ooОткрытое образованиеOpen Education1818-42432079-5939Plekhanov Russian University of Economics10.21686/1818-4243-2017-6-41-48oo-468Research ArticleНОВЫЕ ТЕХНОЛОГИИNEW TECHNOLOGIESТехнологии больших данных в электронном образованииBig data technologies in e-learningМамедоваГ. А.MamedovaGyulara A.

Cтарший научный сотрудник 

Тел.: (994 12) 5397213 

Senior researcher 

Tel.: (994 12) 5397213 

gyula.ikt@gmail.comЗейналоваЛ. А.ZeynalovaLala A.

Cтарший научный сотрудник

Senior researcher 

Tel.: (994 12) 5397213 

lalamaillala@bk.ruМеликоваР. Т.MelikovaRena T.

Cтарший научный сотрудник

Тел.: (994 12) 5397213 

Senior researcher 

Tel.: (994 12) 5397213

rena22@rambler.ruИнститут Информационных Технологий Национальной Академии Наук Азербайджана, БакуАзербайджанAzerbaijan National Academy of Sciences, Institute of Information Technology, BakuAzerbaijan201716012018064148Copyright © Мамедова Г.А., Зейналова Л.А., Меликова Р.Т., 20182018Мамедова Г.А., Зейналова Л.А., Меликова Р.Т.Mamedova G.A., Zeynalova L.A., Melikova R.T.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://openedu.rea.ru/jour/article/view/468

В последнее время электронное образование во всем мире стремительно развивается и основной проблемой становится своевременное обеспечение учащихся качественной учебной информацией. Эту задачу невозможно решить без анализа большого потока информации, поступающего в информационную среду электронного образования от участников образовательного процесса – студентов, преподавателей, администрации и т.д. B этой среде существует большое количество различных типов данных, как структурированных, так и неструктурированных, обработку которых трудно осуществить традиционными статистическими методами. Целью исследования является показать, что для разработки и внедрения успешных систем электронного обучения необходимо использовать новые технологии, которые позволили бы хранить и обрабатывать большие потоки данных.

Для хранения больших данных требуется большой объем дисковой памяти. Показано, что для решения этой проблемы эффективно использовать кластерную технологию NAS (Network Area Storage), позволяющая хранить информацию учебных заведений на NAS – серверах и иметь к ним общий доступ из Интернета. Для обработки и персонализации Больших Данных в среде электронного образования предлагается использовать технологии MapReduce, Hadoop, NoSQL и другие. В статье приводятся примеры использования этих технологий в облачной среде. Эти технологии в электронном образовании позволяют достигнуть гибкости, масштабируемости, доступности, качества обслуживания, безопасности, конфиденциальности и простоты использования учебной информации.

Другой важной проблемой электронного образования является выявление новых, порою скрытых, взаимосвязей в больших данных, новых знаний (data mining), которые могут быть использованы для улучшения образовательного процесса и повышения эффективности его управления. Для классификации электронных образовательных ресурсов, выявления паттернов (шаблонов) студентов со сходными психологическими, поведенческими и интеллектуальными характеристиками, разработки индивидуализированных учебных программ в статье предлагается использовать методы анализа больших данных.

В статье показано, что на сегодняшний день разработано множество программных приложений для интеллектуального анализа больших данных. Эти программные продукты можно использования для классификации, кластеризации, регрессионного и сетевого анализа учебной информации. Применение этих методов в электронном образовании позволит педагогам своевременно получать информацию об обучающихся, оперативно реагировать на любые изменения процесса обучения, своевременно вносить изменения в учебный контент. Полученные результаты исследования предлагается использовать для выработки рекомендаций при создании электронных курсов в высших и средних учебных заведениях Азербайджана.

Recently, e-learning around the world is rapidly developing, and the main problem is to provide the students with quality educational information on time. This task cannot be solved without analyzing the large flow of information, entering the information environment of e-learning from participants in the educational process – students, lecturers, administration, etc. In this environment, there are a large number of different types of data, both structured and unstructured. Data processing is difficult to implement by traditional statistical methods. The aim of the study is to show that for the development and implementation of successful e-learning systems, it is necessary to use new technologies that would allow storing and processing large data streams.

In order to store the big data, a large amount of disk space is required. It is shown that to solve this problem it is efficient to use clustered NAS (Network Area Storage) technology, which allows storing information of educational institutions on NAS servers and sharing them with Internet. To process and personalize the Big Data in the environment of e-learning, it is proposed to use the technologies MapReduce, Hadoop, NoSQL and others. The article gives examples of the use of these technologies in the cloud environment. These technologies in e-learning allow achieving flexibility, scalability, availability, quality of service, security, confidentiality and ease of educational information use.

Another important problem of e-learning is the identification of new, sometimes hidden, interconnection in Big Data, new knowledge (data mining), which can be used to improve the educational process and improve its management. To classify electronic educational resources, identify patterns of students with similar psychological, behavioral and intellectual characteristics, developing individualized educational programs, it is proposed to use methods of analysis of Big Data.

The article shows that at present many software applications have been developed for the intellectual analysis of Big Data. These software products can be used for classification, clustering, regression and network analysis of training information. The application of these methods in e-learning will allow lecturers to receive timely information about students, promptly respond to any changes in the learning process, and timely make changes to educational content. The results of the research are proposed to be used to develop recommendations for the creation of electronic courses in higher and secondary educational institutions of Azerbaijan. 

