Анализ методов интеллектального анализа данных в электронном образовании

Размещено на http://www.allbest.ru/

Анализ методов интеллектального анализа данных в электронном образовании

Самаркандский филиал Ташкентского университета информационных технологий имени Мухаммада ал-Хорезми, Самарканд, Узбекистан

Аннотация

В данной статье обосновывается актуальность использования методов интеллектуального анализа данных для поддержки управления в электронном образовании процессе. Детально излагаются основные методы интеллектуального анализа данных в рамках электронного образования, а также представлен обзор основных научных работ, посвященных этому направлению. Приведенные методы могут оказаться полезными в системах поддержки принятия решений на всех уровнях управления образовательным процессом. электронное образование управление интеллектуальный

Ключевые слова: интеллектуальный анализ данных, образовательный процесс, электронное образование, метод, прогнозирование, анализ образовательных данных.

ВВЕДЕНИЕ

В различных образовательных контекстах были использованы разнообразные методы интеллектуального анализа данных. Главная цель этих методов - преобразование данных в информацию, которая имела бы значение для образовательного процесса, а также поиск закономерностей для принятия наилучших решений в данной области. Процесс анализа данных включает следующие этапы: предварительная обработка данных, выявление закономерностей с использованием различных методов анализа данных, проверка найденных закономерностей, применение этих закономерностей для прогнозирования будущих событий в сфере обучения и использование полученных прогнозов при принятии решений и формировании образовательной политики.

В данном исследовании были проанализированы статьи, содержащие доказательную и экспериментальную базу по наиболее актуальным вопросам, касающимся применения методов интеллектуального анализа данных в системе электронного обучения.

В статье [1] аргументирована актуальность применения методов интеллектуального анализа данных в образовательном процессе с целью поддержки принятия решений по его управлению. В работе предлагается программное приложение, которое обеспечивает проведение анализа данных с использованием сложных алгоритмов классификации.

В работе [2] авторы предлагают ряд методов интеллектуального анализа образовательных данных для оценки учебного поведения студентов в системе электронного обучения. Они включают кластерный анализ, направленный на определение наиболее популярного временного порога выполнения задания за один сеанс работы, анализ и визуализацию данных для выделения основных параметров, способствующих эффективному прохождению курсов, а также V-кратную перекрестную проверку с применением статистической обработки, позволяющую группировать студентов по основным показателям их деятельности для определения зависимости между высоким процентом активности и успеваемостью. Анализ показал возможность оптимизации навигации по курсу и времени, затрачиваемого на выполнение заданий, при наличии информации о важных инструментах электронного обучения.

В статье [3] рассматриваются методы анализа образовательных данных и их отличия от методов интеллектуального анализа данных. Также анализируются направления применения анализа образовательных данных и преимущества, которые он дает всем участникам образовательного процесса.

В работе [4] рассмотрены различные методы анализа данных об успеваемости студентов. Основное внимание уделено прогнозированию академических достижений студентов по программам бакалавриата, а также изучению типичных прогрессий учащихся и их объединению с результатами прогнозирования. Для прогнозирования было использовано около 10 алгоритмов классификации.

Целью работы [5] является разработка основ технологии самооптимизации программных систем в составе e-learning. Она основывается на сформулированном и формализованном принципе рефлексивной адаптации программного обеспечения, применимого к широкому классу программных систем и основанного на выявлении новых знаний в поведенческой продукции системы.

В статье [6] рассмотрены особенности применения инструментов интеллектуального анализа данных и машинного обучения к небольшим наборам данных. Эта работа не является обзором популярных методов машинного обучения и интеллектуального анализа данных, однако собранный и представленный материал поможет читателю достичь удовлетворительных результатов при применении описанных вычислительных методов.

Согласно исследованию [10], в современной литературе по психологии и педагогике, особое внимание уделяется выявлению факторов, которые влияют на успех студентов в учебе. Для анализа влияния исследуемых параметров на успеваемость, применяются статистические методы. Однако выводы, полученные в результате такого анализа, часто сталкиваются с проблемами, так как результаты тестирования конкретной выборки студентов оказываются неприменимыми даже для отдельных студентов этой же выборки. Такая ситуация требует выявления возможных факторов, которые ограничивают достоверность исследований, а также необходимости обратить внимание на специфику данных, подлежащих анализу, и объем выборок из общей совокупности, на которых этот анализ будет проводиться.

