ネルソンマンデラは次のように述べています。「教育は最も強力な武器です
これを使用して世界を変えることができます。」
運命の意志により、データマイニングコース（ GameChangersプログラム、サンクトペテルブルク ）の参加者の1人になれたことは幸運でした。 このコースの目的は、IT業界のさまざまな分野でのデータ処理の方法と技術を研究することです。 講義は最大のIT企業の専門家によって行われ、学生は実際のタスクとプロジェクトに取り組んでいます。
そして、このコースの枠組みの中で、私たちのワーキンググループが教育データマイニングの分野でプロジェクトを開発しています。
ロシアでは、これまでのところ、この方向の存在を認識している人はほとんどいないため、まずはEDMに関する一般的な用語であるEDMの概要を説明します。
教育データマイニング
記事「教育データマイニング：最先端のレビュー」によると、EDMは教育意思決定のための教育データを調査する方法を開発しています。
//たとえば、学生と彼らが学ぶ「態度」を理解する。
DMとEDMの両方がデータの隠れたパターンを見つけることに関与していることは明らかです。 しかし、EDMが他のデータマイニングサブエリアと異なる点は何ですか？
まあ、まず、これらは目標です。 EDMは、教育プロセスを改善し、生徒を正しい方向に導き、さらに教師に勧告を与え、さらに教育の現象の本質を掘り下げようとしています-それにもかかわらず情報を吸収し、スキルと能力を獲得する方法を理解するために。
第二に、データ。 EDMで使用されるものには、非常に複雑な内部セマンティクスがあります。 階層にはいくつかの重要なレベルがあり、さまざまなタイプのデータ間の関係があります。
EDMのオンラインシステムは、ほとんどの場合、サイトでのユーザーの作業に関するすべての情報（クリック、クリック、クリック、評価など）を含むログファイルを使用します。 EDMは、オンラインシステムだけでなく、従来の学校や大学でも使用できることに注意してください。 もう1つは、この場合、情報が非常に断片化されており、不十分であることです。 オンラインコースでは、すべてがすでに単一の電子形式であり、コースラなどのリソースの聴衆の規模は標準クラスよりも何倍も高くなっています。 DMで一般的な機械学習アルゴリズムを使用することが理にかなっているのは、これらの次元のためです。
そして第三に、これらはメソッドそのものです。 標準のデータマイニング手法：クラスタリング、分類、回帰、相関、視覚化、統計、関連ルールの検索...に加えて、EDMは心理測定の分野など、特定の手法も使用します。 ウィキペディアによると、心理測定は心理測定の理論と方法論を研究し、統計の一部です。 EDMでは、この分野の方法は、学生を情報認識グループに分割するのに役立ち（ MBTIタイポロジーを参照）、これにより、教育プロセスを学生に適合させることができます。適切なタイプのコンテンツを選択し、特定の方法で整理します。
| プリファレンス | 説明（強調は何ですか） |
|---|---|
| エクストラバージョン-内向 | 意識の方向 |
| 感覚-直感 | 状況におけるオリエンテーションの方法 |
| 考える-気持ち | 意思決定の基礎 |
| 判断-知覚 | 意思決定を準備する方法 |
そして今、おそらく、誰のために、そしてなぜEDMが使用されているかについてのいくつかの言葉。
「対象読者」
Educational Data Miningのユーザーにはいくつかの主要なグループがありますが、よく知られているCourseraポータルを例として使用することを検討してください。
そのため、コンパイラのプログラミング方法を理解したい学生がいます。
学生がコースラに入り、スタンフォード大学のアレックスエイケン教授からコンパイラコースに入ります。
トレーニングに関する情報と彼の個人データに基づいて、EDMが彼に提供できるものを見てみましょう。彼はプロファイルに入力するか、コースプロファイルへの回答から入力します。
1.学生/生徒/学生
学生がコンパイラコースを正常に完了し、さらなるトレーニングに戻るために、Courserプラットフォームは以下を実行できます。
学生がインターネットで知識を獲得したいとき、彼はオンライン教育システムを使用します。 彼女は学生と対話し、パーソナライズされたコンテンツとカスタマイズされたヘルプを提供します。
