Zastosowanie metod eksploracji danych do wspomagania przygotowania procesu dydaktycznego

• Autorzy: Sidor K.

Identyfikatory

DOI

10.7862/re.2016.3

Warianty tytułu

EN

Application data mining methods to support the preparation of teaching

• Języki publikacji: PL

Abstrakty

PL

Eksploracja danych dostarcza cennej wiedzy ukrytej w dużych zbiorach danych. Pozwala na odkrywanie zależności niewidocznych gołym okiem. Swoje zastosowanie może znaleźć także w edukacji podczas przygotowywania oferty dydaktycznej. Artykuł przedstawia zastosowanie algorytmów eksploracji danych w przygotowaniu procesu edukacyjnego. W rozważanym zakresie eksploracja danych służy do przekształcania surowych danych w wiedzę, która pozwala na poznanie preferencji studentów. Skupiono się na odkrywaniu grup studentów oraz tworzeniu ich modeli określających style uczenia się. W trakcie budowania grup zastosowano klasyfikację bez nadzoru m.in. metody k-średnich oraz EM. Grupy tworzone były z uwzględnieniem preferencji studentów dotyczących nauki. Pozwoliło to na uzyskanie grup zawierających studentów o podobnych stylach uczenia się. Do zweryfikowania poprawności klasyfikacji wykorzystane zostały indeksy walidacyjne, które pozwoliły na wybranie najbardziej efektywnego podziału studentów. Badania przeprowadzono na danych zebranych wśród studentów Politechniki Rzeszowskiej na podstawie ankiety zawierającej kwestionariusz ILS. Uzyskane podczas badań wyniki pozwoliły na określenie ile różnorodnych materiałów dydaktycznych należy przygotować, aby były dopasowane do preferencji studentów różnych grup. Poznanie stylów uczenia się studentów pozwala nauczycielowi na lepsze zrozumienie upodobań studentów, a samym uczniom na dopasowanie materiałów do własnego stylu uczenia, dzięki czemu łatwiej i szybciej przyswajają wiedzę.

EN

Data mining provides valuable knowledge hidden in large data sets. It allows to explore depending invisible to the naked eye. It has been used in education while preparation educational offer. The article shows the application of data mining algorithms in the preparation of the educational process. In the considered range, data mining is used to transform raw data into knowledge, which allows to know the students' preferences. It has been focused on discovering groups of students and the development of models for the assessment of their learning styles. It has been applied unsupervised classification during process build groups. Groups have been created taking into account the preferences of students in science. It has been allowed get the groups consisting of students with similar learning styles. To verify the accuracy of the classification has been used indexes validation that allowed you to select the most efficient distribution of students. The study was conducted on data collected among students of Rzeszow University of Technology based on a survey questionnaire containing the ILS. Obtained during the studies results allowed to determine what materials teaching should be prepared to be tailored to the preferences of different groups of students. Understanding the learning styles of students allows teachers to better understand the preferences of students and the students to tailor materials to their own learning style, making it easier and faster to acquire knowledge.

Słowa kluczowe

PL

data mining; ILS; style uczenia się; klasyfikacja; k-means; EM; odkrywanie wiedzy; proces dydaktyczny

EN

data mining; ILS; learning styles; classification; k-means; EM; knowledge discovery; teaching process

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej
• Czasopismo: Zeszyty Naukowe Politechniki Rzeszowskiej. Elektrotechnika
• Rocznik: 2016
• Tom: z. 35 [294], nr 1
• Strony: 27--38
• Opis fizyczny: Bibliogr. 14 poz., tab.

Twórcy

autor

Sidor K.

• Katedra Automatyki i Informatyki, Politechnika Rzeszowska, ul. W. Pola 2, 35-959 Rzeszów

Bibliografia

• [1] Beaudoin M.F.: Learning of lurking? Tracking the „invisible” on-line student, Internet & Higher Educ. 5, 2002, p.147-155.
• [2] Felder R.M., Silverman L.K: Learning and teaching styles in engineering education, Eng. Educ. 1988, p.674-681.
• [3] Gajewski R.: O stylach uczenia się w I-edukacji, http://www.e-mentor.edu.pl [dostęp: 15.08.2015].
• [4] Graf S., Kinshuk: Considering learning styles in learning managements systems: investigation the bahaviour of students in an online course. In: Proc. of the 1st IEEE Int. Workshop on Semantic Media Adaptation and Personalization, Athens 2006.
• [5] Kotarska-Lewandowska B.: Programy komputerowe a style uczenia się, XIV Konferencja Diagnostyki Edukacyjnej, Opole, 2008.
• [6] Larose D.T.: Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN 2008.
• [7] Lee M. : Profiling students adaptation styles in web-based learning, Comput. Educ. 36, 2003, p. 121-132.
• [8] Morzy T.: Eksploracja danych: metody i algorytmy, Wydawnictwo Naukowe PWN, Warszawa 2013.
• [9] Popularna Encyklopedia Powszechna, Wydawnictwo FOGRA, 1994-1998
• [10] Taraszkiewicz M., Nowa szkoła… wspieranie kariery ucznia, WSiP, Warszawa 1997, s. 20.
• [11] Zakrzewska D.: Eksploracja danych w modelowaniu użytkowników edukacyjnych i systemów internetowych, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2012.
• [12] Zakrzewska D.: Cluster Analysis for Users’s Modeling in Inteligent E-Learning Systems, Springer Heidelberg 2008, s. 209-214.
• [13] Oszust M.: Rozprawa doktorska – Zastosowanie grupowania szeregów czasowych do rozpoznawania wypowiedzi w języku migowym na podstawie sekwencji wizyjnych, Kraków 2013, s. 35-36.
• [14] Walesiak M., Dudek A.: Symulacyjna optymalizacja wyboru procedury klasyfikacyjnej dla danego typu danych – charakterystyka problemu, Zeszyty naukowe Uniwersytetu Szczecińskiego, 2006.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.