משתמשת:Hagaragar/כריית נתונים בחינוך טיוטה

‎‎‎‏

שגיאות פרמטריות בתבנית:לשכתב
פרמטרי חובה [ נושא ] חסרים

כריית מידע חינוכית או כריית נתונים חינוכית (באנגלית: Educational Data Mining או EDM) מיישמת שיטות של כריית נתונים, למידה חישובית וסטטיסטיקה לחקר סוגי המידע האופייניים למערכות חינוך (לדוגמה אוניברסיטאות). מטרת התחום היא לפתח ולשפר את השיטות לחקר הנתונים הללו על מנת לגלות תובנות חדשות על אופן שבו אנשים לומדים. הנתונים קיימים במספר רמות הירכיות.

EDM תרם לתאוריות של למידה שנחקרו על ידי חוקרים בפסיכולוגיה חינוכית ומדעי למידה.

הגדרות

כריית נתונים בתחום החינוך הינה שיטת מחקר המשמשת לאפיון והבנת התנהגות הלומדים בסביבות מתוקשבות. -להוסיף הערת שוליים למחקר ממנו לקחתי את ההגדרה- המושג מתייחס לטכניקות, כלים ומחקרים שמטרתם איסוף וניתוח אוטומטי של מידע ממאגרים גדולים של נתונים שנוצרו על ידי או הקשורים לפעילות של אנשים במסגרות חינוכיות. לעתים קרובות, הנתונים אלה הם נרחבים, פרטניים ומדויקים. - למחוק את השורה ?

כריית נתונים מתבצעת על ידי הפעלה של שיטות סטטיסטיות על מאגרי נתונים גדולים ברשת, על מנת לגלות בעזרתם מידע חבוי ובעל ערך. בשיטה זו, פעולות התלמידים בסביבות הלמידה נאספות ומתועדות בקבצים ממוחשבים, הנקראים קובצי יומן Log Files) ), והן מנותחות באמצעות שיטות סטטיסטיות שונות.

דוגמאות

לדוגמה, מערכות ניהול למידה (LMSs) אוספות מידע על כניסות של תלמיד למערכת במספר רמות: כגון מספר כניסות, פירוט פריטים, מספר דקות לפריט, וכמה דקות אובייקט הלמידה הוצג על מסך המחשב של המשתמש. כדוגמה נוספת, בכל פעם שתלמיד מגיש פתרון לבעיה מערכת מעדכנת את מועד ההגשה, מידת התאמה לפתרון המצופה, את משך זמן שחלף מאז ההגשה האחרונה, הסדר שבו רכיבי פתרון הוכנסו לממשק, וכו'. הדיוק של נתונים אלה הוא כזה שאפילו מפגש קצר למדי עם סביבת למידה מבוססת מחשב (לדוגמה: 30 דקות) עשוי לייצר כמות גדולה של נתונים לניתוח. במקרים אחרים, EDM מאפשר ניתוח ברמת רזולוציה שונה. ניתוח נתונים מ-LMS עשוי לחשוף קשרים בין אובייקטים לימודיים שתלמיד ניגש אליהם במהלך הקורס לבין ציונו הסופי. בדומה לכך, ניתוח נתונים ממסלול אקדמי של תלמידים יכול לחשוף קשר בין ציונם בקורס מסוים לבין ההחלטה לשנות מקצוע עיקרי. מידע כזה מספק תובנה על העיצוב של סביבות למידה, המאפשר לתלמידים, מורים, מנהלי בתי ספר, וקובעי מדיניות חינוכית לקבל החלטות מושכלות לגבי איך לתקשר, לספק ולנהל את המשאבים חינוכיים.

מקורות לפיתוח כריית מידע בחינוך

1. מערכות לא מקוונות: ביצוע ניתוח למידע על התנהגות וביצועים של תלמידים, ושל תוכניות לימוד כפי שנאספו במערכות חינוך ובכיתות
2. מערכות למידה ממוחשבת, מתוך מידע על סטודנטים שנשמר בקובצי הלוג של מערכות אלה, ובמערכות המידע שלהן
3. מערכות ללמידה חכמה, מנסות להתאים את הלמידה לפרופיל ולצרכים של הלומד.

משתמשים בעלי עניין בכריית מידע בחינוך

קהל היעד	מטרות
סטודנטים, תלמידים	ייצור חווית למידה מותאמת אישית ומעניינת. ייצור תרגול המותאם אישית לידע של הלומד. הצעה של תכנים רלוונטיים נוספים.
מורים	קבלת פידבק אובייקטיבי לגבי ההוראה. קבלת מידע לגבי ההתקדמות האישית של כל תלמיד. לזהות טעויות נפוצות ושיטות למידה אפקטיביות.
מפתחי קורסים, חוקרים חינוכיים	לפתח ולבחון איכות של קורסים. לפתח ולהעריך כלים לכריית מידע כדי להמליץ על הכלי המתאים לכל משימה.
ארגונים, ספקי תוכן לימודי, אוניברסיטאות	לפתח דרכים יעילות להערכה. להציע את הקורסים המתאימים ביותר. לבצע קבלת החלטות מושכלת ומבוססת על מידע
מנהלי ארגונים, מפקחים אזוריים, משרד החינוך	שימוש מיטבי במשאבים קיימים. להעריך תוכניות לימוד ורפורמות.