В статье [11] рассмотрены технологии Data Mining и отмечены основные этапы обработки данных. Представлена архитектура Data Mining и показаны основные методы. Сосредоточены на основных задачах Data Mining. Были оценены основные инструменты технологий Data Mining.

В данной статье проанализируем методы интеллектуального анализа данных в системе электронного обучения. Мы также обсудим примеры их применения и потенциальные преимущества, которые они могут принести в образовательную среду.

Анализ образовательных данных может помочь выявить проблемы и найти решения для улучшения успеваемости и процесса обучения. Это может быть использовано для прогнозирования успеваемости студентов, моделирования и понимания их поведения и стиля обучения, а также для выявления групп студентов на основе результатов и процесса их обучения.

Кроме того, анализ данных может помочь визуализировать сложные и многомерные данные, что позволяет понять структуру и найти скрытые зависимости. Это может быть полезно для организации образовательного контента, планирования и составления расписания, а также в разработке персонализированных рекомендаций для студентов.

Анализ социальных сетей также может быть использован для изучения взаимоотношений между студентами и преподавателями, а также студентами между собой. Это может помочь в создании благоприятной обучающей среды и выявлении проблем, которые могут влиять на успеваемость.

Наконец, анализ образовательных данных может также помочь выявить скрытые проблемы в успеваемости. Путем анализа поведения студентов при взаимодействии с учебными материалами можно выявить проблемы в обучении, отсутствии мотивации и попытках обмануть систему обучения.

ОСНОВНАЯ ЧАСТЬ

В целом, анализ образовательных данных является мощным инструментом, который может помочь преподавателям и студентам улучшить процесс обучения и достичь лучших результатов. Существует множество методов и алгоритмов интеллектуального анализа данных. Рассмотрим особенности этих методов и применение этих методов.

1. Искусственные нейронные сети

Особенности: Имитируют работу человеческого мозга, состоят из нейронов, обрабатывающих входные данные и передающих сигналы.Начало формы

Применение: Решение задач классификации и прогнозирования.

2. Дерево решений

Особенности: Используется для классификации, прогнозирования и описания важных признаков.

Применение: Разделение данных на основе вопросов и принятие решений.

3. Метод ближайшего соседа и k-ближайшего соседа

Особенности: Основаны на близости между объектами данных.

Применение: Классификация и кластеризация на основе близости объектов.

4. Метод опорных векторов

Особенности: Находит разделяющую гиперплоскость максимальной ширины между двумя классами данных.

Применение: Классификация и регрессия.

5. Байесовские сети

Особенности: Моделируют вероятностные отношения между переменными.

Применение: Прогнозирование и выявление взаимосвязей.

6. Линейная регрессия

Особенности: Предсказывает зависимость одной переменной от другой или нескольких других переменных.

Применение: Прогнозирование и анализ задач регрессии.

7. Корреляционно-регрессионный анализ

Особенности: Изучает зависимость между переменными.

Применение: Анализ и прогнозирование.

8. Иерархические и неиерархические методы кластерного анализа:

Особенности: Группировка объектов данных в соответствии с их сходством.

Применение: Классификация и выявление структуры данных.

9. Методы поиска ассоциативных правил

Особенности: Используются для поиска взаимосвязей между переменными или объектами данных.

Применение: Нахождение ассоциаций в данных, например, с использованием алгоритма Apriori.

10. Эволюционное программирование и генетические алгоритмы

Особенности: Моделируют эволюцию и процессы отбора в натуре.

Применение: Оптимизация и поиск наилучших решений.

11. Метод ограниченного перебора

Особенности: Применяется для решения задач комбинаторной оптимизации.

Применение: Выбор наилучшего варианта из конечного множества возможных вариантов.

12. Методы визуализации данных

Особенности: Представление данных в графическом формате для облегчения понимания и анализа.

Применение: Визуализация данных для выявления закономерностей и понимания структуры данных.

