Новости сайта

Аналитика и машинное обучение на данных Moodle версия 3.4

 
Изображение пользователя Александр Максимов
Аналитика и машинное обучение на данных Moodle версия 3.4
от Александр Максимов - Пятница, 25 Май 2018, 11:40
 

 Тимкин  

Система управления обучением LMS Moodle популярна во всем мире, в том числе, в России благодаря условиям свободного распространения, открытому исходному коду и обширным возможностям, предоставляемым участникам образовательного процесса которые используют дистанционные технологии и электронное обучение. Moodle постоянно развивается. Сегодня объявлен уже выпуск версии 3.5 системы. Но интерес представляет и версия 3.4, которая достаточно хорошо апробирована специалистами и кое-где начинает внедряться в образовательные процессы. Среди новых сервисов можно назвать аналитические возможности, в числе которых - прогнозирование возможности завершения учеником своего курса. Фактически, это - использование технологий BigData и машинного обучения в управление освоением курса ( технологии BigData (большие данные) - информационно-технологические решения, обеспечивающие сходные по характеристикам возможности по обработке сверхбольших массивов данных;  машинное обучение - методы искусственного интеллекта, направленные на обучение в процессе применения решений множества сходных задач).

Директор Ассоциации ОмРЭУ Сергей Леонидович Тимкин лично провел тестирование версии 3.4 системы управления обучением LMS Moodle и высказывает свое мнение о некоторых новых ее возможностях – аналитике и машинном обучении на данных.

Moodle Learning Analytics

Начиная с версии 3.4, ядро Moodle реализует аналитику обучения нового поколения с открытым исходным кодом, которая выходит за рамки простой описательной аналитики. Это – модели, использующие машинное обучение для предсказания успеваемости учащегося и, в конечном счете, для выдачи рекомендаций ученикам и преподавателям. В Moodle 3.4 эта система поставляется с двумя встроенными моделями (фактически одной, если говорить о машинном обучении).

Система может быть легко расширена новыми пользовательскими моделями аналитики, основанными на многоразовых целях, индикаторах и других компонентах. Для расширения предназначена подсистема API Analytics.

Выпуск Moodle Learning Analytics для Moodle 3.4 имеет следующие ограничения:

  • модели, включенные в этот выпуск, должны быть «обучены» на сайте с предыдущими завершенными курсами, а в идеале – с использованием функции завершения курса Moodle
  • модель прогнозирования, включенная в данную версию, требует, чтобы курсы имели фиксированные даты начала и окончания, и не предназначена для использования курсов с так называемым «скользящим» зачислением, а модели, которые поддерживают более широкий диапазон типов курсов, будут включены в будущие версии Moodle
  • модели и прогнозы доступны только преподавателям и администраторам

Особенности и ограничения

Ядро Moodle включает в себя 2 процессора прогнозирования: PHP (по-умолчанию) и Python (более мощный и производительный). Причем, для PHP дополнительные системные требования отсутствуют, а Python требует установки дополнительных инструментов: самого Python и пакета python moodlemlbackend.

Процессоры прогнозирования – это серверы машинного обучения, которые обрабатывают наборы данных, сформированные из рассчитанных индикаторов и целей, и возвращают прогнозы.

Модель прогнозирования показывает учащихся, которые подвержены риску невыполнения (выбытия) из курса Moodle. Она основана на низком участии обучающихся. Определение «выбывание» появляется при отсутствии деятельности в последней четверти курса. В этой модели прогнозирования используется педагогическая модель «Сообщество исследований», состоящая из трех частей: когнитивное присутствие, социальное присутствие, присутствие преподавателя.

Данная модель предсказания способна анализировать и делать выводы из самых разных курсов и применять эти выводы для предсказания новых курсов, даже курсов, никогда ранее не преподаваемых в Moodle.

Когнитивная глубина

Когнитивная глубина является мерой «когнитивного присутствия» в рамках теоретической основы «сообщества исследований». Когнитивное присутствие определяется как «Степень, в которой участники какой-либо конкретной конфигурации сообщества исследования могут создавать смысл через устойчивое общение»

Уровень глубины варьируется в пределах 0–5, где значение 0 указывает на то, что ученик даже не просмотрел активность. Уровни потенциальной когнитивной глубины:

  1. Учащийся изучил детали деятельности (например, прочитал страницу)
  2. Учащийся представил контент на мероприятие (например, ответ на задание)
  3. Учащийся просмотрел отзывы от преподавателя или партнера в активности
  4. Учащийся предоставил обратную связь преподавателю или партнеру в рамках деятельности
  5. Учащийся пересмотрел и/или повторно представил содержание для деятельности

Социальная ширина

Социальная ширина является мерой «социального присутствия» в рамках теоретической основы «сообщества исследований». Она определяется как «Способность участников отождествлять себя с группой или курсом обучения, целенаправленно общаться в доступной среде и постепенно развивать личные и эффективные отношения». Уровень ширины колеблется в пределах от 0–5, где величина 0 указывает на то, что учащийся ни с кем не взаимодействовал. Уровни потенциальной социальной широты:

  1. Учащийся не взаимодействовал с каким-либо другим участником этой деятельности.
  2. Учащийся взаимодействовал, по крайней мере, с одним другим участником (например, они представили задание или попробовали самостоятельную викторину, обеспечивающую обратную связь)
  3. Учащийся взаимодействует с несколькими участниками этой деятельности, например, размещая на дискуссионном форуме, вики, базу данных и т. Д.
  4. Учащийся взаимодействовал с участниками, по крайней мере, в одном «цикле» сообщений «взад и вперед»
  5. Учащийся взаимодействует с людьми вне класса, например, в аутентичном сообществе практики.

Работа модели

После назначения потенциальных уровней каждый учащийся, обучающийся на курсе, оценивается на основе доли достигнутой потенциальной глубины. Например, если активность поддерживает только уровень 3 («задание»), а студент достиг уровня 3, учащийся участвует на 100% возможного уровня когнитивной глубины.

Классифицируя каждую активность с помощью потенциальной когнитивной глубины и социальной широты, мы можем предвидеть, какой уровень участия поддерживается (и, возможно, ожидаемый) у ученика, даже без истории многих действий учеников в этом действии.

Объект и единица анализа

«Анализируемый» элемент Moodle для этой модели – это курс. Это указывает на то, что модель будет проходить через курсы на сайте и обрабатывать каждую из них либо для обучения модели, либо для прогнозирования. Для прогнозирования (prediction) используются текущие курсы. Для обучения – готовые курсы с активностью (with activity).

Предсказания генерируются для каждой единицы, определенной в двоичной выборке (учащийся в текущем курсе). Предсказания бинарны: то есть «студент с риском выбытия» или «ученик, не подверженный риску выпадения».

Интерфейс

После осуществления прогноза по отношению к учащемуся преподаватель или администратор может совершить одно или несколько действий:

  1. Отправить сообщение ученику
  2. Просмотрите «краткий отчет» для учащегося в этом курсе
  3. Просмотреть подробные данные прогноза
  4. Подтвердить уведомление
  5. Отметить уведомление как «не полезное»

Может задаваться временной порядок выдачи прогноза (единовременной, каждую четверть, каждую десятую часть курса).

 

Александр Максимов, ИНОО ОмГУ им. Ф.М. Достоевского