A big data analytics framework to support adaptive and personalized learning environments

Σήμερα, η τεχνολογική άνθηση έχει μια αναδυόμενη συνέργεια με οργανισμούς, κοινωνικές και ατομικές υποθέσεις. Οι Τεχνολογίες Πληροφορικής και Επικοινωνιών ενεργοποιούν συνεχώς τις εξελίξεις στους περισσότερους τομείς της κοινωνίας μας. Διαμορφώνοντας νέες ανάγκες και υπηρεσίες, συγκεντρώνονται τεράστιες ποσότητες πληροφοριών σε βάσεις δεδομένων. Η καθημερινή χρήση των τεχνολογικών επιτευγμάτων και η τεράστια ποσότητα των καταγεγραμμένων πληροφοριών οδηγούν τους εμπλεκόμενους φορείς στη βελτίωση της λήψης αποφάσεων με τη διαδικασία ανάλυσης δεδομένων. Με γρήγορο ρυθμό, οι τεχνικές μεγάλες δεδομένων και τα έξυπνα συστήματα χρησιμοποιούνται ευρέως στη διαχείριση δεδομένων και στην εξαγωγή γνώσης για τη χάραξη πολιτικής.Η κυριαρχία της ψηφιακής τεχνολογίας έχει επεκταθεί στον τομέα της εκπαίδευσης και συνδέεται αναπόφευκτα με τις μεθόδους ηλεκτρονικής μάθησης. Η είσοδος των Τεχνολογιών Πληροφορικής και Επικοινωνιών στην εκπαίδευση άλλαξε τις συμβατικές πρακτικές μάθησης και διδασκαλίας σε όλο τον κόσμο. Η εξ αποστάσεως εκπαίδευση έχει υιοθετήσει ευρέως τα συστήματα διαχείρισης της μάθησης ως άμεσο και εναλλακτικό τρόπο για μια ποικιλία ενήλικων φοιτητών ώστε να αποκτήσουν πρόσβαση σε εκπαιδευτικούς πόρους και υπηρεσίες. Η παγκόσμια ανταγωνιστικότητα και οι προσδοκίες των σπουδαστών για εξατομικευμένες εκπαιδευτικές υπηρεσίες οδηγούν την ακαδημαϊκή κοινωνία να ξεπεράσει την έλλειψη σωματικής επαφής στην εξ αποστάσεως εκπαίδευση, εκμεταλλευόμενη την πληθώρα των αλληλεπιδράσεων των φοιτητών στα συστήματα διαχείρισης μάθησης. Τα ποσοστά εγκατάλειψης είναι μία από τις βασικές ανησυχίες της εξ αποστάσεως εκπαίδευσης λόγω της επίπτωσης στα κέρδη και της φήμης των ιδρυμάτων. Οι οικονομικοί περιορισμοί και η καθημερινή πίεση χρόνου εντείνουν αυτό το φαινόμενο, καθώς το κύριο προφίλ των φοιτητών είναι οι ενήλικες με επαγγελματικές και οικογενειακές ευθύνες. Η έγκαιρη ταυτοποίηση των φοιτητών που διατρέχουν κίνδυνο έχει μεγάλη πρακτική αξία για την ανάπτυξη αποτελεσματικών υπηρεσιών διατήρησης των φοιτητών στην μαθησιακή διαδικασία. Έτσι χρησιμοποιούνται μεθοδολογίες μεγάλων δεδομένων για το χειρισμό, την ανάλυση και τη πρόβλεψη της αποτυχίας των φοιτητών, υποστηρίζοντας την αυτό-κατευθυνόμενη μάθηση. Προκειμένου να υποστηριχθούν προσαρμοστικά και εξατομικευμένα περιβάλλοντα μάθησης, η κύρια προσπάθεια αυτής της διατριβής είναι η έρευνα και η ανάπτυξη ενός μεγάλου πλαισίου ανάλυσης δεδομένων. Ο στόχος είναι να προσδιοριστούν οι τάσεις και τα πρότυπα σε μεγάλα σύνολα δεδομένων, παρέχοντας μια εξαιρετικά λεπτομερή εικόνα της προόδου των σπουδαστών και προσδιορίζοντας εγκαίρως τους σπουδαστές σε κίνδυνο. Αυτό το περιβάλλον ενεργοποιεί την προσοχή των δασκάλων και βελτιώνει τις αποφάσεις τους σχετικά με ακριβείς ανατροφοδοτήσεις με στόχο τη μείωση των αποχωρήσεων και τη διατήρηση των μαθητών στην εκπαιδευτική διαδικασία. Η συγκεκριμένη ερευνά χρησιμοποιεί σύνολα δεδομένων από τέσσερα ακαδημαϊκά έτη και συνδυάζει μεθόδους μαθησιακής αναλυτικής, τεχνικές εξόρυξης δεδομένων, ανάλυση συναισθημάτων και μη-σχεσιακών βάσεων δεδομένων, ως ένα μεγάλο πλαίσιο ανάλυσης δεδομένων. Η αξιολόγηση συγκεκριμένων εργαλείων μαθησιακής αναλυτικής μέσα στο Σύστημα Διαχείρισης Μάθησης δείχνει ότι οι εκπαιδευτές με έλλειψη μεθοδολογίας μαθησιακής αναλυτικής μπορούν να αποκτήσουν μια σαφή εικόνα της εμπλοκής και της προόδου των μαθητών, υπογραμμίζοντας τις αδυναμίες των μαθητών. Τα αποτελέσματα της ανάλυσης συναισθήματος και πολικότητας στα κείμενα των φόρουμ υπογράμμισαν ότι η συναισθηματική ικανοποίηση των μαθητών ήταν κυρίαρχη, ενώ η συνολική τάση της πολικότητας και των συναισθημάτων ήταν θετική. Αυτό ήταν ακόμη πιο εμφανές για τους πιο δραστήριους φοιτητές, όπου το κυρίαρχο συναίσθημα ήταν θετικό. Επιπλέον, οι τεχνικές μηχανικής μάθησης αποκαλύπτουν ότι οι δείκτες των συναισθημάτων ως μεταβλητές μοντέλων βελτιώνουν τις προβλέψεις των μοντέλων σε σχέση με τους βαθμούς των φοιτητών. Η απουσία των μεταβλητών της πολικότητας και των συναισθημάτων των εκπαιδευτικών αποδυναμώνει την προγνωστική ικανότητα των μοντέλων ενώ το προγνωστικό σφάλμα αυξάνεται περαιτέρω από την απουσία των συναισθημάτων και της πολικότητας των φοιτητών. Επιπλέον, σημειώνεται ότι η ικανότητα πρόβλεψης των μοντέλων σχετικά με την εγκατάλειψη των φοιτητών, κατά τις πρώτες εβδομάδες και κατά τις πρώτες περιόδους του ακαδημαϊκού έτους, είναι ικανοποιητική και αναπτύχθηκε ένα κατάλληλο εργαλείο πρόβλεψης. Παρατηρείται επίσης ότι ο συνδυασμός μιας σειράς ενεργειών των μαθητών σε συγκεκριμένες περιόδους στο μάθημα και στο φόρουμ επηρεάζει την πρόοδό τους. Επιπλέον παρουσιάστηκε πως η σύγκριση των πραγματικών βαθμών των σπουδαστών και των βαθμών πρόβλεψης, μπορεί να αποτελεί δείκτη της ατιμωρησίας των φοιτητών.