Educational Data Mining

Ohromné množství shromážděných dat, které máme nyní k dispozici, jsme se naučili využívat k nejrůznějším účelům- od cíleného marketingu po lepší léčebné postupy. Být schopen dávat dohromady více a více údajů o jednotlivém uživateli může přinést přizpůsobení jakýchkoli služeb či produktů v nepředstavitelném měřítku. Důležitá je také následná interakce s uživateli, kdy služba dokáže ihned reagovat na spotřebitelské přání. V komerčním sektoru toto může znamenat tak velkou konkurenční výhodu, že společnosti, které nebudou schopny data tímto způsobem využívat, v novém prostředí zkrátka nemusí přežít. Není tedy divu, že o data miningu neboli dolování dat, slyšíme zejména v souvislosti s obchodem a marketingem.

Obdobným způsobem lze využívat získaná data také ve vzdělávání. Nové výukové metody, nástroje a systémy, které probíhají s využitím počítače, otevírají mnoho příležitostí pro oblast Educational Data Mining (EDM). Ta se zaměřuje zejména na vývoj nových nástrojů a algoritmů pro hledání vzorců mezi daty. EDM však chápeme jako širší oblast, která takto získaná a zpracovaná data propojuje s psychologickými metodami a výzkumnými přístupy k pochopení toho, jak se studenti učí. EDM tedy můžeme definovat jako dynamicky se rozvíjející disciplínu, která se zabývá vývojem metod pro zkoumání dat pocházejících ze vzdělávacího prostředí a využíváním těchto metod pro lepší povědomí o studentech a způsobech, jakými se učí.

Celý proces je přehledně znázorněn na schématu níže.

V roce 2016 výzkumníci z americké Boise State University předložili několik zjištění ze svých data mining studií, kdy kvantitativní data využívali pro hodnocení výukových programů. Vycházeli ze čtyř hlavních analýz:

1) Decision Tree Analysis — identifikování klíčových ukazatelů na základě předpovědi chování

2) Cluster Analysis — seskupování sdílených charakteristik studentů, kteří kurz úspěšně dokončili/ nedokončili

3) Time Series Analysis — předpověď chování do budoucnosti na základě chování v minulosti

4) Sequential Association Analysis — sledování a analyzování cesty (path) v kurzu (jakým způsobem se student v kurzu pohybuje, kam kliká apod.)

Jejich výsledky potvrdily, že EDM techniky lze aplikovat pro zjištění klíčových proměnných důležitých pro úspěch studentů v e-learningové a kombinované (blended) výuce.

Zdroje:

LA RED MARTINEZ, David L. a Carlos E. PODESTÁ GOMÉZ. Contributions from Data Mining to Study Academic Performance of Students of a Tertiary Institute. American Journal of Educational Research [online]. 2014 [cit. 2018–05–16]. ISSN 2327–6150. Dostupné z: http://pubs.sciepub.com/education/2/9/3/index.html#Figure1

RICE, Kerry, Jui-Long HUNG, Yu-Chang HSU a Brett E. SHELTON. Educational Data Mining in Program Evaluation: Lessons Learned. In: SlideShare [online]. Las Vegas, 2016 [cit. 2018–05–16]. Dostupné z: https://www.slideshare.net/krice100/educational-data-mining-in-program-evaluation-lessons-learned

What is Educational Data Mining (EDM)?. In: EdTechReview [online]. 2013 [cit. 2018–05–16]. Dostupné z: http://edtechreview.in/dictionary/394-what-is-educational-data-mining