システムは、生徒が最も頻繁に開くコンテンツ（課題、ビデオ、テキスト）の詳細情報と、閲覧の速度、継続時間、頻度を収集します。 データベースに保存した後。
受信した情報は処理され、受信したトレーニングモデルに基づいて、システムは受講者にコースを最適に適合させようとします。
システムは、他のコースの推奨事項も提供できます。 多数の推奨アルゴリズムを使用できます。 推奨システムのアルゴリズムについては、snikolenko ハブで非常によく書かれています。
生徒がクイズや宿題に非常に迅速に対処し、学習教材をすぐにスキップするとシステムが判断した場合、コースの「回避策」（短縮）パスを提供できます-より複雑なタスク、試験合格時により困難なレベルへの合格など
それ以外の場合は、適応したツールチップの生成に役立ちます。 学生がコースのいずれかの部分に問題がある場合（これは、クイズ、宿題、フォーラムの質問の誤りに基づいて理解できます）、システムは追加の教材に関する推奨事項を提示するか、対応する章にリダイレクトできます。
2.教師/トレーナー
同時に、Alex Aikenなどの教師も、コースを改善するための情報とツールを必要としています。 システムは、教師に次の情報を提供できます。
既存のコースの分析に基づいてコースを作成する場合、教師は生徒の行動を事前に予測し、教材を自分のニーズに適合させることができます。
コース中、学習プロセスについてのフィードバック（応答）を受け取ることが非常に重要です。 たとえば、総合的な評価や、学生の課題の速度のダイナミクス（完成したクイズ、宿題など）になります。
また、教師は生徒をグループに分類する機会があります。たとえば、学業成績、活動、性別、年齢、背景などです。
システムは、学生が行うエラーの頻度と分布のためのツールを提供します。 次のような追加のパラメーターを使用する
閲覧したトピック、以前の評価など、エラーの原因を理解することが可能です。
3.開発者/研究者
プラットフォームの作成者であるAndrew NgとDaphne Kollerは、需要のあるコースと新しい知識を得る学生に興味を持っているため、（コンピューターサイエンスの分野の）研究者グループとともに、EDMツールを開発しています。
学生の学習を改善します。 たとえば、選択したコースの統計に従って、さらなる教育の推奨事項を学生に与えることができ、スケジュール+上記のすべてを作成できます。
コースコンテンツの構造と学習プロセスでの有効性を評価します。 開発者の目に触れる前に、リソースで何が起きているかを完全に把握します。 成功したコースを離れて改善し、情報を提示するための最良の方法を選択することは彼らの関心事です。
学生モデルとメンターモデルを自動的に作成します。 教師と生徒に関するデータに基づいて、ここで心理測定が役立ちます。生徒とメンターの最適な組み合わせを選択できます。これにより、教材の消化性が向上します。
4.組織：大学/企業/ ... | 5.教育プロセスの管理者/システム管理者
スタンフォード大学などの高等教育機関、EDMの実装は以下を支援します。
有用であると判明する可能性のある特定のコースを学生のグループに提供し、それによりクラスのコンテンツの費用対効果を高めます。
学生のトレーニングの質を向上させます。 管理者は、EDMを使用して、教師、カリキュラムを評価し、限られたリソース（教師、開発者、および教材）をより有効に活用する方法を理解するための新しいツールを取得します。
EDMアルゴリズムは、システム管理者にネットワークのピーク負荷を予測するタイミングと、ユーザーに合わせてWebサービスを最適化する方法を通知します。
結論として、EDMの使用。
開発の主な分野を図に示します。 2009年までに300の作品についてデータが収集されているという事実に注目してください。
このトピックの詳細な紹介については、以下をお勧めします。
- 記事：
- Coursera： coursera.org
- Time of Book： C. Romero、S. Ventura et al。Handbook of Educational Data Mining。 2010（アマゾン）
- ブック2： C. Romero＆S. ベンチュラ Eラーニングでのデータマイニング。 2006（アマゾン）
- TEDオンライン教育： Daphne Koller：オンライン教育から学んでいること
トピックが興味深い場合、この投稿は一連のEDM投稿の最初の投稿になる可能性があります。 教えてください。