Hezkuntzarako datu-meatzaritza (ingelesez: Educational data mining (EDM)) irakaskuntzaren esparruan datu-meatzaritzaren erabilera da.

Datu-meatzaritza, datu-baseen ezagutzaren aurkikuntzaren antzera ere ezaguna (bere ingelesezko siglak KDD, Knowledge Discovery in Databases dira), makrodatuen edo datu-kopuru handien informazio berri eta potentzialki erabilgarria aurkitzea ahalbidetzen digun eremua da. Hainbat arlotan erabili da, besteak beste, erosketa-saskia, bioinformatika edo terrorismoaren aurkako ikerketak. Duela gutxi, hezkuntza-azterketan datu-meatzaritza erabiltzeko interesa areagotu egin da, hezkuntza-plataformen datuak erabiliko dituzten aurkikuntza-metodoen garapenean eta metodo horien erabileran arreta jarriz, ikasleak eta ikasten duten ingurunea hobeto ulertzeko. Hezkuntzan datu-meatzaritzan erabiltzen diren metodoak, metodo orokorrenetatik ezberdinak izaten dira, eta esplizituki ustiatzen dira datuetan dauden hierarkia-maila anitzak. Metodo psikometrikoak makinak ikasteko metodoekin eta datu-meatzaritzako testuekin integratu ohi dira, helburuak lortzeko. Adibidez, ikasleek hezkuntza-softwarea erabiltzeko moduari buruzko datuak lortuz gero, oso baliagarria izan daiteke teklen pultsazioei, erantzunen mailari, ikasleari, ikasgelari edo eskola osoari buruzko datuak maila desberdinetan kontuan hartzea. Denbora, sekuentzia edo testuinguruaren antzera, beste gai batzuek garrantzi handia dute hezkuntza-datuen azterketan.

Hezkuntzako datu-meatzaritzak teknika eta ikerketei egiten die erreferentzia, hau da, hezkuntza-inguruneko ikaskuntza-jarduerek sortutako edo erlazionaturiko datuen birkokatze handietatik automatikoki esanahia ateratzeko diseinatutako teknikei. Adibidez, hainbat ikaskuntza kudeaketa-sistemek (learnin management systems, LMS) informazioa marrazten dute, hala nola, ikasle bakoitza ikasgai batean zenbat sartzen den eta honi eskeinitako denbora. Beste adibide bat: tutoretza-sistema adimentsuek, datuak erregistratzen dituzte ikasleek soluzio bat ateratzen duen bakoitzeko. Aurkezpenaren denbora bildu ahal izango dute, eskainitako soluzioa, benetako soluzioarekin bat egin edo ez, azken aurkezpenetik igarotako denbora zenbatekoa den, zein ordenatan sartu ziren ebazpenak elkargunean, etab. Datu horien zehaztasuna oso handia da, informatika oinarri duen ikasketa-ingurune baten saio labur batek ere (adibidez, 30 minutu) prozesuko datu asko ekar ditzake.

Beste kasu batzuetan, datuak ez dira hain zehatzak. Adibidez, Unibertsitate batek ikasle bat joaten den ikastaroen aldi baterako zerrenda ordenatu bat izan dezake, bai eta ikasleak maila bakoitzean lortu zuen titulazioa eta ikasleak hautatzen edo karrera aldatzen duenean lortu zuena ere. Hezkuntza-datuen meatzaritzak bi datu mota horietaz baliatzen dira ikasle mota desberdinei buruzko informazio esanguratsua aurkitzeko, bai eta nola ikasten duten, ezagutza menderatzeko egitura eta hainbat ikaskuntza-ingurunetan integratutako irakaskuntza-estrategien eragina ezagutzeko ere. Azterketa horiek informazio berria ematen dute, eta zaila izango litzateke bereiztea, soilik datu gordinei erreparatuz. Adibidez, LMS baten datuen analisiak agerian jar dezake ikasle batek ikasturtean zehar eskuratzen dituen ikaskuntza-objektuen eta azken kalifikazioaren arteko erlazioa. Era berean, ikasle batenak aztertzean, ikasle batek ikastaro partikular batean duen kalifikazioaren eta bere espezialitate akademikoa aldatzeko erabakiaren arteko erlazioa ikus daiteke. Informazio horrek ikuspegi bat ematen du ikaskuntza-giroen diseinuan, eta horrek aukera ematen die ikasleei, irakasleei, eskola-administratzaileei eta hezkuntza-politiken arduradunei hezkuntza-baliabideak elkarreragiteko, hornitzeko eta administratzeko moduari buruzko erabaki informatuak hartzeko.

Irakaskuntzaren datuen analisia bera praktika berria ez den ala, hezkuntza-teknologian berriki egindako aurrerapenek, kalkulu-potentzia handitzeak eta ikasleen ordenagailuetan oinarritutako ikaskuntza-ingurunearen erabilerari buruzko datu zehatzak erregistratzeko gaitasunak barne, gero eta interes handiagoa eragin dute ikastetxeetan sortutako datu-kopuru handiak aztertzeko tekniken garapenean. Interes hau 2000tik 2007ra nazioarteko hainbat ikerketa konferentziatan parte hartu zuen EDM tailerretara itzuli zen. 2008an, ikertzaile talde batek EDMri buruzko urteroko ikerketa konferentzia bihurtu zena ezarri zuen, lehena Montrealen, Kanadan.

