БАЗИС ФОРМИРОВАНИЯ ПРОГРАММНО-МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ В ЗАДАЧАХ ИТ ОБРАЗОВАНИЯ
Аннотация
В статье рассмотрены проблемы и задачи разработки программно-математического обеспечения основных бизнес-процессов ВУЗа на примере ИТ образования. Обоснована необходимость использования методов анализа при разработке программно-математического обеспечения для ИТ систем современных ВУЗов и перечислен ряд актуальных задач к решению которых можно подойти с помощью предлагаемого фреймворка. В работе описаны исследовательская гипотеза, цель, методология и этапы проведения исследований, а также достигнутые результаты. Материалы исследования представляют из себя априорные(ретроспективные) и апостериорные (текущие)образовательные данные.Эти данные получены из общедоступных источников и содержат сведения об учебной деятельности в виде результатов экспериментальных наблюдений по репрезентативной выборке учащихся. Для формального описания полученных данных использовано представление на основе математического аппарата теории множеств и алгебраических структур. Предложен авторский метод классификации выявленных источников образовательной информации по трем значимым признакам. Проведен анализ бизнес-процессов, отражающих взаимодействие учащихся между собой и взаимодействия учащегося и преподавателя в процессе обучения. На их основе предложена модифицированнаямодель архитектуры системы управления учебным процессом ВУЗА. Данная модель построена на основе бизнес-процессов коллаборации и кооперации при осуществлении учебной деятельности.Она отражает изменения, которые произошли за последние пять лет в связи с активным внедрением цифровых способов связи и интерактивного взаимодействия.Приведен перечень имеющихся инструментов для проведения разработки с использованием методов анализа данных, перечислены их достоинства и недостатки. Обоснован выбор инструментального средства, среды разработки и языка программированиядля модуля анализа данных в составе фреймворка. Разработанный базис позволит подойти к задаче адаптация и персонификация учебного процесса с использованием современных ИТ-технологий и технологий Big Data, а также решить частично проблему унаследованных ИС отечественных ВУЗов на основе использования накопленных данных.
Литература
[2] Bienkowski M., Feng M., Means B. Enhancing Teaching and Learning Through Educational Data Mining and. Learning Analytics: An Issue Brief, Washington, D.C., 2012. Available at: https:// tech.ed.gov/wp- content/uploads/2014/03/edm-la-brief.pdf (accessed 01.02.2018).
[3] Calvet Liñán, L., Juan Pérez, Á.A. Educational Data Mining and Learning Analytics: differences, similarities, and time evolution. RUSC. Universities and Knowledge Society Journal. 2015; 12(3):98-112. DOI: http://dx.doi.org/10.7238/rusc.v12i3.2515
[4] Romero C., Ventura S. Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2013; 3(1):12–27. DOI: https://doi.org/10.1002/widm.1075
[5] Romero C., Ventura S., Pechenizkiy M., Baker R.S.J.D. (Eds.) Handbook of Educational Data Mining. Boca Ratón, FL: CRC Press. 2010. 503 p.
[6] Nithya P., Umamaheswari B., Umadevi A. A Survey on Educational Data Mining in Field of Education. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET). 2016; 5(1):69-78. Available at: http://ijarcet.org/wp-content/uploads/IJARCET-VOL-5-ISSUE-1-69-78.pdf (accessed 01.02.2018).
[7] Kumar J. A Comprehensive Study of Educational Data Mining. International Journal of Electrical Electronics & Computer Science Engineering. Special Issue - TeLMISR 2015. 2015. p. 58-63. Available at: http://www.ijeecse.com/T110.pdf (accessed 01.02.2018).
