреть возможности для использования концепции Data mining в качестве методологии учебного исследования.

Рассмотрим подходы к организации исследовательской деятельности учащихся на основе концепции Data Mining.

Организация учебного исследования и Data mining

Учебное исследование -- это целенаправленный поиск знаний о некотором известном мире объекте или явлении, т.е. по сути дескриптивное, описательное направление системного анализа. Результат исследования невозможно запланировать, поэтому его цель формируется как формирование данных, суждений [10]. В рамках исследования конкретная практическая значимость полученных знаний имеет меньший приоритет по отношению к их новизне.

Следовательно, исследовательская деятельность учащихся -- образовательная технология, построенная на фундаменте учебного исследования, нацеленная на решение учебных исследовательских задач с пока неизвестным решением, служащая для формирования представлении об объекте и явлении окружающего мира, выполняющаяся под руководством специалиста [6, 19].

В общем виде учебное исследование представимо в виде совокупности стадий: постановки задачи, поиска и обобщения полученных сведений за счёт. Классическое описание учебного исследования приведено в таблице 1.

Таблица 1. Работы студента при выполнении учебного исследования

Основные этапы учебного исследования, такие как постановка задачи и научный поиск могут быть выполнены с использованием методов Data Mining. А на этапе анализа и представления результатов при выработке решения можно использовать прогнозирование из Data Mining.

Составим алгоритм организации учебного проекта на основе Data Mining.

Таблица 2. Связь этапов учебного исследования с Data mining

Достоинства использования методов Data Mining для организации учебного исследования:

· студенты постепенно осваивают сложную технологию на реальном примере;

· ход учебного исследования укладывается в определённый шаблон;

· формируется критерий эффективности исследования;

· студент не просто знакомится с одним из методов Data Mining, но вынужден учиться её эффективно применять;

· студент формирует системное мышление;

· студент формирует навыки постановки задачи и представление результатов.

Сфера применения учебных исследований:

· дополнительное самостоятельное задание для студентов, претендующих на отличную оценку;

· задание для соискателя должности системного аналитика, постановщика задач и других;

· замена классическому курсовому проекту по дисциплинам, в результате которых нет смысла разрабатывать продукт;

· задание для магистрантов или аспирантов;

· замена выпускной квалификационной работы для бакалавров и магистров по направлениям обучения, в которых специалисты не занимаются разработкой продукта.

Использование подобного подхода работает на основание именно творческих и инженерных компетенций студента, поскольку стимулирует его к самостоятельному поиску решений. При этом решается одна из проблем управления преподавательским составом, связанная с непрозрачностью деятельности преподавателя [13], поскольку появляется метод формализации по некоторым признакам (например, по этапам) творческого исследовательского процесса. Это позволяет администрации, с одной стороны, лучше понимать, как устроен процесс освоения компетенции, а с другой, преподавателю обеспечит защиту от обвинений в предвзятости за счёт наличия верифицируемой методики.

Важнейшим компонентом учебного исследования студента является его оценка, которая должна отражать его вклад, значимость полученных результатов, корректность использования методов и другие аспекты. Для формирования такой оценки построим частную квалиметрию учебного исследования средствами СДО Moodle [1, 8, 17].

Построение оценочной квалиметрии учебного исследования в СДО Moodle

Для начала определим целевую аудиторию учебных исследований. Очевидно, что такой вид учебного задания в рамках самостоятельной работы студента целесообразно предлагать только бакалаврам, имеющих высокую мотивацию и ожидания относительно итоговой оценки, либо всем студентам высоких ступеней обучения -- магистрантам или аспирантам. Причины такого подхода достаточно понятны: сложные методы поиска данных для недостаточно подготовленных студентов могут стать непреодолимым барьером для успешной аттестации по изучаемой дисциплине. Кроме того, подобное исследование хорошо впишется в дисциплину, связанную с изучением проектирования или обработки данных, но может выглядеть неуместно в составе дисциплины по основам программирования.

Теперь рассмотрим вопрос применения предлагаемой образовательной технологии. Понятно, что классический подход на основе чисто индивидуального взаимодействия преподавателя и студента в рамках этой технологии вполне реализуем. Однако если она встроена в рамки существующей дисциплины, то возникает вопрос о соотношении результатов, полученных студентом при её применении, с прочими видами учебных задач, которые он должен был решать, чтобы сформировать компетенции, ассоциированные с дисциплиной. Иными словами следует определить ценность учебного исследования для формирования компетенций дисциплины и соотнести её с ценностью иных элементов дисциплины для формирования сбалансированной модели оценки результатов освоения компетенций студентом. Для решения этой задачи построим квалиметрическую модель [11, 14, 15], т.е. сформируем критерии для оценки учебного исследования.

Сначала определим вес учебного исследования в рамках дисциплины. Предлагается привязать долю баллов, выделяемых на оценку данного вида учебной деятельности студента по двум параметрам: объём времени на дисциплину в зачётных единицах и качество компетенций, формируемых ею.

