Симакова А.С.

РГПУ им А.И. Герцена,

г. Санкт-Петербург

Модели визуализации и анализа образовательных данных СДО Moodle

В статье рассмотрены методы реализации моделей анализа и визуализации образовательных данных СДО Moodle, описаны их дальнейшие возможности применения.

Simakova A.S.

HSPU

St. Petersburg, Russia

Models of visualization and analysis of educational data of the Moodle

The article discusses the methods of implementing models for the analysis and visualization of educational data of the Moodle LMC, describes their further application possibilities.

В условиях цифровой трансформации образования системы электронного обучения приобретают широкое распространение, что способствует получению большого объема данных, интерпретация которых позволяет улучшить качество обучения. Эти процессы привели к появлению нового направления в изучении искусственного интеллекта – анализа образовательных данных (АОД).

В литературе уделяется много внимания изучению этому направлению. Согласно исследовательской работе Белоножко П.П., анализ образовательных данных – это направление исследований, связанное с применением методов интеллектуального анализа данных (Data mining), машинного обучения и статистики к информации, производимой к информации о различных аспектах образовательного процесса ВУЗа [2][3].

Рассмотрим некоторые подходы к анализу и визуализации образовательных данных, источником которых является система дистанционного образования Moodle.

Moodle – это система управления электронными курсами. Платформа интегрируется с различными программными системами, включая инструменты для общения, совместной работы, управления документами и другие приложения для повышения производительности [5].

Стандартная конфигурация СДО Moodle предусматривает следующие отчеты для анализа образовательных данных: «Разбивка по компетенциям», «Журнал событий», «Отчет о деятельности», «Участие в курсе» и другие.

Опишем разработанные автором модели визуализации и анализа образовательных данных, базирующихся на данных отчета журнала событий. Нами был выбран этот отчет, так как он содержит наибольшее количество информации по выбранному учебному курсу (рис. 1). Для реализации моделей АОД необходимы следующие данные:

1 Время доступа в формате «YYYY-MM-DD hh:mm:ss;

2  Контекст события – название курса или его части, к которому обращались участники;

3 Название события – описание действия пользователя, например: «Представлен ответ», «Профиль пользователя просмотрен», «Форма оценивания просмотрена» и другие. 

simakova-1

Рис. 1 – Скриншот отчета «Журнал событий»

 

Модель реализуется на языке программирования Python с использованием популярных библиотек – pandas и matplotlib.

Библиотека pandas предоставляет структуры данных и функции, обеспечивающие достаточно простую и эффективную работу со сложными данными. С момента появления в 2010 году эта библиотека способствовала превращению Python в мощную и продуктивную среду анализа данных. [4]

Библиотека matplotlib – популярный в Python инструмент для создания графиков и других способов визуализации двумерных данных. Первоначально она была написана Джоном Д. Хантером (John D. Hunter), а теперь сопровождается большой группой разработчиков [4].

Для разработки моделей анализа и визуализации СДО Moodle были осуществлены следующие этапы:

1. Экспорт данных «Журнал событий» в csv файл;

2. Импорт файла в базу данных, развернутую на локальном сервере;

3. Предварительная обработка данных с помощью SQL: сопоставление названий элементов курсов с их количеством или временем посещений;

4. Сохранение полученных данных в новом документе формата .csv;

5. Написание скрипта для визуализации данных.

 

Целью модели является визуальное представление количества просмотров учебных материалов в виде круговой диаграммы, поэтому предварительная обработка данных заключалась в сопоставлении названий элементов курса с суммой их посещений.

Данные, взятые для построения графика, не опирались на конкретных учащихся, то есть являлись информацией о курсе в целом за весь период времени с момента его опубликования. Поэтому, чтобы получить статистику просмотров лекционных материалов по определенной группе студентов, необходимо добавить дополнительное условие в выборку данных с помощью SQL-запроса, так как «Журнал событий» не предусматривает составление отчетов по нескольким выбранным пользователям одновременно. 

simakova-2

Рис. 2

 

Диаграмма (рис 2.) отображает процентное соотношение количества просмотров учебных материалов всеми студентами группы, где 100-% показатель – суммарное количество посещений всех лекций. С помощью такого графика преподаватель может быстро оценить статистику ознакомления студентов с различными элементами курса.

