Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/8931
Title: Εξόρυξη δεδομένων από διαδικτυακές πλατφόρμες : μελέτη περίπτωσης στην εξ αποστάσεως εκπαίδευση
Other Titles: Data mining in web based platforms : case study in distance learning
Authors: Αντωνέλου, Γεωργία
Keywords: Εξόρυξη δεδομένων
Σύστημα διαχείρισης μάθησης
Κατηγοριοποίηση
Παλινδρόμηση
Πρόβλεψη
Keywords (translated): Data mining
LMS
Classification
Regression
Prediction
Abstract: Τα τελευταία χρόνια πολλά Εκπαιδευτικά Ιδρύματα έχουν υιοθετήσει Διαδικτυακές Πλατφόρμες Μάθησης, όπως Συστήματα Διαχείρισης Μάθησης (Learning Management Systems) και άλλες Διαδικτυακές Εφαρμογές. Η δυνατότητα της λεπτομερούς καταγραφής και αποθήκευσης μεγάλου όγκου δεδομένων (Big Data), καθιστά αυτά τα Συστήματα μια δεξαμενή «κρυμμένης» γνώσης η οποία μπορεί να αποκαλυφθεί με διάφορους μηχανισμούς εξόρυξης (Εξόρυξη Γνώσης από Εκπαιδευτικά Δεδομένα- Educational Data Mining & Learning Analytics). Η ερμηνείας της γνώσης αυτής, δύναται να συνεισφέρει στη λήψη αποφάσεων σε πολλά επίπεδα και κυρίως στη βελτίωση των εκπαιδευτικών και μαθησιακών διαδικασιών που συνδέονται άμεσα με την Εκπαίδευση. Σκοπός της παρούσας διπλωματικής εργασίας είναι η εξόρυξη και αξιοποίηση των δεδομένων και των πληροφοριών που προέρχονται από τη Διαδικτυακή Πλατφόρμα του Ελληνικού Ανοικτού Πανεπιστημίου- ενός εκπροσώπου της εξ Αποστάσεως Εκπαίδευσης- εφαρμόζοντας κατάλληλες μεθόδους και τεχνικές Εξόρυξης Γνώσης σε Εκπαιδευτικά Δεδομένα (EDM). Συγκεκριμένα, παρουσιάζεται μια μελέτη (Case Study) Εξόρυξης Δεδομένων από την Διαδικτυακή Πλατφόρμα Moodle του ΕΑΠ, στο πλαίσιο της Θεματική Ενότητας ΠΛΗ37 «Πληροφορική και Εκπαίδευση» κατά τη διάρκεια ενός ακαδημαϊκού έτους. Πρόκειται για ένα πρόβλημα πρόβλεψης μαθησιακών αποτελεσμάτων (Predicting the Course Outcomes) με τη βοήθεια ενός προβλεπτικού μοντέλου της επίδοσης τελικής εξέτασης στο πλαίσιο της ΘΕ ΠΛΗ37. Η εύρεση του κατάλληλου προβλεπτικού μοντέλου (ή αλλιώς «Κατηγοριοποιητή» - classifier) πραγματοποιήθηκε με τη χρήση κατάλληλης προσέγγισης της μεθόδου Κατηγοριοποίησης (Classification) και διεξήλθε με τη βοήθεια λογισμικών εφαρμογής Αλγορίθμων Εξόρυξης Δεδομένων (Weka, R Programming). Οι ερευνητικές προεκτάσεις της παρούσας έρευνας, όπως προκύπτει και από σχετική βιβλιογραφική ανασκόπηση, είναι η συνδρομή/συνεισφορά κατάλληλων προβλεπτικών μεθόδων (στην τρέχουσα περίπτωση της Κατηγοριοποίησης (Classification) και Παλινδρόμησης (Regression)) για την αντιμετώπιση φαινομένων μη-επιτυχούς επίδοσης των φοιτητών σε μια ΘΕ καθώς και φαινομένων εγκατάλειψης (dropouts) μιας ΘΕ. Επομένως, η αξιοποίηση έγκαιρων και αξιόπιστων πληροφοριών (όπως η πρόβλεψη ακαδημαϊκής επιτυχίας-επίδοσης φοιτητή κ.ά) συντελεί καταλυτικά στη λήψη αποφάσεων και κατ’ επέκταση στην πολύ-επίπεδη βελτίωση (εκπαιδευτικό, μαθησιακό, οργανωτικό, διοικητικό) των Εκπαιδευτικών Δομών.
Abstract (translated): In recent years, many Educational Institutes have adopted Web Based Learning Platforms, like Learning Management Systems (LMS) and other Web Applications. Their abilities to register and store large amounts of data, make such systems invaluable sources of “hidden” knowledge, which can be revealed using various data mining and learning analytic techniques. The interpretation of this knowledge can potentially contribute to decision making at various levels, but, more importantly, it can lead to the enhancement of the educational and learning procedure. The goal of the current thesis is the mining and utilization of data and information that come from the Web-based Platform of the Hellenic Open University (HOU) – one of the pioneering educational institutions in Online and Distance Learning–, by applying suitable data mining techniques on educational data (EDM). In particular, we present a Case Study of data mining on the Web-based Moodle Platform of HOU, concerning the Specialization Series (SS) PLH37 “Informatics and Education”, during a single academic year. We examine the problem of predicting course outcomes by using a suitable predictive model for the outcome of the final exam in the SS PLH37. The derivation of the most suitable predictive model (also known as classifier) was done by applying several classification methods using built-in packages for Data Mining in Weka and R. The impact of the current research (which is derived in relation to the state-of-the-art literature) is the use of predictive methods (and in particular regression models for classification) for prevention of dropout phenomena and student failure in an SS. It is worth noting that the utilization of recent and reliable information for predicting the academic success or failure of a student can improve decision making and in return enhance Educational Structures on various levels (e.g. concerning education, learning, management etc).
Appears in Collections:Τμήμα Μαθηματικών (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Master_Antonelou_ICT_2014.pdf2.59 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.