Duże Dane w edukacji > jak jest?

Andrzej Wodecki

Witam, 

ten wpis jest podsumowaniem refleksji z mojego wystąpienia na X Konferencji Rozwój e-edukacji w ekonomicznym szkolnictwie wyższym, która odbyła się 21 listopada 2013 roku na Uniwersytecie Ekonomicznym w Poznaniu. Mówiłem tam o tym, w jaki sposób wykorzystanie Dużych Danych (ang. Big Data) może wpłynąć na przyszłość edukacji. 

Idea wykorzystania tzw. dużych danych w różnych obszarach biznesu nie jest czymś nowym. Firmy takie jak Amazon, Google czy Facebook od lat gromadzą dane o zachowaniach użytkowników po to, by dostosować produkty i reklamy do indywidualnych potrzeb. Wymaga to nie tylko ogromnych zasobów sprzętowych czy zastosowania zaawansowanych metod analiz danych, ale przede wszystkim „inteligentnego” skonstruowania produktu cyfrowego: sposobu, w jaki dane wejściowe zmodyfikują go tak, by Klient był jeszcze bardzie zadowolony. 

Jak to wygląda w edukacji? Używam czasu teraźniejszego, bo okazuje się, że w tym zakresie wiele już się dzieje, vide literatura na końcu tego postu. 

Duże Dane wykorzystywane są w edukacji najczęściej w celu 1. Diagnozy, 2. Rekomendacji i 3. Prognozowania. Przykłady poniżej.

Diagnoza
W Stanach Zjednoczonych od kilku lat wdrażany jest program No Child Left Behind (NCLB), którego celem jest wyrównanie szans edukacyjnych dzieci w różnych częściach kraju, pochodzących z różnych warstw społecznych. W artykule [1] opisano, jak analizy dużych danych mogą pomóc nauczycielom w odkryciu optymalnych sposobów nauczania konkretnych dzieci (liniowo?, holistycznie?, inaczej?) oraz odkryciu ich mocnych i słabych stron

Duże dane mogą też przyczynić się do poprawy metod nauczania języków. W [2] opisano badanie, którego celem było zbadanie efektywności różnych metod nauki czytania ze zrozumieniem w języku ojczystym. Okazało się w szczególności, że metoda polegająca do zachęcenia do ponownej lektury czytanki daje lepsze efekty niż propozycja lektury nowej. 

W [3] przedstawiono projekt, w którym analiza statystyk zachowania uczniów na platformie wspomagającej nauczanie chemii pokazała, że źródłem problemów uczniów (rozwiązywanie zadań) nie jest brak wiedzy chemicznej, ale brak umiejętności matematycznych. 

Rekomendacje
Duże dane mogą być również wykorzystane do rekomendacji. W [4] autorzy opisują zastosowanie rozwijanego na uniwersytecie Carnegie Mellon systemu Intelligent Tutor w analizie metod rozwiązywania problemów przez studentów uczących się chemii i fizyki. System analizuje kroki podejmowane przez studenta, i w razie potrzeby informuje o możliwych błędach i rekomenduje alternatywne metody rozwiązania problemu. "Przy okazji” identyfikuje wzorce myślenia uczniów.

Tzw. silniki rekomendacji w nauczaniu są jednym z głównych produktów firmy Knewton (www.knewton.com) - naprawdę warto przeanalizować ich ofertę i studia przypadków. Są bardzo inspirujące.

Predykcja
Dane z platform e-learning mogą być też wykorzystane w celu prognozowania. W [5] autorzy pokazują „system wczesnego ostrzegania”: model statystyczny, który w oparciu o aktywność na forach dyskusyjnych, czas spędzony na platformie, wizyty na czatach, liczbę wysłanych e-maili, liczbę ukończonych testów i czas spędzony na ich rozwiązaniu pozwala z 81% dokładnością przewidzieć, czy uczeń zda do kolejnej klasy.

Z kolei M. Davis pokazuje w [6] wykorzystanie Dużych Danych do identyfikacji uczniów o podwyższonym ryzyku opuszczenia szkoły. Danymi wejściowymi są w tym przypadku informacje problemach z dyscypliną, wagarowaniu czy zmiany ocen w czasie. 

Przykłady można mnożyć. Jak to może wpłynąć na przyszłość edukacji? Swoją wizję przedstawię w kolejnym poście. W tym miejscu chciałbym tylko zainspirować Was do zastanowienia się, jaki potencjał może tkwić w danych, które generują Wasze platformy e-learning czy systemy dziekanatowe?

Dane dziś są jak para 200 lat temu: niby nic, ale z sensem wykorzystane mogą wywołać rewolucję. 

Serdecznie pozdrawiam, 

aw


[1]. McGraw-Hill, “Building the Best Student Assessment Solution,” New York Acuity, 2009.
[2]. Joseph Beck and Jack Mostow, “How Who Should Practice: Using Learning Decomposition to Evaluate the Efficacy of Different Types of Practice for Different Types of Students,” Proceedings of the 9th International Conference on Intelligent Tutoring Systems, 2008, pp 353-362.
[3]. Sharona Levy and Iri Wilensky, “Mining Students’ Inquiry Actions for Understanding of Complex Systems,” Computers & Education, Volume 56, 2011, pp. 556-573.
[4]. Vincent Aleven, Jonathan Sewall, Bruce McLaren, and Kenneth Koedinger, “Rapid Authoring of Intelligent Tutors for Real-World and Experimental Use,” Human-Computer Interaction Institute, Pittsburgh, Pennsylvania: Carnegie Mellon University, 2006.
[5].  Leah Maacfadyen and Shane Dawson, “Mining LMS Data to Develop an ‘Early Warning System’ for Educators,” Computers & Education, Volume 54, 2010, pp. 588-599.
[6]. Michelle Davis, “Data Tools Aim to Predict Student Performance,” Education Week Digital Directions, February 8, 2012.

Data dodania: 13.01.2014

Tagi wpisu

BidData dane

Andrzej Wodecki

Dr nauk fizycznych (fizyka teoretyczna), absolwent MBA (University of Central Lancashire, UK). Dyrektor Polskiego Uniwersytetu Wirtualnego oraz Uniwersyteckiego Centrum Zdalnego Nauczania i Kursów Otwartych Uniwersytetu Marii Curie Skłodowskiej w Lublinie. Członek Zarządu Stowarzyszenia E-learningu Akademickiego. Inicjator i koordynator wielu polskich i międzynarodowych projektów z zakresu społeczeństwa informacyjnego. Konsultant w zakresie wdrożeń systemów informacyjnych biznesu w obszarze zarządzania zasobami ludzkimi i e-learning. Wieloletnia praktyka szkoleniowa w zakresie systemów IT w zarządzaniu, e-biznesu i marketingu internetowego.