Рассмотрим скрипт на языке Python, который визуализирует исходные данные, а именно наименования лекций, сопоставленные с их количеством просмотров, в виде круговой диаграмме.

simakova-script-1

Программа предусматривает использование дополнительной библиотеки random для генерации списка со случайными кодами цветов, которые нужны при оформлении графика. Это сделано для того, чтобы каждому значению из файла соответствовал свой цвет, вне зависимости от количества данных.

Аналогично можно получить информацию о биоритмах участников курса, например, визуализировать данные о времени отправления практических заданий, предложенных преподавателем курса (рис. 3). На оси X отображаются названия работ, выполненных студентами, а по оси Y - интервалы времени их сдачи, например, от 0 до 5 – документ загружен в СДО Moodle с 00:00 до 05:00, от 5 до 10 – в интервал времени с 05:00 до 10:00 и т.д.

simakova-3

Рис. 3

 

Временная модель способна помочь преподавателю оценить часы активности студентов. Исходными данными для реализации графика послужила информация о времени загрузки практических заданий в СДО Moodle.

Как и в случае с круговой диаграммой, временная модель содержит информацию о курсе в целом, а не о группе выбранных пользователей, с возможностью изменить это при помощи дополнительного SQL-запроса.

Скрипт, разработанный на языке Python:

simakova-script-2

Такого рода визуализация образовательных данных ускоряет восприятие информации, а интерпретация преподавателем результатов поможет улучишь образовательный процесс. Например, выявление взаимосвязи содержания лекционного материала с количеством его просмотров ставит, очевидно, перед преподавателем вопрос, почему одна лекция набирает большое количество посещений, в то время как с другой практически не взаимодействовали.

Рассмотренные в статье методы обработки данных могут быть включены в практические задания дисциплин, связанных с изучением информационных технологий для развития цифровых компетенций будущих учителей информатики: поиск и отбор, извлечение данных по заданным критериям, оценка качества данных, формализация и решение с использованием цифровых инструментов различных классов задач, в том числе, связанных с обработкой образовательных данных [1].

Для их успешного решения студенты должны владеть основами языка программирования Python и методами АОД, знать команды для управления данными (SQL-операторы).

Разработанные автором подходы предполагается развивать для визуализации других образовательных данных. Например, уровень усвоения учебных материалов электронных курсов можно представить в виде графиков, демонстрирующих статистику выполнения практических и лабораторных заданий.

 

Литература:

1. Баранова Е. В., Симонова И.В. Развитие цифровых компетенций будущих учителей информатики при обучении алгоритмам машинного обучения и их программной реализации / Перспективы науки. - 2022. - N 5 (152). - С. 127-136.

2. Баранова Е. В., Швецов Г. В. Методы и инструменты для анализа цифрового следа студента при освоении образовательного маршрута / Перспективы науки и образования. - 2021. - N 2 (50). – С. 415-430.

3. Белоножко П.П., Карпенко А.П., Храмов Д.А. Анализ образовательных данных: направления и перспективы применения // Интернет-журнал «НАУКОВЕДЕНИЕ» Том 9, №4 (2017), URL: http://naukovedenie.ru/PDF/15TVN417.pdf (дата обращения 30.01.2022).

4. Маккинни, У. Python и анализ данных / У. Маккинни ; перевод с английского А. А. Слинкина. — 2-ое изд., испр. и доп. — Москва : ДМК Пресс, 2020. — 540 с. — ISBN 978-5-97060-590-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/131721 (дата обращения: 31.01.2022). — Режим доступа: для авториз. пользователей.

5.        Moodle // Википедия URL: https://ru.wikipedia.org/wiki/Moodle (дата обращения: 30.01.2023).

комментарии: