Технологии больших данных в электронном образовании

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.

1. URL: www.sloan.com

2. Белая книга «Электронное обучение в России» / Под ред. Н.В. Тихомировой, М.: Минобрнауки, 2014. с. 137.

3. Pat Nakamoto. BIG DATA: The revolution that is transforming our work, market and world. Data Analysis / Kindle Edition, 2013. P. 212.

4. Franks B., Taming the big data tidal wave. John Wiley & Sons, Inc. 2010. P. 341.

5. 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.

6. Бадарч Дендев. Информационные и коммуникационные технологии в образовании. М.: ИИТО ЮНЕСКО, 2013. C. 320.

7. Ian H. Witten, Eibe Frank. Data Mining: Practical machine learning tools and techniques. “Morgan Kaufmann”, 2015. P. 229.

8. Baker, R. S. Educational data mining: An advance for intelligent systems in education. IEEE Intelligent Systems, 2014. 29 (3). P. 78–82.

9. Bishop Ch. Pattern Recognition and Machine Learning. Series: Information Science and Statistics. 2006. T. XX. 740 p.

10. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. СПб.: Питер, 2001. C. 312.

11. 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.

12. Wellman, B. The community question. American Journal of Sociology, 1979, 84, p. 1201– 1207.

13. J. Ross Quinlan: Decision Trees and Instance-Based Classifiers. The Computer Science and Engineering Handbook, 1997. P. 521–535.

14. Зайцева Т. Пусная О. Вероятностные деревья решений: Программная реализация в решении задач классификации и прогнозирования. Lambert Academic Publisher, 2014. C. 96.

15. URL: https://myspace.com

16. Ferguson, R. (2012). Learning analytics: Drivers, developments and challenges. International Journal of Technology Enhanced Learning. 4(5/6). P. 304–317.

17. 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.

18. 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. 7–18

19. URL: www.storm.apache.org, URL: www. spark.apache.org.

20. J. Schmidhuber. Deep learning in neural networks: An overview. Neural Networks, 61: 2015. P. 85–117.