יישומים

רשימה של היישומים העיקריים של EDM מסופקת על ידי Ventura & Romero בטקסונומיה שלהם, תחומי יישום EDM הם:

• ניתוח וויזואליזציה של נתונים
• מתן משוב למדריכים התומכים בלמידה
• המלצות לסטודנטים
• חיזוי ביצועי תלמידים
• מידול סוגי סטודנטים (לדוגמה סגנונות למידה)
• זיהוי התנהגויות בלתי רצויות של הסטודנט
• שיבוץ תלמידים להקבצות מתאימות
• ניתוח רשתות חברתיות
• פיתוח מפות קונספטואליות
• בניית לומדות
• תכנון ותזמון הוראה/ למידה

היסטוריה

ההתקדמות בטכנולוגיה חינוכית, ובפרט העלייה בכוח מחשוב וביכולת כריית נתונים לגבי השימוש של תלמידים בסביבת למידה מבוסס מחשב, הביאו לעניין מוגבר בפיתוח טכניקות לניתוח כמויות גדולות של נתונים שנוצרו במסגרות חינוכיות. עניין זה תורגם לסדרה של סדנאות EDM שתתקיימנה בין 2000-2007 כחלק מכמה כנסים אקדמיים/כנסי מחקר הבינלאומים. ב-2008, קבוצה של חוקרים הקימה את כנס שנתי בינלאומי למחקר על EDM, הראשון שבם התקיים במונטריאול, קנדה. עניין ב-EDM המשיך לעלות, חוקרי EDM ייסדו כתב עת אקדמית ב-2009, לשיתוף והפצת תוצאות מחקר. ב-2011, חוקרי EDM ייסדו אגודה הבינלאומית לכריית נתונים בחינוך.

קווי מתאר למחקר העתידי בתחום

• כלים של EDM צריכים להיות מתוכננים להיות קלים יותר לשימוש של אנשי חינוך ולמשתמשים שאינם מומחים בכריית נתונים
• אינטגרציה עם מערכות e-learning
• סטנדרטיזציה של נתונים ומודלים
• יש להתאים אלגוריתמי כרייה מסורתיים להקשר החינוכי.

דילמות אתיות

דילמות אתיות רבות מתייחסות לאיסוף נתונים מאסיבי של תלמידים לשם מחקר. מצד אחד עומד הרצון של החוקרים, לקבל מידע רב ככל הניתן, שיעזור להבין את תהליכי הלמידה והחשיבה של תלמידנו. מצד שני - הזכות של תלמידים (ושל הוריהם) לפרטיות היא ערך שלא ניתן לזלזל בו. כבר היום קיימות במערכת החינוך מערכות למידה הכוללות איסוף נתונים במהלך הלמידה (LMS). http://en.wikipedia.org/wiki/Learning_management_system מערכות אלו אוספות מידע רב (תשובה של התלמידים, ציונים, מספר הניסיונות שלהם לענות, זמן תשובה ועוד). שלוש מטרות עיקריות של עיבוד מידע זה, המשמשות את תהליך הלמידה הן:

• מתן משוב מיידי לתלמיד;
• בחירת הפריטים הבאים במשימת התלמיד;
• מתן משוב מיידי למורה על מצב התלמיד והכיתה כולה.

שמירת מידע כזה לטווח ארוך עלולה לפגוע בעתיד בפרטיות התלמידים, שכן המידע מקושר בדרך כלל למספר הזהות שלהם (או פרטים מזהים אחרים).

קורסים

באוקטובר 2013 Coursera הציעו קורס מקוון חינמי “Big Data in Education” אשר מלמד כיצד להשתמש בשיטות של כריית נתונים בחינוך

לקריאה נוספת

• Data Mining and Knowledge Discovery Handbook - Maimon, Oded, Rokach, Lior
• Romero, C., & Ventura, S. (2010). Educational data mining: a review of the state of the art. Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, 40(6), 601-618

קישורים חיצוניים

• כריית נתונים למטרת חקר התנהגויות תלמידים בסביבות מתוקשבות - אתר מט"ח (בעברית)
• למידה בכל מקום ובכל עת? הערכת מאפיינים של למידה מתוקשבת בכיתה לעומת בבית, באמצעות כריית נתונים (בעברית)
• מהו ה-web mining? (כריית נתונים) ומה הקשר שלו ללמידה מתוקשבת? (בעברית)
• International Educational Data Mining Society (באנגלית)

הערות שוליים

שגיאות פרמטריות בתבנית:הערות שוליים
פרמטרים [ טורים ] לא מופיעים בהגדרת התבנית

קטגוריה:מידע קטגוריה:חינוך