Preview

Информатика и образование

Расширенный поиск

Интеллектуальный анализ образовательных результатов студентов университета с использованием LMS Moodle

https://doi.org/10.32517/0234-0453-2024-39-3-16-28

Аннотация

Интеллектуальный анализ образовательных данных представляет собой технологию обработки больших объемов информации, собранной с помощью образовательных порталов, для оценки качества учебного контента и прогнозирования образовательных результатов. При использовании данной технологии применяются различные методы анализа данных: поиск аномалий и ассоциаций, классификация, кластерный, регрессионный и факторный анализ. Каждый из этих методов использует специальные инструменты, такие как электронные таблицы, высокоуровневые языки программирования (Python или R), аналитические low-code платформы (Loginom, Orange) или специализированные модули аналитики, внедренные в образовательные порталы. В статье раскрываются возможности модуля «Аналитика», встроенного в LMS Moodle, для отслеживания и оптимизации образовательного процесса. Авторы дают рекомендации по настройке и использованию этого модуля в учебном процессе. Модуль «Аналитика» позволяет без навыков программирования создавать прогнозы успешности освоения отдельного учебного курса, не требует предобработки данных для анализа и дает возможность быстро принимать меры по совершенствованию учебного процесса на основе результатов прогноза. Однако модуль имеет и ряд недостатков (ограниченность признаков и моделей прогнозирования, высокие требования к вычислительным мощностям для запуска обучения моделей и построения прогнозов), поэтому администраторы образовательных порталов часто отключают его. В связи с этим был проведен эксперимент по обучению модели классификации для предсказания экзаменационных оценок студентов на основе деятельности обучающихся на образовательном портале МГТУ им. Г. И. Носова. В ходе эксперимента были взяты данные об активности студентов на образовательном портале университета за один учебный год, построены модели машинного обучения для предсказания экзаменационной оценки по отдельному студенту и предмету. Результаты эксперимента показали, что точность предсказания оценки студента на промежуточной аттестации (по метрике F1) составляет 74 %. Это подтверждает эффективность использования учебной аналитики на основе данных пользователей образовательных платформ.

Об авторах

Е. В. Карманова
Магнитогорский государственный технический университет им. Г. И. Носова
Россия

Екатерина Владимировна Карманова, канд. пед. наук, доцент, доцент кафедры

Институт энергетики и автоматизирован­ных систем; кафедра бизнес­информатики и информационных технологий 

Челябинская область; Магнитогорск 



Я. М. Захарова
Магнитогорский государственный технический университет им. Г. И. Носова
Россия

Яна Михайловна Захарова, ассистент

Институт экономики и управления; кафедра менеджмента и государственного управления

Челябинская область; Магнитогорск 



А. В. Киселев
Магнитогорский государственный технический университет им. Г. И. Носова
Россия

Андрей Викторович Киселев, магистрант направления «Прикладная информатика», профиль «Технологии Data Sci­ence»

Институт энергетики и автоматизированных систем; кафедра бизнес­информатики и информационных тех­нологий

Челябинская область; Магнитогорск 



Список литературы

1. Тербушева Е. А. Методика обучения интеллектуальному анализу образовательных данных студентов педагогического вуза. Открытое образование. 2019;23(3):14–24. EDN: TJCZTW. DOI: 10.21686/1818-4243-2019-3-14-24.

2. Баранова Е. В., Верещагина Н. О., Швецов Г. В. Цифровые инструменты для анализа учебной деятельности студентов. Известия Российского государственного педагогического университета им. А. И. Герцена. 2020;(198):56–65. EDN: AXDDPU. DOI: 10.33910/1992-6464-2020-198-56-65.

3. Вилкова К. А., Захарова У. С. Учебная аналитика в традиционном образовании: ее роль и результаты. Университетское управление: практика и анализ. 2020;24(3):59–76. EDN: LZRMLY. DOI: 10.15826/umpa.2020.03.026.

4. Nammakhunt A., Porouhan P., Premchaiswadi W. Creating and collecting e­learning event logs to analyze learning behavior of students through process mining. International Journal of Information and Education Technology. 2023;13(2):211–222. DOI: 10.18178/ijiet.2023.13.2.1798.

5. Sun W., Hong J.­C., Dong Y., Huang Y., Fu Q. Self­directed learning predicts online learning engagement in higher education mediated by perceived value of knowing learning goals. Asia­Pacific Education Researcher. 2023;32:307–316. DOI: 10.1007/s40299-022-00653-6.

6. Toradmal M. B., Mehta M., Mehendale S. Machine learning approaches for educational data mining. Inventive Systems and Control. Lecture Notes in Networks and Systems. Singapore, Springer Nature Singapore; 2023;672:737–748. DOI: 10.1007/978-981-99-1624-5_55.

7. Arora S., Agarwal M., Kawatra R. Prediction of educationist’s performance using regression model. Proc. 7<sup>th</sup> Int. Conf. on Computing for Sustainable Global Development (INDIACom­2020). New Delhi, India, Institute of Electrical and Electronics Engineers Inc.; 2020;88–93. DOI: 10.23919/INDIACom49435.2020.9083708.

