داده کاوی در آموزش – Data Mining in Education
داده کاوی در آموزش
Data Mining in Education
تکنیک های داده کاوی برای استخراج دانش مفید از داده های خام استفاده می شود. دانش استخراج شده ارزشمند است و به طور قابل توجهی بر تصمیم گیرنده تأثیر می گذارد.
پویش اطلاعاتی آموزشی (EDM) روشی برای استخراج اطلاعات مفید است که به طور بالقوه می تواند بر یک سازمان تأثیر بگذارد. افزایش استفاده از فناوری در سیستم های آموزشی منجر به ذخیره مقدار زیادی از داده های دانش آموزان شده است ، که باعث می شود استفاده از EDM برای بهبود فرایندهای آموزش و یادگیری مهم باشد.
EDM در زمینه های مختلف از جمله شناسایی دانش آموزان در معرض خطر ، شناسایی نیازهای یادگیری اولویت دار برای گروه های مختلف دانشجویان ، افزایش نرخ فارغ التحصیلی ، ارزیابی موثر عملکرد نهادی ، به حداکثر رساندن منابع دانشگاه و بهینه سازی تجدید برنامه درسی موضوع مفید است.
داده کاوی چیست و چه کاربردهایی دارد؟
یکی از اهداف اصلی هر سیستم آموزشی ، تجهیز دانش آموزان به دانش و مهارت لازم برای انتقال به مشاغل موفق در یک بازه زمانی مشخص است. اینکه سیستم های آموزشی جهانی به طور موثر این هدف را برآورده می کنند ، تعیین کننده عمده پیشرفت اقتصادی و اجتماعی است.
برخی از کشورها آموزش رایگان ارائه می دهند برای همه شهروندان یکی را از سال دانشگاه ارتقا می دهند. بنابراین ، سالانه تعداد زیادی از دانشجویان وارد دانشگاه ها می شوند. به عنوان مثال ، دانشگاه کینگ خالد (KKU) تقریباً 23000 دانشجو را در سال 2013 پذیرفته است. ارائه آموزش و راهنمایی با کیفیت بالا برای تعداد زیادی از دانشجویان دشوار شده است. در نتیجه ، بسیاری از دانشجویان موفق به تکمیل مدرک خود در دوره های لازم نمی شوند.
EDM می تواند تصویری از موانع خاص در یادگیری دانش آموزان را به دانشگاه ها ارائه دهد. به عنوان مثال ، دانش آموزان می توانند در موضوعات پیشرفته شکست بخورند ، زیرا آنها اطلاعات اولیه را از موضوعات پیش نیاز یاد نگرفته اند.
استفاده از تکنیک های داده کاوی (DM) برای تجزیه و تحلیل اطلاعات دانش آموزان می تواند به شناسایی دلایل احتمالی شکست دانش آموزان کمک کند. داده کاوی تکنیک های زیادی برای داده ها فراهم می کند تجزیه و تحلیل. مقدار زیادی از داده ها در حال حاضر در پایگاه های دانشجویی توانایی انسان در تجزیه و تحلیل و استخراج مفیدترین اطلاعات را بدون کمک از تکنیک های تجزیه و تحلیل خودکار ، افزایش می دهد.
کشف دانش (KD) فرآیند استخراج غیرمستقیم ضمنی ، ناشناخته و اطلاعات بالقوه مفید از یک پایگاه داده بزرگ. داده کاوی با توجه به نیازهای کاربران در الگوهای کشف KD مورد استفاده قرار گرفته است.
Data Mining
DM یک ابزار قدرتمند هوش مصنوعی (AI) است که می تواند با تجزیه و تحلیل داده ها از ابعاد یا ابعاد ، اطلاعات مفیدی را کشف کرده و آنها را دسته بندی کند و روابط مشخص شده در پایگاه داده را به طور خلاصه انجام دهد.
متعاقباً ، این اطلاعات به تصمیم گیری یا بهبود تصمیم کمک می کند.
