Několik názorných příkladů výzkumu využití analýzy dat pro zlepšení procesů vzdělávání

Základem takového vzdělávacího přístupu, jakým je data-based vzdělávání, je sběr, analýza a využití dat o studentech, učitelích a vzdělávacích programech ke zlepšení kvality vzdělávacích procesu. Níže článek uvádí několik zajímavých studií založených na tomto přístupu.

1. Research on the ideologic and politic education of college students based on big data analysis

Cílem tohoto výzkumu bylo studium ideologického a politického vzdělávání studentů na vysokých školách na základě analýzy velkých dat. Podle výsledku analýzy také byly vyvinutí inovativní strategii vzdělávacího modelu a optimalizován proces ideologického a politického vzdělávání. Byly použity metody shlukové analýzy, korelační analýzy, analýzy textu a word cloudů k odhalení zákonitostí a vzorců v datech. Shluková analýza umožnila identifikaci různých kategorií informací o ideologickém a politickém vzdělávání studentů na základě jejich podobnosti. Tyto typy dat byly pak převedeny do matice neshod pro popis míry rozdílů mezi nimi, a také byly použity korelační koeficienty k odhalení vztahů. Kromě toho byly použity shlukovací algoritmy a word cloudy k analýze textů politických dokumentů a určení klíčových témat a pojmů. To umožnilo lepší vizualizaci dat. Dalším důležitým krokem výzkumu byla klasifikace studentské činnosti do pěti typů hodnocení. Korelační analýza byla také provedena k odhalení vztahů mezi kvalitou vzdělání a studentským prostředím. Model data miningu pro kvantitativní hodnocení ideologického a politického vzdělávání na vysokých školách se ukázal jako úspěšný. Výzkum potvrzuje důležitost integrace technologie data miningu do vzdělávacího procesu pro moderní a efektivní politické vzdělávání studentů na vysokých školách.

2. Educational Computer Science Development Based on Data Mining

Moderní vzdělávání v oblasti počítačových věd se potýká s obrovským objemem dat, který vyžaduje efektivní analýzu pro zlepšení vzdělávacích procesů. V tomto kontextu je výzkum zaměřen na využití pokročilých metod těžby dat, včetně těžby dat v oblasti vzdělávání (Educational Data Mining), k dosažení hlubšího porozumění studentům a jejich vzdělávacímu prostředí. Cílem výzkumu bylo studium vývoje vzdělávání v oblasti počítačových věd na základě Educational Data Mining. Výzkum se spíše zaměřoval na analýzu literárních zdrojů, které pokrývají různé aspekty těžby dat ve vzdělávání. Výsledky výzkumu ukázaly, že využití pokročilých metod umožňuje hlubší porozumění studentům a jejich vzdělávacímu prostředí. Zjistilo se, že těžba dat v oblasti vzdělávání má široké uplatnění a významný vliv — pomáhá vyvozovat jedinečné a významné nápady, což přispívá k zlepšení vzdělávacích procesů, zvýšení úspěšnosti studentů a optimalizaci zdrojů vzdělávacích institucí.

3. A survey on educational data mining methods used for predicting students’ performance

Výzkum je zaměřen na studium metod predikce úspěšnosti studentů s využitím vzdělávacího data miningu s cílem identifikovat klíčové faktory ovlivňující úspěch studentů a poskytnout praktické pokyny pro výzkumníky v této oblasti. V rámci výzkumu byla provedena analýza 80 studií provedených v letech 2016 až 2021, zaměřených na predikci úspěšnosti studentů s využitím metod vzdělávacího data miningu. Na základe teoretického výzkumu byla syntetizována procedura tvorby modelu predikce úspěšnosti studentů, vybráno 10 klíčových kroků a diskutovány metody vzdělávacího data miningu aplikované v různých fázích výzkumu. Výzkum ukázal, že vzdělávací data mining je efektivní způsob analýzy dat a predikce úspěšnosti studentů je jednou z nejdůležitějších oblastí výzkumu v této oblasti.

4. Data-Driven Prediction of Students’ Online Learning Needs and Optimization of Knowledge Library Management

Cílem výzkumu bylo vyvinout model založený na analýze dat pro predikci potřeb studentů v online vzdělávání a optimalizaci řízení knihovny znalostí. Ve výzkumu byly vyvinuty nové metody extrakce potřeb v učení a vazeb znalostí, a také zaveden způsob optimalizace řízení knihovny znalostí na základě aktualizace pravidel. Byly použity multiscale konvoluční neuronové sítě a model analýzy dat. Výzkum ukázal zlepšení přesnosti a efektivity predikce potřeb studentů a optimalizaci řízení knihovny znalostí. Model prokázal výhody v vyvážení přesnosti a úplnosti, což přispívá k zvýšení úrovně spokojenosti studentů a zlepšení kvality vzdělávání.

5. Analyzing the impact of digitized-education toward the future of education: a comparative study based on students’ evaluation of teaching data

Cílem výzkumu bylo prozkoumat faktory ovlivňující efektivní přijetí digitálního vzdělávání a analyzovat vzdělávací data (například hodnocení studentů) za účelem porozumění klíčovým faktorům, které ovlivňují vzdělávací proces studentů v nových podmínkách vzdělávání. Výzkum se také snažil zjistit, zda se klíčové faktory liší v závislosti na hodnocení a typu předmětu. Metody výzkumu zahrnovaly modely, jako je deskriptivní teorie rozhodování, metoda vícerozměrné analýzy kovariance a vícenásobná srovnání pro určení vlivu období hodnocení a typu školy nebo předmětu na úspěšnost studentů. To umožnilo provést srovnávací analýzu dat a zjistit vliv faktorů času a typu předmětu na vzdělávací výsledky studentů v podmínkách digitálního vzdělávání. Výsledky výzkumu odhalily významné rozdíly v hodnocení studentů podle let a typů škol a předmětů. Analýza dat ukázala, že faktory času a typu předmětu mají vliv na úspěšnost studentů v podmínkách digitálního vzdělávání.

Zdroje:

Bagheri, I., Fazlikhani, M. (2023) Educational Computer Science Development Based on Data Mining. Dostupné z: https://www.researchgate.net/publication/375922572_Educational_Computer_Science_Development_Based_on_Data_Mining

Li, G. (2023). Data-Driven Prediction of Students’ Online Learning Needs and Optimization of Knowledge Library Management. Dostupné z: https://www.researchgate.net/publication/374179571_Data-Driven_Prediction_of_Students%27_Online_Learning_Needs_and_Optimization_of_Knowledge_Library_Management

Okoye, K., a col. (2024). Analyzing the impact of digitized-education toward the future of education: a comparative study based on students’ evaluation of teaching data. Dostupne z: https://www.researchgate.net/publication/379641013_Analyzing_the_impact_of_digitized-education_toward_the_future_of_education_a_comparative_study_based_on_students%27_evaluation_of_teaching_data

Qiu, Z. (2023). Research on the ideologic and politic education of college students based on big data analysis. Dostupné z: https://www.researchgate.net/publication/375177318_Research_on_the_ideologic_and_politic_education_of_college_students_based_on_big_data_analysis

Xiao, W., Ping, Ji, Hu, J., (2021). A survey on educational data mining methods used for predicting students’ performance. Dostupné z: https://onlinelibrary.wiley.com/doi/full/10.1002/eng2.12482