Для студентов СПбПУ Петра Великого по предмету ДругиеРазработка bi системы анализа образовательных данных и выявления признаков академического выгорания слушателя при дистанционном обученииРазработка bi системы анализа образовательных данных и выявления признаков академического выгорания слушателя при дистанционном обучении
2025-09-022025-09-02СтудИзба
Разработка bi системы анализа образовательных данных и выявления признаков академического выгорания слушателя при дистанционном обучении
Новинка
Описание
АННОТАЦИЯ
к магистерской диссертации
«Разработка bi системы анализа образовательных данных и выявления признаков академического «выгорания» слушателя при дистанционном обучении»
Ключевые слова: анализ данных, машинное обучение, логистическая регрессия, метод машинно-опорных векторов, случайный лес, дерево принятия решений, градиентный бустинг, наивный Байес.
В магистерской диссертации рассматриваются вопросы разработки интеллектуальной системы для своевременного обнаружения эмоционального выгорания у студента в период дистанционного обучения. Рассматривается подход, основанный на классических алгоритмах машинного обучения и анализа данных. В работе разработана система для классификации эмоционального выгорания. По разработанным алгоритмам реализована программная система. Описана методика экспериментальных исследований, результаты представлены в виде таблиц и графиков.
Работа включает: 72 страницы, 4 таблицы, 48 рисунков,Использованныхисточников – 21.
СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1 АКАДЕМИЧЕКСОЕ ВЫГОРАНИЕ
1.1 Факторы академического выгорания
1.2 Современное состояние отрасли прогнозирования академического выгорания
1.3 Информационные системы для мониторинга успеваемости
2 ИССЛЕДОВАНИЕ И РЕАЛИЗАЦИЯ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ
2.1 Сбор и подготовка данных
2.2 Анализ данных
2.3 Используемые методы классификации
3 BI-СИСТЕМА МОНИТОРИНГА АКАДЕМИЧЕСКОГО ВЫГОРАНИЯ
3.1 Интерактивные средства визуализации данных
3.2 Визуализация академической ситуации
3.3 Прогнозирование академической ситуации
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ А
В настоящий момент дистанционное электронное обучение является эффективным дополнением к традиционным методам обучения, а часто полной заменой традиционного очного обучения. Так ежегодно в среднем российский рынок онлайн-образования растет на 20%. Это такие платформы как «Учи.ру» (более 8 млн школьников и 350 тыс педагогов за год), «Фоксфорд» (более 6 млн пользователей), «Яндекс. Учебник» (1,9 млн школьников), серверы электронно-дистанционного обучения ВУЗов и другие платформы, не связанные со средним образованием (SkillBox, GeekBrains, «Нетология», «Яндекс.Практикум», Skyeng, Puzzle English, Lingualeo). Помимо этого, дистанционное образование применяется в крупных организациях для обучения и повышения квалификации сотрудников вне зависимости от географического положения сотрудника.
Не смотря на доступность и удобство дистанционного образования, по оценке ООН, более 1,5 млрд учащихся по всему миру столкнулись со сложностями в образовательном процессе. Это связано со слабой оснащенностью образовательных заведений, отсутствием живого общения, сложностью в оценке успеваемости слушателей, слабой мотивацией участников образовательного процесса, осознанием потери желания обучаться по конкретному образовательному курсу в течении его прохождения. Последние два факторы напрямую связаны с таким понятием в области обучения как «академическое выгорание».
Так как дистанционное обучение поддерживается информационными технологиями, возможно агрегирование данных из различных источников (онлайн-источники, данные успеваемости, результаты опросов, портфолио учащихся, административные данные и др.). Изучение уникальных типов данных, понимания действий учащихся, прогнозирования академических результатов, улучшения производительности образовательного процесса может быть использовано для соответствующей адаптации образовательных программ и оптимизации процесса преподавания/обучения или для определения факторов успеха/неудачи в ходе обучения.
Одним из факторов неудачи в образовательном процессе является наличие академического выгорания у школьника/студента/слушателя курса. При помощи методов машинной обработки и анализа образовательных данных возможно выявление показателей академического выгорания у конкретного слушателя. Для упрощения восприятия результатов машинного обучения предполагается выводить их в виде BI-системы, понятной рядовому пользователю.