EDMekiko interesak handitzen jarraitu zuen heinean, EDMko ikertzaileek aldizkari akademiko bat sortu zuten 2009an, Journal of Educational Data Mining, ikerketaren emaitzak partekatzeko eta zabaltzeko. 2011n, EDMko ikerlariek Data Mining Elkarte Internazionala sortu zuten, EDMko ikertzaileak lotzeko eta eremua zabaltzen jarraitzeko.

2008ko hezkuntza publikoko datuak sartzearekin batera, hala nola, Pittsburgh Science of Learning Centre 's (PSLC) DataShop eta NCES (NCES) hezkuntza estatistikako Zentro Nazionala, datu publikoek hezitzaileen datu minimo eskuragarriagoak egin dituzte, bere hazkundean lagungarriak izan daitezen.

Ryan S. Bakerrek eta Kalina Yacefek EDMren hurrengo lau helburuak identifikatu zituzten:

1. Ikasleen etorkizuneko ikaskuntza-portaerak aurreikusi. Helburu hau lortzeko, ikaslearen ezaugarriak dituzten ikasleen ereduak sortu daitezke, informazio zehatzarekin, hala nola haien ezagutzak, portaerak eta ikasteko motibazioa. Ikaslearen erabiltzaile-esperientzia eta ikaskuntzarekin duen asebetetze orokorra ere kuantifikatzen dira.
2. Domeinu-ereduak aurkitu edo hobetzea. EDMren metodoen eta aplikazioen bidez, posible da eredu berriak aurkitzea eta daudenak hobetzea. Adibidez, hezkuntza-edukia ilustratzea lortzen da, ikasleak motibatzeko eta irakaskuntza metodo optimoak zehazteko, ikaslearen ikaskuntza-estiloa laguntzeko.
3. Hezkuntza-laguntzaren ondorioak eta emaitzak aztertzea.
4. Ikaskuntzari eta ikasleei buruzko ezagutza zientifikoa sustatzea, ikasle-ereduak, EDMko ikerketa-eremua eta erabilitako teknologia eta softwarea eraikiz eta txertatuz.

Lau erabiltzaile eta parte-hartzaile daude hezkuntza-datuen meatzaritzan inplikatuta:

Ikasleak

Ikasleen beharrak eta ikasleen esperientzia eta errendimendua hobetzeko metodoak ulertzea komeni da. Adibidez, ikasleek etekina atera diezaiekete EDMko tresnak erabiltzeagatik aurkitu dituzten ezagutzei, online ikaskuntzako tresnekin dituzten interakzioen eta aurreko edo antzeko ikasleen iritzien arabera erabil ditzaketen jarduerak eta baliabideak iradokitzeko erabiltzeko.Ikasle gazteenekin, hezkuntza-datuen meatzaritzak gurasoei seme-alaben ikaskuntzaren aurrerapenaren berri emateko ere balio dezake. Datu konplexuetan oinarritutako talde horien funtzionamendutik ikastea eta hobetzeko ereduak garatzea da erronka.

Hezitzaileak

Hezitzaileak ikaskuntza-prozesua eta beren irakaskuntza-metodoak hobetzeko erabil ditzaketen metodoak ulertzen saiatzen dira. EDMren aplikazioak erabil ditzakete ikasketa-planak nola antolatu eta egituratu zehazteko, ikastaroko informazioa helarazteko metodorik onenak zehazteko eta ikasleak emaitza ezin hobeak lortzeko motibatzeko erabili beharreko tresnak zehazteko. Bereziki, giza iritzia errazteko datuak barreiatzeko teknika horrek aukera ematen du hezitzaileek hobera egin dezaten, eta, dagoeneko, portaera-ereduak azkar identifikatzeko aukera ematen die. Eredu horietan, ikasturteak irauten duen bitartean beren irakaskuntza-metodoak hobetzen edo etorkizuneko ikasturteak hobetzen lagun dezakete. Hezitzaileek ikasleen gogobetetasuna eta motibazioa, monitorizatu dezakete.

Ikertzaileak

Ikertzaileek eraginkortasunerako datu-meatzaritzako tekniken garapenean eta ebaluazioan jartzen dute arreta. 2008. urtean ikertzaileen nazioarteko konferentzia bat hasi zen. Geroago, Journal of Educational Data Mining sortu zen, 2009an. EDMko gai sorta zabala da: datu-meatzaritzaren erabilera erakundeen eraginkortasuna hobetzeko, eta ikaslearen errendimendua.

Administratzaileak

Administratzaileen ardura baliabideak esleitzea, erakundeetan inplementatzeko. Erakundeak gero eta arduratsuagoak dira ikasleen arrakastarekin, eta, beraz, EDMren aplikazioen administrazioa gero eta ohikoagoa da ikastetxeetan. Ikastetxeek gero eta gehiago tratatzen dute arriskuan dauden ikasleak identifikatzea eta arazoa konpontzea.

