Методы анализа данных в системах обучения

Информационные системы и технологии в дистанционном образовании

УДК 004.89

, канд. техн. наук, доц.

Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. (Ленина) (СПбГЭТУ «ЛЭТИ»)

Методы анализа данных в системах обучения

Аннотация. Область аналитики данных в системах обучения представляет развивающуюся сферу применения агентных технологий. Увеличение вычислительных мощностей, изобилие цифровых данных привело к росту интереса в применении аналитики данных среди организаторов и участников учебного процесса: преподавателей, администраторов, методистов. Несмотря на значительные достижения в области коммуникативных способностей агентов, представляется актуальным использовать дальнейший потенциал агентов в качестве средств анализа данных в образовательных системах. Применение агентов в качестве компонентов смешанного обучения еще предстоит реализовать. В статье рассматривается архитектура агентов для реализации в смешанной среде обучения.

Ключевые слова. Анализ данных, процесс обучения, агентный подход.

Abstract. The field of data analytics in training systems represents the developing field of application of agent technologies. The increase in computing power, the abundance of digital data has led to increased interest in the application of data analytics to the organizers and participants of the educational process: teachers, administrators, and methodologists. Despite significant achievements in the field of communicative abilities of agents, it seems relevant to use the further potential of agents as a means of analyzing data in educational systems. The use of agents as components of mixed training is yet to be realized. The article present the architecture of agents for implementation in a mixed learning environment.

Keywords. Data analysis, learning process, agent approach.

Введение. Область аналитики данных в образовательных системах находится на пересечение многочисленных дисциплин и опирается на разнообразие методологий, теорий и подкрепляющих научных предположений. Увеличение вычислительных мощностей и изобилие цифровых данных привело к росту интереса в применении аналитики данных среди организаторов и участников учебного процесса: преподавателей, администраторов, методистов. Этот интерес связан с возможностью изучения вопросов, как учащиеся учатся и как учреждения и педагоги могут наилучшим образом поддержать этот процесс. Рост объема и детализации информации, мультимедийных, социальных медиа и Интернет-вещей, приведут к экспоненциальный росту данных в обозримом будущем [1]. Методы аналитики в сфере образования не применялись до недавнего времени [2]. Область образования исторически считалась «бедной» для аналитики, хотя сектор образования представляет собой богатый набор данных [3].

Основная часть. Ограниченное использование аналитики в образовании связано с отсутствием доступа к аналитическим инструментам для преподавателей и учащихся, отсутствием системного внедрения учебной аналитики в организации. Результатом ограниченной деятельности системной аналитики является преобладание исследований, основанных на извлечении т. н. «легкодоступных данных», таких как данные, полученные о результатах обучения (например, основные демографические данные и оценки учащихся) и, как правило, сосредотачиваются на определении ключевых переменных, которые информируют об успеваемости студентов и отражаются в информационных системах. Однако, авторы [3] называют такие обычные двумерные анализы “low hanging fruit” – «низко висящими плодами», и отмечают необходимость аналитики для переосмысления формы образования на практике. Данные, получаемые в результате систем управления обучением learning management systems (LMS) или student information systems (SIS) могут обеспечить улучшение преподавания и обучения, однако этот уровень систем не соответствует существенным вызовам, стоящим перед всеми уровнями образования, многие из которых требуют системного и комплексного решений.

Область аналитики в образовании опирается на различные теории и методологии из таких дисциплин, как психология, философия, социология, лингвистика, статистика, машинное обучение, информатика.

Цели текущей учебной аналитики, например, следующие:

- анализ прошлой и настоящей учебной деятельности;

- выявление перспективных областей обучения;

- анализ контингента обучающихся;

- определение дисциплин, требующих целенаправленной поддержки;

- выявление пробелов в планах и программах обучения;

- адаптивное распределение дидактических ресурсов;

- улучшение интеграции между теорией и практикой;

- выявление связей между исследователями и документами;

- анализ накопленного опыта;

и другие…,

которые требуют применения качественных и количественных методов анализа.

С помощью аналитики могут быть отслежены различные показатели процесса обучения в динамике.

Применение агентного подхода для анализа данных. Для реализации функций аналитики в системе смешанного обучения (Blended learning) применяется агентный подход. Мы посчитали необходимым включить агента Аналитики в структуру интеллектуальной поддержки системы обучения.

