Методика обучения интеллектуальному анализу образовательных данных студентов педагогического вуза


https://doi.org/10.21686/1818-4243-2019-3-14-24

Полный текст:


Аннотация

Цель статьи состоит в обсуждении и обосновании обучения студентов педагогических ВУ-Зов интеллектуальному анализу образовательных данных и описании методической системы обучения студентов со средним уровнем знаний математических и ИТ-дисциплин интеллектуальному анализу образовательных данных, способствующей развитию научно-исследовательской компетентности студентов. Актуальность исследования обусловлена тре-бованиями к способности выпускников высших учебных заведений проводить анализ ин-формации и осуществлять исследовательскую деятельность с применением современных ме-тодов и технологий, которые обозначаются в образовательных стандартах и государственном заказе и связаны с все возрастающим количеством накапливаемых данных в различных областях деятельности и стоимостью добываемых из них знаний.

Материалы и методы. В статье описывается авторская методика обучения интеллектуаль-ному анализу образовательных данных, разработанная на основе: анализа требований и ожи-даний к уровню исследовательской компетентности, навыкам анализа данных и современному образованию в целом; сравнении и анализе содержания учебных программ вузов, книг и курсов по интеллектуальному анализу данных и смежным дисциплинам, обобщении педагогического опыта к соответствующей подготовке. Основными аспектами, лежащими в основе методики, являются: форма перевернутого обучения, концентрическая (итеративная) структура содержания, исследовательские методы обучения, комплекс практических заданий на развитие исследовательских компетенций и программное средство Weka для интеллектуального анализа данных в качестве основного технического средства обучения, на основе которого реализуются практические задания. Эффективность разработанной методической системы проверялась путем наблюдения за учебным процессом, анкетирования студентов и статистической обработки данных анкет.

Результаты. В ходе исследования обосновано обучение интеллектуальному анализу обра-зовательных данных студентов педагогических ВУЗов, обучающихся на математических и информационных направлениях; предложена методика обучения. Экспериментальное внед-рение методики показало, что применение разработанной методики для студентов старших курсов педагогического вуза позволяет повысить уровень исследовательской компетентно-сти студентов и существенно развить компетенцию анализа данных.

Заключение. Описанная методическая система может быть частично или полностью исполь-зована преподавателями и методистами для обучения анализу данных на современном уровне и развития научно-исследовательской компетентности студентов со средним уровнем знания математических и ИТ-дисциплин. 


Об авторе

Е. А. Тербушева
Российский государственный педагогический университет им. А.И. Герцена
Россия

Екатерина Александровна Тербушева– ассистент кафедры методики обучения математике и информатике 

Санкт-Петербург



Список литературы

1. Петрова М. В., Ануфриева Д. А. Исследование возможностей методов интеллектуального анализа данных при моделировании образовательного процесса в ВУЗе // Вестник Чувашского университета. 2013. № 3. C. 280–285.

2. Гальченко М.И., Гущинский А.Г. Data Mining и статистические методы при оценивании качества курсов повышения квалификации // Открытое образование. 2014. № 6. С. 15–22.

3. Шамсутдинова Т.М. Оценка качества курсовых работ: компетентностный подход // Образование и наука. 2018. № 2 (20). С. 180–195.

4. Акимов А. А. Проектирование информационно-аналитической системы мониторинга на базе технологий OLAP и Data Mining // Труды Международного симпозиума «Надежность и качество». 2011. Т. 1. C. 235–239.

5. Зорина Н.В., Панченко В.М. Экспериментальный программный комплекс для моделирования и интерпретации процессов анализа образовательных данных // Современные информационные технологии и ИТ-образование. 2017. № 4. С. 207–215.

6. Горлушкина Н.Н., Коцюба И.Ю., Хлопотов М.В. Задачи и методы интеллектуального анализа образовательных данных для поддержки принятий решений // Образовательные технологии и общество. 2015. № 1. С. 472–482.

7. Bakhshinategh B., Zaiane O., Elatia S., Ipperciel D. Educational data mining applications and tasks: A survey of the last 10 years // Education and Information Technologies. 2018. Vol. 23. № 1. P. 537–553. DOI: https://doi.org/10.1007/s10639-017-9616-z

8. Romero C., Ventura S. Educational Data Mining: A Review of the State of the Art // IEEE Transactions on Systems Man and Cybernetics. Part C (Applications and Reviews). 2010. V. 40. № 6. P. 601–618. DOI: https://doi.org/10.1109/TSMCC.2010.2053532

9. Белоножко П.П., Карпенко А.П., Храмов Д.А. Анализ образовательных данных: направления и перспективы применения [Электрон. ресурс] // Интернет-журнал «Науковедение». 2017. Том 9. № 4. URL: http://naukovedenie.ru/PDF/15TVN417.pdf (дата обращения: 18.01.2019)

10. Веряев А.А., Татарникова Г.В. Educational Data Mining и Learning Analytics – направления развития образовательной квалитологии // Преподаватель ХХI век. 2016. № 2. С. 150–160.

