כריית מידע בחינוך

כריית מידע בחינוך או כריית נתונים בחינוך (באנגלית: Educational Data Mining או EDM) מיישמת שיטות של כריית מידע, למידת מכונה וסטטיסטיקה על מנת לענות על צרכים שונים של מערכות חינוך (לדוגמה אוניברסיטאות ובתי ספר), ובהם הערכת חומרי הלמידה והתאמתם, הערכת תהליכי למידה, זיהוי התנהגויות של לומדים ועוד[1]. מטרת התחום היא לפתח ולשפר את השיטות לחקר הנתונים הללו על מנת לגלות תובנות חדשות על האופן שבו אנשים לומדים[2][3].

הגדרה

כריית מידע בתחום החינוך היא שיטת מחקר המשמשת לאפיון והבנת התנהגות הלומדים בסביבות מתוקשבות. 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. 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[4][5].

תהליך כריית המידע

לשם כריית המידע מפעילות ממוחשבת או מקוונת נעשה שימוש בקובצי יומן. פעילות הלומדים או המלמדים (לחיצות העכבר או המקשים) מתועדים בקבצים ממוחשבים הנקראים 'קובצי יומן' (log files). קבצים אלה מכילים נתונים גולמיים המציגים איזו פעולה בוצעה, מתי היא בוצעה ומי ביצע אותה וכן מאיזו כתובת IP בוצעה. כדי לעבד נתונים אלה נערך תהליך של ניקוי וקידוד. לאחר מכן מופעלים על המשתנים אלגוריתמים ושיטות סטטיסיות שונות[1].

דוגמאות

ניתן להשתמש בכריית נתונים בחינוך על מנת לנתח את הנתונים הרבים שמגיעים ממערכות ניהול למידה (LMSs). המערכות האלה אוספות מידע על כניסות של תלמיד למערכת, ניסיונות ההגשה של עבודה מסוימת, הזמן שלקח לתלמיד לענות שעל שאלה וכו'. באמצעות נתונים אלה ניתן לנתח תהליכי למידה, ליצור פרופילים של לומדים. שימוש נוסף לכריית נתונים בחינוך הוא עבור למידה מותאמת אישית. באמצעות איסוף המידע בזמן אמת מפעילות הלומד במערכת והתאמת המערכת ללומד באופן אישי[6].

משתמשים בעלי עניין בכריית מידע בחינוך

קהל היעד מטרות
סטודנטים, תלמידים ייצור חוויית 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 פיתוח ובחינת איכות של קורסים. פיתוח והערכת כלים לכריית מידע כדי להמליץ על הכלי המתאים לכל משימה.
ארגונים, ספקי תוכן לימודי, אוניברסיטאות פיתוח דרכים יעילות להערכה. הצעת הקורסים המתאימים ביותר. קבלת החלטות מושכלת ומבוססת על מידע.
מנהלי ארגונים, מפקחים אזוריים, משרד החינוך שימוש מיטבי במשאבים קיימים. הערכת תוכניות לימוד ורפורמות.

יישומים

רשימה של היישומים העיקריים של כריית מידע בחינוך מסופקת על ידי Ventura & Romero בטקסונומיה שלהם[7], תחומי יישום כריית מידע בחינוך הם:

  • ניתוח והחזיה (ויזואליזציה) 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

מקורות לפיתוח כריית מידע בחינוך

נתונים רלוונטיים לכריית מידע בחינוך עשויים להגיע ממקורות שונים ומגוונים, כגון:

  1. מערכות לא מקוונות: ביצוע ניתוח של מידע 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.

דילמות אתיות

דילמות אתיות רבות מתייחסות לשמירה על פרטיות של תלמידים ומשתתפים בפעילות חינוכית. היכולת לפתח מערכות שעוקבות ומנתחות נתונים רגשיים, פיזיולוגיים ואחרים מעלה חששות לגבי האתיקה של כריית נתונים בחינוך. לכן יש להשתמש בסוגי נתונים שנבחרו בקפידה ולהשתמש באמצעים המגנים על הפרטיות של המשתמשים[6]. בנוסף על הנחקרים להיות מיודעים על היותם מושאי מחקר, ובמידה ואין זה אפשרי יש להסיר סממנים מזהים של הנחקרים לפני תחילת תהליך כריית הנתונים[1].

ראו גם

לקריאה נוספת

  • Data Mining and Knowledge Discovery Handbook - Maimon, Oded, Rokach, Lior
  • Romero, Cristóbal; Ventura, Sebastián (2010). "Educational Data Mining: A Review of the State of the Art". IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews. Institute of Electrical and Electronics Engineers (IEEE). 40 (6): 601–618. doi:10.1109/tsmcc.2010.2053532. ISSN 1094-6977.
  • 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

הערות שוליים

  1. ^ 1 2 3 כריית נתונים למטרת חקר התנהגויות תלמידים בסביבות מתוקשבותגלית בן-צדוק, כריית נתונים למטרת חקר התנהגויות תלמידים בסביבות מתוקשבות (ארכיון)
  2. ^ "EducationalDataMining.org". 2013. נבדק ב-2013-07-15.
  3. ^ Scheuer, O. & McLaren, B.M, “Educational Data Mining, Encyclopedia of the Sciences of Learning, Springer.
  4. ^ גלית בן צדוק, משה לייבה, רפי נחמיאס, רחל מינץ, למידה בכל מקום ובכל עת? הערכת מאפיינים של למידה מתוקשבת בכיתה לעומת בבית, באמצעות כריית נתונים
  5. ^ הדרך החדשה להערכת למידה מתוקשבת - Web Mining, באתר מתודיקה, ניזולטר(הקישור אינו פעיל)
  6. ^ 1 2 ביג דאטה בחינוך, באתר mindCET (ארכיון)
  7. ^ Romero, Cristóbal; Ventura, Sebastián (2010). "Educational Data Mining: A Review of the State of the Art". IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews. Institute of Electrical and Electronics Engineers (IEEE). 40 (6): 601–618. doi:10.1109/tsmcc.2010.2053532. ISSN 1094-6977.