Научные статьи \ Воспитание. Обучение. Образование \ Высшее образование. Университеты. Академическое обучение

Прогнозирование успешности студентов при смешанном обучении с использованием данных учебной аналитики

Прогнозирование успешности студентов при смешанном обучении с использованием данных учебной аналитики

Автор: Озерова Галина Павловна, Павленко Галина Федоровна

Журнал: Science for Education Today @sciforedu

Рубрика: Математика и экономика для образования

Статья в выпуске: 6 т.9, 2019 года.

Бесплатный доступ

Проблема и цель. Статья посвящена проблемам прогнозирования успешности студентов, обучающихся с использованием online-платформ. Цель статьи - выявить особенности прогнозирования успешности студентов при смешанном обучении на основе данных учебной аналитики. Методология. Основными методами исследования являются: теоретический анализ и обобщение научно-исследовательских работ, теоретические и практические методы педагогического исследования, методы статистической обработки эмпирических данных, методы машинного обучения и методы моделирования случайных событий. Результаты. Проведенное исследование выявило, что прогнозирование должно осуществляться на основе критериев, определяющих успешность обучения, метрики для которых можно получить на основе данных учебной аналитики. Классификацию студентов на группы успешности по выбранным критериям необходимо проводить для каждого контрольно-измерительного инструмента непосредственно после его выполнения студентами, чтобы своевременно выявить обучающихся, нуждающихся в особом внимании со стороны преподавателя. Для прогнозирования успешности обучения других потоков студентов целесообразно накапливать информацию о динамике переходов обучающихся между группами успешности, используя дискретные цепи Маркова. Заключение. Прогнозирование успешности студентов на основе данных учебной аналитики позволяет выделить обучающихся «группы риска», предсказывать распределение студентов по группам успешности и при необходимости корректировать учебно-методические материалы.

Еще

Успешность обучения, смешанное обучение, система управления обучением, учебная аналитика, прогнозирование, классификация, дискретные цепи маркова

Короткий адрес: https://sciup.org/147229480

IDR: 147229480   |   УДК: 378+004   |   DOI: 10.15293/2658-6762.1906.05

Prediction of student performance in blended learning utilizing learning analytics data

Introduction. This paper is dedicated to the problem of predicting performance of students who use online platforms. The objective of this paper is to identify characteristics of how to predict students’ performance in blended learning based on learning analytics data. Materials and Methods. Primary methods that were used in the research: theoretical analysis and generalization of scientific research, theoretical and practical methods of pedagogical research, statistical processing of empirical data, machine learning and random events modelling. Results. Conducted research identified that predication has to be performed based on the criteria that define learning success. Metrics for that criteria can be obtained through learning analytics data. Classification of students into groups based on their performance has to be done every time students complete their assignments in order to timely identify low performers who require special attention from professors. To efficiently predict future performance we need to accumulate dynamics of how students get re-classified into groups using discrete Markov Chains. Conclusions. Prediction of students performance based on learning analytics data allows identification of students who fall into high risk group, prediction of how students will be distributed among performance groups, and if necessary correction of teaching material.

Еще

Список литературы Прогнозирование успешности студентов при смешанном обучении с использованием данных учебной аналитики