11. Абруков В.С., Ефремов Л.Г., Кощеев И.Г. Возможности создания системы поддержки принятия решений и управления вузом с помощью аналитической платформы Deductor // Интеграция образования. 2013. № 1 (70). С. 17–23.

12. Пиотровская К.Р., Тербушева Е.А. Интеллектуальный анализ данных в педагогической аналитике // Техническое творчество молодёжи. 2016. № 2 (96). С. 10–14.

13. Ризаев И.С., Яхина З.Т., Мифтахутдинов Д.И. Компьютерные технологии обучения методам Data Mining обработки данных // Образовательные технологии и общество. 2015. № 2. С. 514–526.

14. Нестеров С. А. Об обучении технологиям интеллектуального анализа данных в рамках курса «Корпоративные системы баз данных» // Преподавание информационных технологий в Российской Федерации. Материалы XIV открытой Всероссийской конференции (г. Санкт-Петербург, 19–20 мая 2016 г.) СПб.: СПбГУ, 2016. С. 78–79.

15. Бодряков В.Ю., Быков А.А. Методические подходы к обучению студентов направления «Прикладная математика и информатика» основам интеллектуальной обработки Больших данных // Педагогическое образование в России. 2016. № 7. С. 145–152.

16. Кузнецов О.А. Курс «Машинное обучение» при подготовке учителей математики и информатики // Преподавание информационных технологий в Российской Федерации. Материалы XVI открытой Всероссийской конференции (14–15 мая 2018 г., Москва) М.: МГТУ им. Н.Э. Баумана, 2018. С. 55–57.

17. Тербушева Е.А. Развитие научно-исследовательской компетентности будущих педагогов для эффективной работы в высокотехнологичной образовательной среде // Новые образовательные стратегии в современном информационном пространстве. Сборник научных статей по материалам международной научной конференции (12–26 марта 2018 г., Санкт-Петербург) СПб.: РГПУ им. А. И. Герцена, 2018. С. 178–182.

18. Пиотровская К.Р., Тербушева Е.А. Интеллектуальный анализ данных и развитие научно-исследовательских компетенций бакалавров [Электрон. ресурс] // Современные проблемы науки и образования. 2017. № 1. URL: http://science-education.ru/ru/article/view?id=26084 (дата обращения: 08.06.2019)

19. Eibe Frank, Mark A. Hall, Ian H. Witten. The WEKA Workbench. Online Appendix for «Data Mining: Practical Machine Learning Tools and Techniques». 4th Ed. Burlington: Morgan Kaufmann. 2016.

20. Hajizadeh N., Ahmadzadeh M., Analysis of factors that affect students’ academic performance – Data Mining Approach [Электрон. ресурс] // International Journal of advanced studies in Computer Science and Engineering. 2014. V. 3. I. 8. URL: http://www.ijascse.org/volume-3-issue-8/Data_mining_approach.pdf

21. Sunita B. Aher, Louis Lobo. Applicability of data mining algorithms for recommendation system in e-learning // Proceedings of the International Conference on Advances in Computing, Communications and Informatics (ICACCI ‘12). New York: ACM, 2012. P. 1034–1040.

22. Brenda Reyes Ayala, Jiangping Chen. A machine learning approach to evaluating translation quality // Proceedings of the 17th ACM/IEEE Joint Conference on Digital Libraries (JCDL ‘17). Piscataway: IEEE Press, 2017. 281–282.

23. Tarek Elghazaly, Amal Mahmoud, and Hesham A. Hefny. Political Sentiment Analysis Using Twitter Data // Proceedings of the International Conference on Internet of things and Cloud Computing (ICC ‘16). New York: ACM, 2016. 5 p.

24. Подласый И.П. Педагогика. Книга 2. 2-е изд. М.: Владос, 2007. 575 с.


Дополнительные файлы

Для цитирования: Тербушева Е.А. Методика обучения интеллектуальному анализу образовательных данных студентов педагогического вуза. Открытое образование. 2019;23(3):14-24. https://doi.org/10.21686/1818-4243-2019-3-14-24

For citation: Terbusheva E.A. Methods of teaching educational data mining for pedagogical students. Open Education. 2019;23(3):14-24. (In Russ.) https://doi.org/10.21686/1818-4243-2019-3-14-24

Просмотров: 50

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1818-4243 (Print)
ISSN 2079-5939 (Online)