Рассмотрим особенности применения некоторых методов в образовательных целях в электронном образовании.

Искусственные нейронные сети. Применение нейронных сетей в обучении действительно открывает широкие возможности для инновационных методов обработки информации. Вот несколько способов, как нейросети могут быть использованы в образовательных целях:

· обработка текстовой информации.

· автоматическая оценка эссе и ответов на вопросы.

· генерация автоматических обратных связей и рекомендаций по улучшению навыков письма.

· гаспознавание и анализ текстовых данных для предоставления персонализированных обучающих материалов.

· обработка звуковой информации:

· распознавание речи для автоматического оценивания уровня навыков устной коммуникации.

· создание персонализированных аудиозаданий или обучающих программ, учитывая индивидуальные особенности произношения.

· обработка графической информации:

· автоматическое оценивание рисунков и графических работ.

· распознавание образов для создания интерактивных образовательных материалов.

· обработка видеоинформации:

· анализ поведения студента во время обучения.

· предоставление обратной связи на основе визуального анализа в процессе выполнения заданий.

· создание персонализированных программ обучения:

· использование данных обучения для создания индивидуальных курсов или уроков.

· адаптация темпа обучения в зависимости от уровня понимания студента.

· анализ индивидуальных проблем студента:

· использование данных обучения для выявления слабых мест и предоставления дополнительных ресурсов по необходимости.

· создание специальных задач:

· автоматическое формирование индивидуальных задач, направленных на решение конкретных проблем студента.

Эти подходы позволяют преподавателям и образовательным программам предоставлять более эффективные и персонализированные методы обучения, что может способствовать более успешному усвоению материала студентами.

Прогнозирование. Прогнозирование в контексте машинного обучения представляет собой процесс создания модели на основе обучающих данных, чтобы предсказывать значения целевой переменной для новых данных. В зависимости от типа целевой переменной применяются различные методы.

Регрессия используется, когда целевая переменная представляет собой непрерывное числовое значение. Например, используя данные о количестве часов, затраченных на учебу, итоговая оценка может быть предсказана с использованием регрессионных моделей, таких как линейная регрессия.

Классификация. Классификация применяется, когда целевая переменная является категориальной, то есть принимает ограниченное количество классов или меток. Процесс обучения модели включает в себя выбор алгоритма, определение признаков (независимых переменных), подготовку данных, обучение модели и оценку ее эффективности на новых данных. После обучения модель может использоваться для прогнозирования значений целевой переменной для новых данных, которые не были частью обучающего набора.

Обнаружение структуры в данных. Алгоритмы обнаружения структуры в данных направлены на выявление закономерностей, групп, или кластеров в данных без предварительных знаний о структуре.

ЗАКЛЮЧЕНИЕ

Подходы интеллектуального анализа данных демонстрируют результативность и эффективность в существующих системах электронного обучения. Отличительной особенностью традиционных систем электронного обучения является их основа на запросах без использования интеллектуальных или эвристических данных. Поэтому в разработанную систему электронного обучения для поиска кластеров в образовательных данных нужно включать надежные подходы к интеллектуальному анализу данных. Методы интеллектуального анализа данных эффективно работают с большими объемами данных, что делает системы образования надежными и способными решать междисциплинарные задачи, связанные с эмоциональным обучением и электронным обучением. Для дальнейших исследований подходы к интеллектуальному анализу данных могут быть улучшены путем повышения их чувствительности к генерации знаний и осуществления более объективной помощи студентам. Большие и реальные наборы данных могут быть созданы для анализа поведения разработанных подходов интеллектуального анализа данных.

Использование разнообразных методов интеллектуального анализа данных в образовательных целях может значительно улучшить процесс обучения и помочь в принятии обоснованных решений на основе имеющейся информации.

Использование методов интеллектуального анализа данных в электронном образовании предоставляет значительные преимущества для управления образовательным процессом. Актуальность этого подхода обусловлена растущим объемом данных, генерируемых в электронном образовании, и необходимостью эффективного их использования для улучшения качества обучения и управления образовательными программами.