Cristobal Romerok eta Sebastian Venturak EDMren lehenengo aplikazioen zerrenda bat egin zuten. Hauek dira EDMren aplikazio-eremuak:

• Datuak aztertzea eta bistaratzea
• Trebatzileei laguntzeko informazioa eskaintzea
• Ikasleentzako gomendioak
• Ikaslearen jarduna aurreikustea
• Ikasleen ereduak sortzea
• Ikasleek nahi ez dituzten portaerak aurkitzea
• Ikasleak taldekatzea
• Sare sozialen azterketa
• Kontzeptu-mapak garatzea
• Ikastaroen eraikuntza - EDM ikastaroak kudeatzeko sistemetan aplika daiteke, hala nola kode irekian egindakoetan (Moodle). Moodlek hainbat jardueraren erabilerari buruzko datuak jasotzen ditu, hala nola proben emaitzak, egindako irakurketen kopurua eta eztabaida-foroetan izandako parte-hartzea. Datu-meatzaritzako tresnak erabiltzaile bakoitzaren ikaskuntza-jarduerak pertsonalizatzeko eta ikasleak ikastaroa osatzeko erritmoa egokitzeko erabil daitezke. Hori onuragarria da, bereziki, hainbat gaitasun-mailatako ikastaroetarako.
• Plangintza eta programazioa

Telefono mugikorreko ikaskuntza-inguruneei buruzko azken ikerketen arabera, datu-meatzaritza erabilgarria izan daiteke. Datu-meatzaritza erabiltzaileei eduki pertsonalizatua ematen laguntzeko erabil daiteke, nahiz eta gailu mugikorren eta PCak moduko gailu estandarren eta haien web-nabigatzaileen edukien kudeaketan desberdintasunak egon.

EDMren aplikazio berrien helburua izango da erabiltzaile ez-teknikoek tresnak erabiltzea eta datu-meatzaritzako jarduerak egitea, datuak biltzea eta prozesatzea EDMren erabiltzaile guztientzat eskuragarriagoa izan dadin. Adibide batzuk, sare sozialak eta horiek ikaskuntzaren eta produktibitatearen emaitzetan duten eragina aztertzen dituzten estatistikak eta bistaratze-tresnak dira.

• "EducationalDataMining.org". 2013. Retrieved 2013-07-15.
• R. Baker (2010) Data Mining for Education. In McGaw, B., Peterson, P., Baker, E. (Eds.) International Encyclopedia of Education (3rd edition), vol. 7, pp. 112-118. Oxford, UK: Elsevier.
• G. Siemens, R.S.j.d. Baker (2012). "Learning analytics and educational data mining: towards communication and collaboration". Proceedings of the 2nd International Conference on Learning Analytics and Knowledge: 252–254.
• "educationaldatamining.org". Retrieved 2020-11-14.
• C. Romero, S. Ventura. Educational Data Mining: A Review of the State-of-the-Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews. 40(6), 601-618, 2010.
• "http://educationaldatamining.org/EDM2008/" Retrieved 2013-09-04
• Baker, Ryan. "Data Mining for Education" (PDF). oxford, UK: Elsevier. Retrieved 9 February 2014.
• Baker, R.S.; Yacef, K (2009). "The state of educational data mining in 2009: A review and future visions". JEDM-Journal of Educational Data Mining. 1 (1): 2017.
• Romero, Cristobal; Ventura, Sebastian (January–February 2013). "WIREs Data Mining Knowl Discov". Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 3 (1): 12–27. doi:10.1002/widm.1075. S2CID 18019486.
• Romero, Cristobal; Ventura, Sebastian (2007). "Educational data mining: A survey from 1995 to 2005". Expert Systems with Applications. 33 (1): 135–146. doi:10.1016/j.eswa.2006.04.005.
• "Assessing the Economic Impact of Copyright Reform in the Area of Technology-Enhanced Learning". Industry Canada. Archived from the original on 13 April 2014. Retrieved 6 April 2014.
• Azarnoush, Bahareh, et al. "Toward a Framework for Learner Segmentation." JEDM-Journal of Educational Data Mining 5.2 (2013): 102-126.
• U.S. Department of Education, Office of Educational Technology. "Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics: An Issue Brief" (PDF). Archived from the original (PDF) on 11 June 2014. Retrieved 30 March 2014.
• Romero, C.; Ventura, S.; Pechenizkiy, M.; Baker, R. S. (2010). Handbook of educational data mining. CRC Press.
• "Big Data in Education". Coursera. Retrieved 30 March 2014.
• "Big Data in Education". edXedxed. Retrieved 13 October 2015.
• "Big Data in Education". Retrieved 17 July 2018.
• "Learning Analytics | Teachers College Columbia University". www.tc.columbia.edu. Retrieved 2015-10-13.
• "How Can Educational Data Mining and Learning Analytics Improve and Personalize Education?". EdTechReview. Retrieved 9 April 2014.

• https://educationaldatamining.org/