8. Ширинкина Е. В. Методы интеллектуального анализа данных и образовательной аналитики. Современное образование. 2022;(1):51–67. EDN: DINNOW. DOI: 10.25136/2409-8736.2022.1.37582.

9. Садыкова Г. В., Северьянов О. И. Дистанционное обучение в эпоху пандемии: опыт российских преподавателей. Информатика и образование. 2023;38(1):72–82. EDN: SOCMEP. DOI: 10.32517/0234-0453-2023-38-1-72-82.

10. Шамсутдинова А. И., Хасанова Г. Ф. Образовательная аналитика результатов повышения квалификации преподавателей в LMS MOODLE. Управление устойчивым развитием. 2021;(6(37)):110–115. EDN: VJLLCS.

11. Якунина Е. К., Романова М. В. Преимущества и возможности применения СДО MOODLE в общеобразовательных учебных заведениях. Ab ovo… (С самого начала…). Сборник научных трудов. Магнитогорск: Магнитогорский государственный технический университет им. Г. И. Носова; 2019;4:86–87. EDN: JUYTTH.

12. Мащенко Е. Н., Ченгарь О. В. Анализ данных журналов событий системы дистанционного обучения для задач учебной аналитики. Естественные и технические науки. 2023;(5(180)):34–40. EDN: EQZSEO.

13. Степанов А. Б. Данные цифровой образовательной среды как инструмент успешного взаимодействия субъектов электронного образования. EdCrunch Томск. Материалы Международной конференции по новым образовательным технологиям. Томск: Издательский дом Томского государственного университета; 2019;140–145. EDN: FLQKZT.

14. Есин Р. В., Кустицкая Т. А., Носков М. В. Прогнозирование успешности обучения по дисциплине на основе универсальных показателей цифрового следа LMS Moodle. Информатика и образование. 2023;38(3):31–41. EDN: RCEOVE. DOI: 10.32517/0234-0453-2023-38-3-31-41.

15. Terbusheva E., Piotrowska X., Kalmykova S. Analytics of the digital behavior of Russian first­year university students: Case study. CEUR Workshop Proceedings. Proc. 15<sup>th</sup> Int. Conf. “New Educational Strategies in Modern Information Space”. Aachen, Germany, M. Jeusfeld c/o Redaktion Sun SITE, Informatik V, RWTH Aachen; 2020:28–39. EDN: BYGVFO. Available at: https://ceur-ws.org/Vol-2630/paper_4.pdf

16. Токтарова В. И., Попова О. Г. Анализ образовательных данных взаимосвязи успешности обучения и поведения студентов в цифровой образовательной среде вуза. Информатика и образование. 2022;37(4):54–63. EDN: ESVZJD. DOI: 10.32517/0234-0453-2022-37-4-54-63.

17. Estacio R. R., Raga R. C. Analyzing students online learning behavior in blended courses using Moodle. Asian Association of Open Universities Journal. 2017;12(1):52–68. DOI: 10.1108/AAOUJ-01-2017-0016.

18. Garrison D. R., Anderson T., Archer W. Critical inquiry in a text­based environment: Computer conferencing in higher education. The Internet and Higher Education. 1999;2(2–3):87–105. DOI: 10.1016/S1096-7516(00)00016-6.

19. Глотова А. В. Организация групповой работы студентов в условиях онлайн­обучения в системе высшей школы. Преподаватель XXI век. 2021;(1–1):122–132. EDN: KDWKWE. DOI: 10.31862/2073-9613-2021-1-122-132.

20. Карманова Е. В., Киселев А. В. Возможности ClickHouse для обработки данных образовательного портала вуза. Актуальные проблемы современной науки, техники и образования. Тезисы докладов 81-­й Международной научно­-технической конференции. Магнитогорск: Магнитогорский государственный технический университет им. Г. И. Носова; 2023;1:447. EDN: YNNONO.

21. Токтарова В. И., Пашкова Ю. А. Предиктивная аналитика в цифровом образовании: анализ и оценка успешности обучения студентов. Сибирский педагоги­ческий журнал. 2022;(1):97–106. EDN: NSPMDR. DOI: 10.15293/1813-4718.2201.09.


Рецензия

Для цитирования:


Карманова Е.В., Захарова Я.М., Киселев А.В. Интеллектуальный анализ образовательных результатов студентов университета с использованием LMS Moodle. Информатика и образование. 2024;39(3):16-28. https://doi.org/10.32517/0234-0453-2024-39-3-16-28

For citation:


Karmanova E.V., Zakharova Ya.M., Kiselev A.V. Educational data mining in a university using LMS Moodle. Informatics and education. 2024;39(3):16-28. (In Russ.) https://doi.org/10.32517/0234-0453-2024-39-3-16-28

Просмотров: 377


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0234-0453 (Print)
ISSN 2658-7769 (Online)