An Application of Data Mining in the Management of E-learning Platform

• Autorzy: Wiesław Pietruszkiewicz , Dorota Dżega

Warianty tytułu

Zastosowanie eksploracji danych w zarządzaniu platformą e-learningową

• Języki publikacji: EN

Abstrakty

EN

In this paper we present an application of data mining in education, where the management of e-learning platform was supported by extraction of users activity features and clustering of users' profiles. It allowed us to identify groups of users with a similar activity and to observe their performance. While the majority of other researches focus on the analysis of students, we investigated teachers' behaviour. The experiments presented herein were performed on the real data coming from Moodle platform. We have proposed a smoothing model in the form of a dynamic system which was used to transform the logged events into time series of activities. These series were later used to cluster teachers' performance and to divide them into three groups: active, moderate and passive users. We claim that an increase of e-learning quality requires responsible persons not only to observe students but also to evaluate teachers. The gathered information may be used to identify potential teachers problems, e.g., technical difficulties or low e-learning platform skills.(original abstract)

Od kilku lat obserwujemy intensywny rozwój usług edukacyjnych świadczonych w środowisku Internetu. Na rozwój ten w istotny sposób wpływa rozwój systemów informatycznych zdalnego nauczania oraz rozwój narzędzi wspomagających tworzenie treści kursów e-learningowych. Za rozwojem technologii powinien także podążać rozwój kadry dydaktycznej. Nowoczesna kadra dydaktyczna powinna nie tylko przekazywać wiedzę, ale przede wszystkim aktywnie uczestniczyć w budowaniu ścieżek edukacyjnych. W artykule prezentujemy jeden z mechanizmów wspomagających rozwój e-learningu. Jest nim kontrola aktywności i zachowań nauczycieli przeprowadzona z wykorzystaniem metod eksploracji danych. Artykuł omawia kolejne etapy tego procesu, prowadząc od ekstrakcji danych, poprzez ich konwersję aż do wniosków wyciągniętych z wykonanej klasteryzacji.(abstrakt oryginalny)

Słowa kluczowe

EN

Management in education; Education management; e-learning; Cluster analysis

PL

Zarządzanie oświatą; Zarządzanie szkolnictwem; Zdalne nauczanie; Analiza skupień

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Informatyka Ekonomiczna
• Rocznik: 2010
• Tom: 16
• Numer: nr 104 Data Mining and Business Intelligence
• Strony: 60--70

Twórcy

autor

Wiesław Pietruszkiewicz

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

autor

Dorota Dżega

• Zachodniopomorska Szkoła Biznesu w Szczecinie

Bibliografia

• Balogh I. (2009), Use of data mining tools in examining and developing the quality of e-learning, [in:] Proceedings of LOGOS Open Conference on Strengthening the Integration ofICT Research Effort, Budapest.
• Blondet Baruque C., Amaral M.A., Barcellos A., João Carlos da Silva Freitas J.C., Juliano Longo C.J. (2007), Analysing users' access logs in Moodle to improve e learning, [in:] Proceedings of the 2007 Euro American Conference on Telematics and Information Systems, Faro.
• Camastra F., Verri A. (2005), A novel kernel method for clustering, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 25, No. 5.
• Delgado Calvo-Flores M., Gibaja Galindo E., Pegalajar Jimenez M.C., Perez Pineiro O. (2006), Predicting students' marks from Moodle logs using neural network models, [in:] Current Developments in Technology-Assisted Education, FORMATEX, Badajoz.
• Markellou P, Mousourouli I., Spiros S., Tsakalidis A. (2005), Using semantic web mining technologies for personalized e-learning experiences, [in:] Proceedings of the web-based education, Grindelwald.
• Mierswa I., Wurst M., Klinkenberg R., Scholz M., Euler T. (2006), Yale: Rapid prototyping for complex data mining tasks, [in:] Proceedings of the I2th ACMSIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-06), Philadelphia.
• Mor E., Minguillón J. (2004), E-learning personalization based on itineraries and long-term navigational behaviour, [in:] WWW Alt. '04: Proceedings of the 13th International World Wide Web Conference on Alternate Track Papers & Posters, New York.
• Page E. (1954), Continuous inspection schemes, Biometrika, Vol. 41.
• Pahl C., Donnellan C. (2003), Data mining technology for the evaluation of web-based teaching and learning systems, [in:] Proceedings of the congress e-learning, Montreal.
• Romero C., Ventura S. (2007), Educational data mining: A survey from 1995 to 2005, Expert Systems with Applications, Vol. 33, No. l.
• Romero C., Ventura S., Espejo P.G., Hervás C. (2008), Data mining algorithms to classify students, [in:] Proceedings of Educational Data Mining 2008: /•" International Conference on Educational Data Mining, Quebec.
• Shen R., Han P., Yang F., Yang Q., Huang J. (2003), Data mining and case-based reasoning for distance learning, Journal of Distance Education Technologies, Vol. 3, No. l.
• Tang T.Y., McCalla G. (2002), Student modelling for a web-based learning environment: A data mining approach, [in:] Eighteenth National Conference on Artificial Intelligence, American Association for Artificial Intelligence, Menlo Park.
• Ventura S., Romero C., Hervás C. (2008), Analyzing rule evaluation measures with educational data-sets: A framework to help the teacher, [in:] Proceedings of Educational Data Mining 2008: l" International Conference on Educational Data Mining, Quebec.
• Wan E. A., van der Merwe R. (2001), The unscented Kalman filter, [in:] Kalman Filtering and Neural Networks, John Wiley & Sons, New York.
• Yu P., Own C., Lin L. (2001), On learning behaviour analysis of web based interactive environment, [in:] Proceedings of ICCEE, Oslo/Bergen.