در DMsolutions ، الگوریتم ها را می توان به طور مستقل یا به طور مشترک برای دستیابی به نتایج مطلوب استفاده کرد. برخی از الگوریتم ها می توانند داده ها را کاوش کنند. دیگران نتیجه خاصی را بر اساس داده ها استخراج می کنند.
به عنوان مثال ، الگوریتم های خوشه بندی ، که الگوها را تشخیص می دهند ، می توانند داده ها را در گروه های مختلف n گروه بندی کنند. داده های هر گروه کم و بیش سازگار است و نتیجه گیری به ایجاد مدل تصمیم گیری بهتر کمک می کند. چند الگوریتم ، اگر روی یک راه حل اعمال شوند ، می توانند کارهای جداگانه ای را انجام دهند.
به عنوان مثال Forex ، با استفاده از روش درخت رگرسیون ، آنها می توانند پیش بینی های مالی یا قوانین ارتباطی را برای انجام تجزیه و تحلیل بازار بدست آورند. مقدار زیادی از داده ها در پایگاه داده امروز بیش از توانایی انسان برای تجزیه و تحلیل و استخراج مفیدترین اطلاعات بدون کمک از تکنیک های تجزیه و تحلیل خودکار است
Knowledgediscovery فرآیند استخراج غیرانتفاعی اطلاعات ضمنی ، ناشناخته و بالقوه مفید از یک پایگاه بزرگ است. داده کاوی مورد استفاده در KD الگوهایی را با توجه به نیازهای کاربران کشف کرده است. تعریف الگو بیان در زبانی است که زیر مجموعه ای از داده ها را توصیف می کند.
استخراج داده های آموزشی
داده کاوی آموزشی یک رشته نوظهور است که با توجه به روشهای توسعه کاوش در انواع منحصر به فرد داده ها که از تنظیمات آموزشی به دست می آیند و استفاده از روشهای مختلف برای درک بهتر دانش آموزان و تنظیماتی که می گیرند ، مورد توجه است.
متفاوت از روش های داده کاوی ، EDM ، هنگامی که به صراحت استفاده می شود ، سلسله مراتب چند سطحی را به حساب می آورد (و از آن سو explo استفاده می کند) و فاقد داده های مستقل آموزشی.
برای دانلود دوره آموزشی پاور بی آی کلیک کنید.
روشهای EDM
روش های داده کاوی آموزشی از منابع مختلف ادبیات از جمله داده کاوی ، یادگیری ماشین ، روان سنجی و سایر زمینه های مدل سازی محاسباتی ، آمار و تجسم اطلاعات حاصل می شود. کار در EDM را می توان به دو دسته اصلی تقسیم کرد: 1) وب کاوی و 2) آمار و تجسم.
گروه آماری و تجسم در بحثهای نظری و تحقیق در EDM جایگاه برجسته ای یافته است. نظر دیگر ، ارائه شده توسط بیکر ، طبقه بندی کار در EDMas به شرح زیر است:
1) پیش بینی.
- طبقه بندی.
- پسرفت.
- برآورد تراکم.
2) خوشه بندی.
3) استخراج رابطه.
- قانون استخراج قانون انجمن.
- استخراج همبستگی
- استخراج الگوی متوالی.
- DM علت.
4) تقطیر داده ها برای قضاوت انسان.
5) کشف با مدل ها.
بیشتر موارد فوق الذکر DM محسوب می شوند. با این حال ، تقطیر داده ها برای قضاوت انسان در جهان به عنوان DM در نظر گرفته نمی شود. از نظر تاریخی ، رویكردهای رابطه زایی از انواع مختلف ، بیشترین مورد توجه در تحقیقات EDM بوده است.
سپاس گزاریم از خواندن این مقاله
برای دانلود دوره آموزشی تبلو کلیک کنید.
برای دانلود دوره آموزشی پاور بی آی کلیک کنید.
برای دانلود دوره آموزشی نرم افزار R کلیک کنید.
برای خرید لایسنس Tableau کلیک کنید.
برای خرید لایسنس Power BI کلیک کنید.
دیدگاهتان را بنویسید