Analiza graficzna danych edukacyjnych z wykorzystaniem języka Python

• Autorzy: Jakub Swacha

Warianty tytułu

Graphical Analysis of Educational Data Using Python

• Języki publikacji: PL

Abstrakty

Choć analiza danych edukacyjnych kojarzona jest często ściśle z gigadanymi, bardzo wartościowe źródło stanowią dla niej niewielkie zbiory danych edukacyjnych, dostępne każdemu nauczycielowi. Do badania zbiorów o niewielkim rozmiarze szczególnie dobrze nadaje się analiza graficzna, która w ich przypadku jest w stanie dostarczyć wyniki nie tylko przejrzyste, ale także precyzyjne. W niniejszym opracowaniu posłużono się demonstracyjnym studium przypadku, aby ukazać przydatność i łatwość wykorzystania na tym polu języka programowania Python. (abstrakt oryginalny)

EN

In practice, the high quality of educational processes and content can hardly be achieved and maintained without monitoring. And since tracking the results is not enough, it is necessary to find existing flaws and identify their causes. In this paper, it is argued that even small data sets such as students' test results can provide valuable information useful to improve further iterations of teaching and learning outcomes verification processes and educational materials. Next, the appropriateness of graphical analysis for this purpose is pointed out taking its simplicity even for non-statisticians and its ability to visualize entire small data sets with high precision into account. However, the primary aim of this paper is to provide practical examples showing that the Python programming language (with a selection of specialized modules) can be used in a convenient and effective manner for graphical analysis of small educational data sets. For the purpose of demonstration case study, actual test results were used. Analysis examined: correctness and confidence of students answering respective test questions, correlations between results based on question type and relevant content area, and also similarities of answers given by different students. Also, a Python-based software environment for graphical analysis has been compared to Microsoft Excel. (original abstract)

Słowa kluczowe

PL

Języki programowania; Szkolnictwo wyższe; Analiza danych

EN

Programing languages; Higher education; Data analysis

• Czasopismo: e-mentor
• Rocznik: 2016
• Numer: nr 2
• Strony: 13--21

Twórcy

autor

Jakub Swacha

• Uniwersytet Szczeciński

Bibliografia

• Chatzopoulou D.I., Economides A.A., Adaptive assessment of student's knowledge in programming courses, "Journal of Computer Assisted Learning" 2010, Vol. 26, No. 4, s. 258-269, http://dx.doi.org/10.1111/j.1365-2729.2010.00363.x.
• Eppler J.M., Helias M., Muller E., Diesmann M., Gewaltig M.-O., PyNEST: A Convenient Interface to the NEST Simulator, "Frontiers in Neuroinformatics" 2008, No. 2, art. 12, http://dx.doi.org/10.3389/neuro.11.012.2008.
• Goggins S., Xing W., Chen X., Chen B., Wadholm B., Learning Analytics at "Small" Scale: Exploring a Complexity-Grounded Model for Assessment Automation, "Journal of Universal Computer Science" 2015, Vol. 21, No. 1, s. 66-92, http://www.jucs.org/jucs_21_1/learning_analytics_at_small.
• Gorelick M., Ozsvald I., High Performance Python: Practical Performant Programming for Humans, O'Reilly Media, Sebastopol 2014.
• Gross A., A brief history of education's big data debate, "Education Dive", 07.05.2014, http://www.educationdive.com/news/a-brief-history-of-educations-big-data-debate/258602.
• Jaccard P., Étude comparative de la distribution florale dans une portion des Alpes et des Jura, "Bulletin de la Société Vaudoise des Sciences Naturelles" 1901, Vol. 37, s. 547-579, http://dx.doi.org/10.5169/seals-266450.
• Kitchin R., Lauriault T.P., Small data in the era of big data, "GeoJournal" 2015, Vol. 80, No. 4, s. 463-475, http://dx.doi.org/10.1007/s10708-014-9601-7.
• Kruchten N., PivotTable.js integration for Jupyter/IPython Notebook Web-based Python Data Analysis, https://pypi.python.org/pypi/pivottablejs.
• Miciuła I., Miciuła K., Kluczowe trendy dla budowania biznesu w branży big data, "Zeszyty Naukowe Uniwersytetu Szczecińskiego. Studia Informatica" 2015, nr 36(863), s. 51-63, http://dx.doi.org/10.18276/si.2015.36-04.
• Papamitsiou Z., Economides E., Learning Analytics and Educational Data Mining in Practice: A Systematic Literature Review of Empirical Evidence, "Educational Technology & Society" 2014, Vol. 17, No. 4, s. 49-64, http://www.jstor.org/stable/jeductechsoci.17.4.49.
• Płoszajski P., Big Data: nowe źródło przewag i wzrostu firm, "e-mentor" 2013, nr 3(50), s. 5-10, http://www.e-mentor.edu.pl/artykul/index/numer/50/id/1016.
• Rossant C., Learn IPython for interactive Python programming, high-performance numerical computing, and data visualization, Packt Publishing, Birmingham 2013.
• TIOBE Index for April 2016, http://www.tiobe.com/tiobe_index.

Identyfikatory

DOI

10.15219/em64.1239