Программные агенты изначально выполняли роли интеллектуальных помощников, оперирующих с различными документами. Далее на основе агентного подхода стало возможным моделировать сложные асинхронные виды деятельности, распределенные в пространстве и во времени [4]. Функции программных агентов включают новые процессы сотрудничества и координации функций, которые не применялись ранее в педагогических инструментах. Агентный подход применяется в интеллектуальных обучающих системах (Intelligent tutoring systems – ITS) как инструмент обмена знаниями, представления извлечения, формализации знаний, модели студента и др. [5]. Это направление исследований является важной частью в области искусственного интеллекта в образовании (Artificial Intelligent in Education, AIED), которая фокусируется на том, как учащиеся регулируют собственный процесс обучение, и как интеллектуальные системы могут поддерживать их [6].

Архитектура интеллектуальных агентов изображена на рисунке 1.

Рис. 1. Архитектура интеллектуальных агентов

С помощью анализа показателей контингента обучающихся на ранних этапах обучения выявляется так называемая «группа риска» студентов, к которым необходимо применять особые методы обучения.

Средствами экспресс-диагностики агент получает информацию об индивидуальных характеристиках учащихся для предварительной ориентировки в контингенте обучающихся [7] с целью составления персональных рекомендаций по программам обучения и распределению дидактических ресурсов (когнитивной нагрузки). На следующем этапе агент-аналитик передает информацию агентам Классификации, Идентификации, Когнитивной нагрузки. Архитектура включает группу агентов (координирующий агент, агенты-посредники, агенты-роли), представленных в таблице 1. При помощи агентов реализуется информационный процесс, управляемый данными.

Таблица 1 - Расшифровка агентов

Обозначение		Наименование
A Crd	Agent Coordinator	Агент-координатор
A Db	Agent Data base	Агент Базы данных
A Kb	Agent Knowledge base	Агент Базы знаний
A Anl	Agent Analytic	Агент Аналитики процесса
A Сlass	Agent Сlassifier	Агент Классификации
A Ident	Agent Identification	Агент Идентификации
A CL	Agent Cognitive Load	Агент Когнитивной нагрузки
A SUI	Agent Student User Interface	Агент интерфейса Студента
A TUI	Agent Teacher User Interface	Агент интерфейса Преподавателя

A Crd – Агент-координатор отвечает за поиск агентов, которые способны обработать запрос. Координирующий агент A Crd задает поведение агентов-посредников и последовательность их взаимодействия. Агент A Crd становится активным при любых изменениях данных в Базе данных.

A Anl – задачей Агента Аналитики является обнаружение изменений и анализ данных в базах данных. Базы данных объединяют информацию из разных источников. Агент просматривает данные с целью определения изменений в данных и передачи их на обработку.

A Сlass – Агент Классификации предназначен для классификации групп студентов.

A Ident – Агент Идентификации осуществляет процедуру идентификации параметров модели КСП.

A СL – Агент распределения когнитивной нагрузки.

A SUI – Агент интерфейса Студента запрашивает выполнение студентами предварительной диагностики по методикам экспресс-диагностики.

A TUI – Агент интерфейса Преподавателя.

Заключение. Агентный подход обеспечивает расширяемость и персонализацию процесса обучения на основе анализа данных, что становится самым важным для управления процессами преподавания и обучения. При отсутствии единого оптимального подхода для организации смешанного обучения, в то время, когда существует множество смешанных моделей для интеграции данных, проектирование системы на основе агентного подхода обеспечивает анализ данных и обладает достаточным функционалом для организации обучения с возможностью адаптации и персонализации обучающих курсов.

Библиографический список

1. Big data: The next frontier for innovation, competition, and productivity. [Электронный ресурс]. URL: http://www. /business-functions/digital-mckinsey/our-insights/big-data-the-next-frontier-for-innovation (дата обращения: 15.05.2017).

2. Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., and Byers, A. H., 2011. Big Data: The Next Frontier for Innovation, Competition, and Productivity. McKinsey Global Institute.

3. Dawson S. et al. Current state and future trends: A citation network analysis of the learning analytics field //Proceedings of the fourth international conference on learning analytics and knowledge. – ACM, 2014. – P. 231-240.

4. Norman D. A. How might people interact with agents //Communications of the ACM. – 1994. – V. 37. – №. 7. – Pp. 68-71.

5. Boy G. A. Intelligent assistant systems. – Academic Press, 1991. - 361 p.

6. Aleven V. et al. Help helps, but only so much: research on help seeking with intelligent tutoring systems //International Journal of Artificial Intelligence in Education. – 2016. – V. 26. – №. 1. – Pp. 205-223.

7. , Падерно -диагностика когнитивно-стилевого потенциала обучающихся в интегрированной образовательной среде. // Образовательные технологии и общество. 2015. № 1.