[8] Sweeney M., Lester J., Rangwala H. Next-term student grade prediction. Proceedings of 2015 IEEE International Conference on Big Data (Big Data) (BIG DATA '15). IEEE Computer Society, Washington, DC, USA, 2015. p. 970-975. DOI: https://doi.org/10.1109/BigData.2015.7363847
[9] Peña-Ayala A. Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications. 2014; 41(4-1):1432-1462. DOI: https://doi.org/10.1016/j.eswa.2013.08.042
[10] Knight S., Shum S.B. Theory and Learning Analytics. In Lang C., Siemens G., Wise A.F., Gaevic D., editors, The Handbook of Learning Analytics. 2017. p. 17–22. Society for Learning Analytics Research (SoLAR), Alberta, Canada, 1 edition. DOI: https://doi.org/10.18608/hla17
[11] Shaffer D.W., Collier W., Ruis A.R. A Tutorial on Epistemic Network Analysis: Analyzing the Structure of Connections in Cognitive, Social, and Interaction Data. Journal of Learning Analytics. 2016; 3(3):9-45. DOI: http://dx.doi.org/10.18608/jla.2016.33.3
[12] Romero C., López M.-I., Luna J.-M., Ventura S. Predicting students' final performance from participation in on-line discussion forums. Computers & Education. 2013; 68:458-472. DOI: https://doi.org/10.1016/j.compedu.2013.06.009
[13] Kavitha G., Raj L. Educational Data Mining and Learning Analytics - Educational Assistance for Teaching and Learning. International Journal of Computer and Organization Trends (IJCOT). 2017; 7(2):21-25. DOI: https://doi.org/10.14445/22492593/IJCOT-V41P304
[14] Zorina N.V. Intellectual analysis of data from the results of individual experiments to assess social objects of observation: Dis. ... Master of Tech. sciences. Moscow: MTU MIREA, 2017, 78 p. (In Russian)
[15] Klir D.J. Systemology. Automation of system task solution. M.: Radio and Communication, 1990. 544 p. (in Russian)
[16] Panchenko V.M. Computer technologies and training systems. The technology of shared content units in the system of programs of single experiments. Part 2. M.: MIREA, 2008. 156 p. (in Russian)
[17] Zorina N.V., Panchenko V.M. Experimental software for modeling and interpreting educational data analysis processes. Modern Information Technology and IT-education. 2017; 13(4):207-215. (in Russian) DOI: https://doi.org/10.25559/SITITO.2017.4.483
[18] IEEE 1484.12.3. Standard for Learning Technology – Extensible Markup Language (XML) Schema Definition Language Binding for Learning Object Metadata. Available at: http://standards.ieee.org/findstds/standard/1484.12.3-2005.html (accessed 01.02.2018).
[19] Rapid Mining Data Mining. Available at: http://rapidminer.com/resources (accessed 01.02.2018).
[20] Waikato Environment for Knowledge Analysis. Available at: https://www.cs.waikato.ac.nz/ml/weka (accessed 01.02.2018).
[21] Hall M., Frank E., Holmes G., Pfahringer B., Reutemann P., Witten I.H. The WEKA data mining software: an update. ACM SIGKDD Explor. Newsl. 2009; 11(1):10-18. DOI: http://dx.doi.org/10.1145/1656274.1656278
[22] Orange Data Mining. Available at: https://orange.biolab.si (accessed 01.02.2018).
[23] Demšar J., Curk T., Erjavec A., Gorup ˇCrt., Hocevar T., Milutinovic M., Možina M., Polajnar M., Toplak M., Staric A., Štajdohar M., Umek L., Žagar L., Žbontar J., Žitnik M., Zupan B. Orange: Data mining toolbox in python. Journal of Machine Learning Research. 2013; 14(Aug):2349–2353. Available at: http://www.jmlr.org/papers/volume14/demsar13a/demsar13a.pdf (accessed 01.02.2018).
[24] Narwal M., Mittal P. Knowledge Extraction based on Evolutionary Learning (KEEL): Analysis of Development Method, Genetic Fuzzy System. International Journal of Computer Applications & Information Technology. 2012; 1(1):22-25. Available at: http://ijcait.com/IJCAIT/117.pdf (accessed 01.02.2018).
[25] Berthold M.R. et al. KNIME: The Konstanz Information Miner. In: Preisach C., Burkhardt H., Schmidt-Thieme L., Decker R. (eds) Data Analysis, Machine Learning and Applications. Studies in Classification, Data Analysis, and Knowledge Organization. Springer, Berlin, Heidelberg, 2008. p. 319-326. DOI: https://doi.org/10.1007/978-3-540-78246-9_38
[26] Knime Analytics Platform. Available at: URL: https://www.knime.com/resources (accessed 01.02.2018).
[27] Zorina N.V., Panchenko V.M. Description of the simulation object for setting up an experiment to evaluate the results of the trainee's activity according to the programs of a single experiment. Internauka. 2017; no. 11-1(15):25-27. (in Russian)
[28] Zorina N.V. Intellectual analysis of educational data: a retrospective and development prospects / N.V. Zorina, V.M. Panchenko, A.L. Zorin // Scientific discussion: Mathematics, Physics, Chemistry, Biology: coll. Art. on the materials of the LIII-LIV International Scientific and Practical Conference "Scientific discussion: Mathematics, Physics, Chemistry, Biology". 2017. No. 5-6(38). M., ed. "Internauka", 2017. Pp. 42-52. (in Russian)
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