Основные методы интеллектуального анализа данных в электронном образовании включают в себя:

· анализ данных о посещаемости и активности студентов: методы кластерного анализ могут использоваться для выявления групп студентов с похожими образовательными целями.

· классификация может помочь предсказать успешность студентов и предоставить рекомендации для тех, кто сталкивается с трудностями.

· использование машинного обучения для прогнозирования успеваемости:

· модели машинного обучения, такие как регрессия и классификация, могут быть применены для прогнозирования успеха студентов на основе их предыдущих результатов, активности и других параметров.

· методы ассоциативного анализа могут помочь выявить связи между определенными методами обучения и успешностью студентов, что может привести к оптимизации образовательных программ.

· Персонализированное обучение: Использование рекомендательных систем и алгоритмов совместной фильтрации для предоставления персонализированных материалов и ресурсов для студентов.

· мониторинг и анализ обратной связи: Использование анализа и обработки естественного языка для анализа обратной связи студентов и преподавателей, что может помочь в улучшении качества образовательного процесса.

Обзор основных научных работ в данной области позволяет увидеть тенденции развития и определить наиболее эффективные методы и подходы. Системы поддержки принятия решений, основанные на этих методах, могут быть внедрены на всех уровнях управления образовательным процессом -- от принятия решений на уровне учебных программ до адаптации подходов к индивидуальным потребностям студентов.

В целом, использование методов интеллектуального анализа данных в электронном образовании не только повышает эффективность управления, но также способствует инновационному развитию образовательных систем, делая их более адаптивными и ориентированными на потребности обучающихся.

ЛИТEРАТУРА

[1] Горлушкина Н.Н., Коцюба И.Ю., Хлопотов М.В. Задачи и методы интеллектуального анализа образовательных данных для поддержки принятия решений // ОТО. 2015. №1.

[2] (Гущина О.М., Очеповский А.В. Интеллектуальный анализ данных в изучении учебного поведения студентов в системе электронного обучения. Виртуальное моделирование, прототипирование и промышленный дизайн// Материалы VI Международной научно-практической конференции. Том 2, Выпуск 6. 2020, Издательство: Тамбовский государственный технический университет)

[3] Белоножко П.П., Карпенко А.П., Храмов Д.А. Анализ образовательных данных: направления и перспективы применения // Интернет-журнал «НАУКОВЕДЕНИЕ» Том 9, №4 (2017)

[4] Н. А. Попова, Е. С. Егорова, Интеллектуальный анализ образовательных данных для прогноза успеваемости студентов вуза, Известия Кабардино-Балкарского научного центра РАН, 2023, выпуск 2, 18-29

[5] Бождай А.С., Евсеева Ю.И., Гудков А.А. Применение методов интеллектуального анализа данных для реализации рефлексивной адаптации в системах e-learning. Открытое образование. 2017;(4):13-20.

[6] Аныш Х. Применение инструментов машинного обучения и интеллектуальный анализ данных в отношении баз данных с небольшим количеством записей. Advanced Engineering Research (Rostov-on-Don). 2021;21(4):346-363.

[7] F. Matsebula, E. Mnkandla, “A big data architecture for learning analytics in higher education,” IEEE africon: Science, Technology and Innovation for Africa, pp. 951-956, 2017.

[8] J. F. H. Barril, Q. Tan, “Integrating privacy in architecture design of student information system for big data analytics,” IEEE Conference on Cloud Computing and Big Data Analysis, pp. 139-144, 2017.

[9] Якубжанова Д.К., Ахмеджонов А.Р. Роль дистанционного обучения в повышении качества образования в вузах // Science Time. 2016. №2 (26). 23).

[10] Сосницкий В.Н., Потанин Н.И., Шевелева Л.В. Проблемы статистического анализа средней успеваемости студентов. // Фундаментальные исследования. 2013. № 10-2. С. 316-320.

[11] Ли С. Модели, методы и алгоритмы больших данных и интеллектуальный анализ данных // Актуальные исследования. 2022. №30 (109). С. 17-20. URL: https://apni.ru/article/4418-modeli-metodi-i-algoritmi-bolshikh-dannikh (дата обращения: 28.11.2023)

Размещено на Allbest.ru