Сформируем шкалы для оценки показателя выбранный показателей.

Таблица 3. Шкала оценки для показателя «объём времени»

Таблица 4. Шкала оценки для показателя «качество компетенций»

Оценка из таблиц 3 и 4 при перемножении формирует некоторый показатель от 0 до 1, который рекомендуется умножить на 40 для 100-балльной шкалы оценки. Таким образом, для дисциплины в 5 з.е. с высоким влиянием на основные компетенции можно получить 0,8*0,8*40 » 26 баллов из 100. Для простоты сформируем формулу для оценки числа баллов на научное исследование (S_R):

S_R = P_V*P_Q*40, (1)

где P_V -- оценка по показателю «объём времени»; P_Q -- оценка по показателю «качество компетенций».

Здесь следует особо отметить, что любой преподаватель может предложить свой подход к определению объёма баллов на учебное исследование студента. В данной статье лишь предлагается конкретный практический подход в качестве иллюстрации того, каким образом это можно сделать.

После определения общего объёма баллов, выделяемого в рамках дисциплины на учебное исследование, необходимо сформировать шкалу для начисления этих баллов в рейтинг студента. Существует два основных подхода к решению данной задачи: прямое оценивание преподавателем по пятибалльной шкале и вычисление оценки. Первый подход банален и состоит в том, чтобы определить сколько конкретно баллов в рейтинг получит студент за оценку «хорошо» и «удовлетворительно», при условии, что за «отлично» он получит максимум, а за «неудовлетворительно» -- минимум.

Второй подход более гибок и точен, но он требует использования технических средств. Рассмотрим подход к реализации технологии организации, проведения и оценивания результатов учебного исследования с использованием, например, СДО Moodle [12].

Сначала определим контрольные точки проекта исследования, их вес и вес в оценке конечного результата исследования. Активность в ходе исследования и качество результата для простоты оценим поровну.

Активность в исследовании подразумевает следование некоторому расписанию проекта, выполнение в срок определённых этапов. В нашем случае мы определи 3 основных этапа: постановка задачи, во время которого студент должен определить объекты в системе, связи между ними и направление этих связей; поиск решения, при котором студент определяет сходства между объектами, классифицирует их и строит простейшие модели, позволяющие понять принципы работы системы; получение и обобщение результатов проекта, в ходе чего студент формализует полученные ранее модели, строит в форме выводов предположение о закономерностях работы системы, формирует прогноз её функционирования и на основе прогноза предлагает решение поставленной ранее проблемы.

Строго говоря, число этапов можно сделать любым за счёт рассмотрения каждого действия как отельный этап. Рассмотрим самый простой подход -- выделение трёх этапов. При таком подходе нужно разделить выделенные на оценку активности баллы на три части с учётом весовых коэффициентов. Примем вариант, показанный в таблице 5.

Таблица 5. Шкала оценки активности студентов

Очевидно, что для реального N можно получить конкретные значения в баллах для рейтинга. Например, если на исследование выделено N = 24 балла, то получим 6, 4 и 2 балла на оценку за соответствующие этапы. Задачей преподавателя станет сформировать критерии для назначения баллов по каждому испытанию.

Наконец, следует оценить финальный результат исследования, который должен иметь некоторое материальное воплощение: статья, пояснительная записка к проекту, критическая рецензия, математическое доказательство некоторого утверждения и т.д. Здесь очень сложно давать рекомендации без привязки к конкретике исследования, хотя работ на данную тему очень много (см. например [2, 4] и др.). Поэтому, на основе многочисленных работ различных исследователей, выделим самые важные аспекты исследования:

· уровень освоения компетенции -- уровень умений и навыков, сформированных и продемонстрированных в результате исследования;

· степень новизны и оригинальности предложенного решения;

· достоверность результатов, характеризующаяся числом ошибок, последовательностью выводов, качеством представленных обоснований;

· полнота исследования, демонстрирующая диапазон использованных методов и подходов, которые были рассмотрена исследователем;

· качество оформления -- как уровень аккуратности, продемонстрированный студентом.

Построим таблицу шкалы оценки (таблица 6).

Таблица 6. Шкала оценки результата исследования

Аналогично, подставив вместо N некоторое конкретное значение, получим конкретное значение для верхних границ по каждому показателю.

В СДО Moodle шкала оценки учебного исследования будет выглядеть следующим образом (см. рис. 2).

Рисунок 2. Пример оценки учебного исследования с помощью СДО Moodle

Таким образом, используя предложенный подход, можно обеспечить реализацию учебного исследования в рамках дисциплины с применением инструментария системы дистанционного обучения.