к магистерской диссертации
«Разработка bi системы анализа образовательных данных и выявления признаков академического «выгорания» слушателя при дистанционном обучении»
Ключевые слова: анализ данных, машинное обучение, логистическая регрессия, метод машинно-опорных векторов, случайный лес, дерево принятия решений, градиентный бустинг, наивный Байес.
В магистерской диссертации рассматриваются вопросы разработки интеллектуальной системы для своевременного обнаружения эмоционального выгорания у студента в период дистанционного обучения. Рассматривается подход, основанный на классических алгоритмах машинного обучения и анализа данных. В работе разработана система для классификации эмоционального выгорания. По разработанным алгоритмам реализована программная система. Описана методика экспериментальных исследований, результаты представлены в виде таблиц и графиков.
Работа включает: 72 страницы, 4 таблицы, 48 рисунков,Использованныхисточников – 21.
СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1 АКАДЕМИЧЕКСОЕ ВЫГОРАНИЕ
1.1 Факторы академического выгорания
1.2 Современное состояние отрасли прогнозирования академического выгорания
1.3 Информационные системы для мониторинга успеваемости
2 ИССЛЕДОВАНИЕ И РЕАЛИЗАЦИЯ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ
2.1 Сбор и подготовка данных
2.2 Анализ данных
2.3 Используемые методы классификации
3 BI-СИСТЕМА МОНИТОРИНГА АКАДЕМИЧЕСКОГО ВЫГОРАНИЯ
3.1 Интерактивные средства визуализации данных
3.2 Визуализация академической ситуации
3.3 Прогнозирование академической ситуации
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ А
ВВЕДЕНИЕ
В настоящий момент дистанционное электронное обучение является эффективным дополнением к традиционным методам обучения, а часто полной заменой традиционного очного обучения. Так ежегодно в среднем российский рынок онлайн-образования растет на 20%. Это такие платформы как «Учи.ру» (более 8 млн школьников и 350 тыс педагогов за год), «Фоксфорд» (более 6 млн пользователей), «Яндекс. Учебник» (1,9 млн школьников), серверы электронно-дистанционного обучения ВУЗов и другие платформы, не связанные со средним образованием (SkillBox, GeekBrains, «Нетология», «Яндекс.Практикум», Skyeng, Puzzle English, Lingualeo). Помимо этого, дистанционное образование применяется в крупных организациях для обучения и повышения квалификации сотрудников вне зависимости от географического положения сотрудника.
Не смотря на доступность и удобство дистанционного образования, по оценке ООН, более 1,5 млрд учащихся по всему миру столкнулись со сложностями в образовательном процессе. Это связано со слабой оснащенностью образовательных заведений, отсутствием живого общения, сложностью в оценке успеваемости слушателей, слабой мотивацией участников образовательного процесса, осознанием потери желания обучаться по конкретному образовательному курсу в течении его прохождения. Последние два факторы напрямую связаны с таким понятием в области обучения как «академическое выгорание».
Так как дистанционное обучение поддерживается информационными технологиями, возможно агрегирование данных из различных источников (онлайн-источники, данные успеваемости, результаты опросов, портфолио учащихся, административные данные и др.). Изучение уникальных типов данных, понимания действий учащихся, прогнозирования академических результатов, улучшения производительности образовательного процесса может быть использовано для соответствующей адаптации образовательных программ и оптимизации процесса преподавания/обучения или для определения факторов успеха/неудачи в ходе обучения.
Одним из факторов неудачи в образовательном процессе является наличие академического выгорания у школьника/студента/слушателя курса. При помощи методов машинной обработки и анализа образовательных данных возможно выявление показателей академического выгорания у конкретного слушателя. Для упрощения восприятия результатов машинного обучения предполагается выводить их в виде BI-системы, понятной рядовому пользователю.
Характеристики ВКР
Предмет
Учебное заведение
Семестр
Просмотров
1
Размер
3,12 Mb
Список файлов
МСН20-01 ВКР (1).docx