электронное образованиебольшие данныеанализ больших данныхперсонализация данныхуправление большими даннымиMapReduceHadoopNoSQLdata mining в электронном образованииe-learningBig DataBig Data Analysisdata personalizationmanaging Big DataHadoopNoSQLMacReducedata mining in e-learningReferencesURL: www.sloan.comURL: www.sloan.comБелая книга «Электронное обучение в России» / Под ред. Н.В. Тихомировой, М.: Минобрнауки, 2014. с. 137.Belaya kniga «Elektronnoe obuchenie v Rossii». Ed. N.V. Tikhomirovoy, M.: Minobrnauki, 2014. P.137 (In Russ.)Pat Nakamoto. BIG DATA: The revolution that is transforming our work, market and world. Data Analysis / Kindle Edition, 2013. P. 212.Pat Nakamoto. BIG DATA: The revolution that is transforming our work, market and world. Data Analysis / Kindle Edition, 2013. P. 212.Franks B., Taming the big data tidal wave. John Wiley & Sons, Inc. 2010. P. 341.Franks B., Taming the big data tidal wave. John Wiley & Sons, Inc. 2010. P. 341.Майер-Шенбергер В., Кукьер К. Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим. М.: Издательство «Манн, Иванов и Фербер», 2014. C. 208.Mayer-Shenberger V., Kuk’er K. Bol’shie dannye. Revolyutsiya, kotoraya izmenit to, kak my zhivem, rabotaem i myslim. Moscow: Izdatel’stvo «Mann, Ivanov i Ferber», 2014. P. 208.Бадарч Дендев. Информационные и коммуникационные технологии в образовании. М.: ИИТО ЮНЕСКО, 2013. C. 320.Badarch Dendev. Informatsionnye i kommunikatsionnye tekhnologii v obrazovanii. Moscow: IITO YuNESKO, 2013. P. 320.Ian H. Witten, Eibe Frank. Data Mining: Practical machine learning tools and techniques. “Morgan Kaufmann”, 2015. P. 229.Ian H. Witten, Eibe Frank. Data Mining: Practical machine learning tools and techniques. “Morgan Kaufmann”, 2015. P. 229.Baker, R. S. Educational data mining: An advance for intelligent systems in education. IEEE Intelligent Systems, 2014. 29 (3). P. 78–82.Baker, R. S. Educational data mining: An advance for intelligent systems in education. IEEE Intelligent Systems, 2014. 29 (3). P. 78–82.Bishop Ch. Pattern Recognition and Machine Learning. Series: Information Science and Statistics. 2006. T. XX. 740 p.Bishop Ch. Pattern Recognition and Machine Learning. Series: Information Science and Statistics. 2006. T. XX. 740 p.Дюк В.А., Самойленко А.П. Data Mining: учебный курс. СПб.: Питер, 2001. C. 312.Dyuk V.A., Samoylenko A.P. Data Mining: uchebnyy kurs. Saint Petersburg: Piter, 2001. P. 312. (In Russ.)Erdos P., Renyi A. On the evolution of random graphs // Publication of Mathematics Institute Hungary Academy of the Science. 1960. V. 5. P. 17–61.Erdos P., Renyi A. On the evolution of random graphs. Publication of Mathematics Institute Hungary Academy of the Science. 1960. V. 5. P. 17–61.Wellman, B. The community question. American Journal of Sociology, 1979, 84, p. 1201– 1207.Wellman, B. The community question. American Journal of Sociology, 1979, 84, p. 1201– 1207.J. Ross Quinlan: Decision Trees and Instance-Based Classifiers. The Computer Science and Engineering Handbook, 1997. P. 521–535.J. Ross Quinlan: Decision Trees and Instance-Based Classifiers. The Computer Science and Engineering Handbook, 1997. P. 521–535.Зайцева Т. Пусная О. Вероятностные деревья решений: Программная реализация в решении задач классификации и прогнозирования. Lambert Academic Publisher, 2014. C. 96.Zaytseva T. Pusnaya O. Veroyatnostnye derev’ya resheniy: Programmnaya realizatsiya v reshenii zadach klassifikatsii i prognozirovaniya. Lambert Academic Publisher, 2014. P. 96 (In Russ.)URL: https://myspace.comURL: https://myspace.comFerguson, R. (2012). Learning analytics: Drivers, developments and challenges. International Journal of Technology Enhanced Learning. 4(5/6). P. 304–317.Ferguson, R. (2012). Learning analytics: Drivers, developments and challenges. International Journal of Technology Enhanced Learning. 4(5/6). P. 304–317.Asha T, Shravanthi U.M, Nagashree N, Monika M, Building Machine Learning Algorithms on Hadoop for Bigdata // International Journal of Engineering and Technology. 2013. Vol. 3. No. 2. P. 143–147.Asha T, Shravanthi U.M, Nagashree N, Monika M, Building Machine Learning Algorithms on Hadoop for Bigdata. International Journal of Engineering and Technology. 2013. Vol. 3. No. 2. P. 143–147.Qi Zhang, Lu Cheng, and Raouf Boutaba. Cloud computing: stateof-the-art and research challenges. Journal of Internet Services and Applications. 1(1): 2010. P. 7–18Qi Zhang, Lu Cheng, and Raouf Boutaba. Cloud computing: stateof-the-art and research challenges. Journal of Internet Services and Applications. 1(1): 2010. P. 7–18URL: www.storm.apache.org, URL: www. spark.apache.org.URL: www.storm.apache.org, URL: www. spark.apache.org.J. Schmidhuber. Deep learning in neural networks: An overview. Neural Networks, 61: 2015. P. 85–117.J. Schmidhuber. Deep learning in neural networks: An overview. Neural Networks, 61: 2015. P. 85–117.

The authors declare that there are no conflicts of interest present.