Реализация высшей школой своих базовых целей -- развитие общества и технологий, возможна только при условии формирования у студентов творческого подхода. Для реализации данной функции можно использовать различные инструменты, подходы и технологии, в число которых, как отмечено исследователями, входит учебное исследование. Анализ показал, что в качестве основы для структуры исследования можно использовать концепцию Data Mining, которая предоставляет средства для мягкой формализации процесса, не создавая жёсткие ограничения для работы преподавателя и студента. С целью встраивания учебного исследования в учебную дисциплину в виде курсовой, рассчётно-графической, творческой, научно-исследовательской работы или в иной форме, сформирован подход к определению общего объёма баллов в рамках рейтинга и структуры баллов, получаемых студентов за участие в исследовании. В качестве инструмента для технической поддержки методики учебного исследования предложена система дистанционного обучения, например, Moodle.

Проведённые рассуждения и опыт применения показали жизнеспособность предложенной методики и её пригодность для выявления активных и творческих студентов. Кроме того, методика позволяет вовлекать наиболее талантливых студентов в локальные общественно значимые проекты, связанные, например, с автоматизацией процессов вуза, решением конкретных научных или творческих задач и т.д. При этом, благодаря использованию СДО, затраты времени преподавателя возрастают некритично.

В дальнейшем планируется продолжать цикл статей о возможностях использования современных СДО для повышения качества труда преподавателя.

Список литературы

1. Анисимов А.М. Работа в системе дистанционного обучения Moodle. Учебное пособие. 2-е изд. - Харьков: ХНАГХ, 2009. - 292 с.

2. Анкудинова Т.В. Методика исследовательской работы: учебно-методический комплекс. - Горно-Алтайск: РИО ГАГУ, 2009. - 31 с.

3. Барсегян А.А. Куприянов М.С. Степаненко В.В. и др. Методы и модели анализа данных: OLAP и Data Mining. - 2-е изд. - СПб.: БХВ-Петербург, 2010. - 384 с.

4. Баскаков А. Я., Туленков Н. В. Методология научного исследования: Учеб. пособие. - Киев, 2004. - 216 с.

5. Бордовская Н. В. Педагогика: учебное пособие / Н. В. Бордовская, А. А. Реан. - СПб.: Питер, 2006. - 304 с.

6. Васильев В. Проектно-исследователькая технология: развитие мотивации // Народное образование. - 2008. №9. - С. 177-180.

7. Выжигин А.Ю. Мотивация совершенствования инновационной деятельности педагогических кадров // Ученый совет. - 2016. № 2. С. 44-49.

8. Гильмутдинов А.Х., Ибрагимов Р.А., Цивильский И.В. Электронное образование на платформе Moodle. Казань: КГУ, 2008. - 169 с.

9. Григораш О.В. О реформах и перспективах развития системы образования в России // Ректор вуза. - 2017. № 1. С. 26-35.

10. Евдокимов А.К. Этапы становления молодого исследователя. Новые возможности организации студенческой научно-исследовательской работы // Труды Научно-методического семинара «Наука в школе» - М.: НТА «АПФН», 2003. т.1. - С. 82-83.

11. Конев К.А. Объективная и полная квалиметрия как инструмент менеджмента качества // Методы менеджмента качества. - 2014. № 12. С. 32-39.

12. Конев К.А. Практика применения компетентностного подхода в электронном обучении с использованием Moodle // Качество. Инновации. Образование. 2013. № 9. С. 37-43.

13. Конев К.А. Совершенствование функции управления выпускающей кафедры // М.: Методы менеджмента качества № 3, 2009. С. 26-30.

14. Конев К.А. Формирование квалиметрической модели дисциплины // Труды Международной научно-практической конференции - ИНФОРИНО-2016. 2016. С. 588-591.

15. Куликов Г.Г., Конев К.А., Суворова В.А., Старцев Г.В. Формирование показателей критериев для автоматизированного расчета и мониторинга рейтинга преподавателя в едином информационном пространстве кафедры // Вестник УГАТУ. 2010. T. 14, № 4. С. 175-184.

16. Куликов Г.Г, Конев К.А., Шилина М.А., Попкова Е.Е. Формирование учебно-методического контента для распределенной организации обучения студентов филиала вуза на примере профиля «Прикладная информатика в экономике» // Вестник УГАТУ, 2011. Т. 15, № 2 (42). - С. 204-214.

17. Официальный сайт сообщества Moodle [Электронный ресурс] - http:// moodle.org/.

18. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям. - СПб.: Изд. Питер, 2009. - 624 с.

19. Поливанова К.Н. Проектная деятельность школьников: пособие для учителя / К.Н. Поливанова. - 2-е изд. - М.: Просвещение, 2011. - 192 с.

20. Старцев Г.В., Конев К.А., Шилина М.А. Информационно-аналитическая система управления учебно-методическими процессами с использованием СДО Moodle: монография / УГАТУ, 2016. - 141 с.

21. Чубукова И.А. Data Mining. - М.: Бином, 2006. - 324 с.

Размещено на Allbest.ru