  • Boelens R., De Wever B., Voet M. Four key challenges to the design of blended learning: A systematic literature review // Educational Research Review. - 2017. - Vol. 22. - P. 1-18. DOI: 10.1016/j.edurev.2017.06.001
  • Jones K. M. Learning analytics and higher education: a proposed model for establishing informed consent mechanisms to promote student privacy and autonomy // International Journal of Educational Technology in Higher Education. - 2019. - Vol. 16 - Article number 24. DOI: 10.1186/s41239-019-0155-0
  • Schumacher C., Ifenthaler D. Features students really expect from learning analytics // Computers in Human Behavior. - 2018. - Vol. 78. - P. 397-407. DOI: 10.1016/j.chb.2017.06.030
  • Nistor N., Hernández-Garcíacc Á. What types of data are used in learning analytics? An overview of six cases // Computers in Human Behavior. - 2018. - Vol. 89. - P. 335-338. DOI: 10.1016/j.chb.2018.07.038
  • Быстрова Т. Ю., Ларионова В. А., Синицын Е. В., Толмачев А. В. Учебная аналитика МООК как инструмент прогнозирования успешности обучающихся // Вопросы образования. - 2018. - № 4. - С. 139-166. 10.17323/1814-9545-2018-4-139-166 URL: https://elibrary.ru/item.asp?id=36566170 DOI: 10.17323/1814-9545-2018-4-139-166URL
  • Патаракин Е. Д. Совместная сетевая деятельность и поддерживающая ее учебная аналитика // Высшее образование в России. - 2015. - № 5. - C. 145-154. URL: https://elibrary.ru/item.asp?id=23726842
  • Lim L. A., Gentili S., Pardo A., Kovanović V., Whitelock-Wainwright A., Gašević D., Dawson S. What changes, and for whom? A study of the impact of learning analytics-based process feedback in a large course // Learning and Instruction. - 2019.
  • DOI: 10.1016/j.learninstruc.2019.04.003
  • Бирина О. В. Понятие успешности обучения в современных педагогических и психологических теориях // Фундаментальные исследования. - 2014. - № 8-2. - С. 438-443. URL: https://elibrary.ru/item.asp?id=21736773
  • Gardner J., Brooks C. Student success prediction in MOOCs // User Modeling and User Adapted Interaction. - 2018. - Vol. 28, Issue 2. - P. 127-203.
  • DOI: 10.1007/s11257-018-9203-z
  • Raga R. Raga J. Early prediction of student performance in blended learning courses using deep neural networks International // Symposium on Educational Technology. - 2019. - P. 39-43.
  • DOI: 10.1109/ISET.2019.00018
  • Xu X., Wang J., Peng H., Wu R. Prediction of academic performance associated with internet usage behaviors using machine learning algorithms // Computers in Human Behavior. - 2019. - Vol. 98. - P. 166-173.
  • DOI: 10.1016/j.chb.2019.04.015
  • Moreno-Marcos P. M., Alario-Hoyos C., Munoz-Merino P. J., Kloos C. D. Prediction in MOOCs: A Review and Future Research Directions // Transactions on Learning Technologies. - 2019. - Vol. 12, Issue 3. - P. 384-401.
  • DOI: 10.1109/TLT.2018.2856808
  • Ellis R. A., Pardo A., Han F. Quality in blended learning environments-Significant differences in how students approach learning collaborations // Computers and Education. - 2016. - Vol. 102. - P. 90-102.
  • DOI: 10.1016/j.compedu.2016.07.006
  • Conijn R., Van den Beemt A., Cuijpers P. Predicting student performance in a blended MOOC // Journal of Computer Assisted Learning. - 2018 - Vol. 34, Issue 5. - P. 615-628.
  • DOI: 10.1111/jcal.12270
  • Kim D., Yoon M., Jo I. H., Branch R. M. Learning analytics to support self-regulated learning in asynchronous online courses: A case study at a women's university in South Korea // Computers and Education. - 2018. - Vol. 127. - P. 233-255.
  • DOI: 10.1016/j.compedu.2018.08.023
  • Conijn R., Snijders C., Kleingeld A., Matzat U. Predicting student performance from LMS data: A comparison of 17 blended courses using Moodle // Transactions on Learning Technologies. - 2017. - Vol. 10, № 1. - P. 17-29.
  • DOI: 10.1109/TLT.2016.2616312
  • Fei M., Yeung D. Temporal Models for Predicting Student Dropout in Massive Open Online Courses // International Conference on Data Mining Workshop. - 2015. - P. 256-263.
  • DOI: 10.1109/ICDMW.2015.174
  • Macina J., Srba I., Williams J. J, Bielikova M. Educational question routing in online student communities // ACM Conference on Recommender Systems. - 2017. - P. 47-55.
  • DOI: 10.1145/3109859.3109886
  • Topîrceanua A., Grosseckb G. Decision tree learning used for the classification of student archetypes in online courses // Procedia Computer Science. - 2017. - Vol. 112. - P. 51-60.
  • DOI: 10.1016/j.procs.2017.08.021
  • Xing W., Chen X., Stein J., Marcinkowski M. Temporal predication of dropouts in MOOCs: Reaching the low hanging fruit through stacking generalization // Computers in Human Behavior. - 2016. - Vol. 58. - P. 119-129.
  • DOI: 10.1016/j.chb.2015.12.007
  • Laveti R. N., Kuppili S., Ch J., Pal S. N., Babu N. S. C. Implementation of learning analytics framework for MOOCs using state-of-the-art in-memory computing // National Conference on E-Learning and E-Learning Technologies. - 2017. - P. 1-6.
  • DOI: 10.1109/ELELTECH.2017.8074997
  • Gamulin J., Gamulin O., Kermek D. Using fourier coefficients in time series analysis for student performance prediction in blended learning environments // Expert Systems. - 2016. - Vol. 33, № 2. - P. 189-200.
  • DOI: 10.1111/exsy.12142
  • Nam S., Frishkoff G., Collins-Thompson K. Predicting Students Disengaged Behaviors in an Online Meaning-Generation Task // IEEE Transactions on Learning Technologies. - 2018. - Vol. 11, № 3. - P. 362-375.
  • DOI: 10.1109/TLT.2017.2720738
  • Arabshahi F., Huang F., Anandkumar A., Butts C. T., Fitzhugh S. M. Are You Going to the Party: Depends, Who Else is Coming? [Learning Hidden Group Dynamics via Conditional Latent Tree Models] // International Conference on Data Mining. - 2015. - P. 697-702.
  • DOI: 10.1109/ICDM.2015.146
  • Youssef M., Mohammed S., Hamada E. K., Wafaa B. F. A predictive approach based on efficient feature selection and learning algorithms' competition: Case of learners' dropout in MOOCs // Education and Information Technologies. - 2019. - Vol. 24, Issue 6. - P. 3591-3618.
  • DOI: 10.1007/s10639-019-09934-y
  • Шестакова Л. Г., Рихтер Т. В. Показатели оценки и самооценки готовности студентов к самоорганизации // Science for Education Today. - 2019. - Т. 9, № 3. - С. 138-150. 10.15293/2658-6762.1903.08 URL: https://elibrary.ru/item.asp?id=38538212
  • DOI: 10.15293/2658-6762.1903.08URL
  • Klein C., Lester J., Rangwala H., Johri A. Learning Analytics Tools in Higher Education: Adoption at the Intersection of Institutional Commitment and Individual Action // Review of Higher Education. - 2019. - Vol. 42, № 2. - P. 565-593.
  • DOI: 10.1353/rhe.2019.0007
Еще
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp