Αναλυτική Εκπαιδευτικών Δεδομένων για τεχνολογικά υποστηριζόμενη διδασκαλία και μάθηση: Πρόβλεψη της απόδοσης των μαθητών μέσω Πολλαπλής Γραμμικής Παλινδρόμησης

Learning Analytics for technologically supported teaching and learning: Predicting student scores using Multiple Linear Regression (Αγγλική)

  1. MSc thesis
  2. Μήτρου, Γεώργιος
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 22 Σεπτεμβρίου 2018 [2018-09-22]
  5. Ελληνικά
  6. 148
  7. Παπαδάκης, Σπυρίδων
  8. Αναλυτική Εκπαιδευτικών Δεδομένων | Πολλαπλή γραμμική παλινδρόμηση | Java
  9. 1
  10. 5
  11. 22
  12. Πίνακες, εικόνες
    • Η παρούσα διπλωματική εργασία προσεγγίζει ένα θέμα το οποίο απασχολεί την εκπαιδευτική κοινότητα και αφορά στην πρόβλεψη της απόδοσης των μαθητών. Η πρόβλεψη είναι επιθυμητή ώστε να σχεδιαστούν και να υλοποιηθούν, έγκαιρα, εκπαιδευτικές παρεμβάσεις με στόχο τη βελτίωση της απόδοσης και κατ’ επέκταση της βαθμολογίας των μαθητών. Από την online εκπαίδευση, κυρίως τριτοβάθμια, προκύπτουν δεδομένα τα οποία συλλέγονται μέσω των συστημάτων τεχνολογικής υποστήριξης της εκπαιδευτικής διαδικασίας. Η συλλογή και η αξιοποίηση των εκπαιδευτικών δεδομένων αυτών έχουν ως στόχο την αποδοτικότερη επίβλεψη της μαθησιακής πορείας των εκπαιδευόμενων και την υποστήριξη τους για βελτίωση της απόδοσής τους και των εκπαιδευτικών τους αποτελεσμάτων γενικότερα μέσω κατάλληλων δράσεων. Οι παραπάνω διαδικασίες και ενέργειες ανήκουν στο πεδίο της Αναλυτικής Εκπαιδευτικών Δεδομένων. Για το λόγο αυτό μελετήθηκε το πεδίο και παρουσιάζεται στην παρούσα διπλωματική εργασία μέσω εκτενούς αναφοράς στη σχετική βιβλιογραφία και ιδιαίτερα στις μεθόδους, στους στόχους, στις εφαρμογές και στους σχετικούς προβληματισμούς που καταγράφονται. Μελετήθηκε η εφαρμογή της μεθόδου της Γραμμικής Παλινδρόμησης και της Πολλαπλής Γραμμικής Παλινδρόμησης για την πρόβλεψη της απόδοσης των μαθητών και την επιλογή παρεμβάσεων στο πλαίσιο διαμορφωτικής αξιολόγησης της εκπαιδευτικής διαδικασίας. Για το σκοπό αυτό δημιουργήθηκε εφαρμογή σε Java, με χρήση του Eclipse, η οποία χρησιμοποιεί τη μέθοδο της Πολλαπλής Γραμμικής Παλινδρόμησης για την πρόβλεψη της βαθμολογίας των μαθητών αρχικά στο πλαίσιο δια ζώσης εκπαίδευσης και με απώτερο σκοπό την αξιοποίησή τους στο μέλλον στο πλαίσιο υλοποίησης του μοντέλου ανεστραμμένης τάξης σε συνδυασμό με διαφοροποιημένη διδασκαλία. Η εφαρμογή πλαισιώθηκε με εργαλεία που αυξάνουν την πρακτικότητά της και την κάνουν φιλικότερη στον εκπαιδευτικό – χρήστη. Το πρόγραμμα που αναπτύχθηκε αξιολογήθηκε με εφαρμογή του σε πραγματικά δεδομένα. Από τα αποτελέσματα προκύπτει ότι ο αλγόριθμος είναι σε θέση να συνδράμει στο εκπαιδευτικό έργο, επιτυγχάνοντας ικανοποιητικά αποτελέσματα ως προς την πρόβλεψη των βαθμών των μαθητών.
    • This diploma thesis approaches an issue that concerns the educational community and refers to the prediction of student performance. This prediction is desirable, so that educational interventions are planned and implemented on time, aimed at improving the performance and hence the grades of the students. From online education, mainly tertiary, data is being produced and collected through the technological support systems of the educational process. The collection and exploitation of the aforementioned educational data aims at monitoring more efficiently the learning paths of the trainees and supporting them in order to improve of their performance and educational outcomes through appropriate actions. The above procedures and actions belong to the field of Learning Analytics. For this reason, the field has been studied and is presented in this diploma thesis through extensive reference in literature and in particular the methods, objectives, applications and related concerns recorded. The implementation of the Linear Regression and Multiple Linear Regression methods has been studied to predict student performance and to select interventions in the context of a formal assessment of the learning process. For this purpose, a Java application was created using Eclipse, which uses the method of Multiple Linear Regression to predict student scores initially in the context of lifelong learning and ultimately to be used in the future as part of the implementation of the flipped class model combined with differentiated instruction. Additional tools have been employed, increasing the usefulness of the application and making it friendlier for the educator – user. The created program was evaluated by being applied to real data. According to the results, it has been proved that the algorithm is able to assist in the educational work, achieving satisfactory results in predicting students' grades.
  14. Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές