University of Pennsylvania: Big Data and Education

Om datadrevet udvikling af undervisning

For at måle effekten af en bestemt undervisning skal man bruge noget der kan måles før og efter undervisning.
Tidligere var indsamling af data grovkornet og data af summerisk art i form af standardiserede eksaminer, eks.v. Af mindre summarisk art kan man indsamle empiri om processer og adfærd for lærende bl.a. ved hjælp af kvantitative feltobservationer, videooptagelser, tænke-højt-studier og ingen af disse er egnede til skalering.
I dag findes der software, som på en finkornet målestok kan logge adfærd og processer og dermed give os helt nye indsigter i læringsprocesser og undervisning.

Analysemetoderne til Learning Analytics kommer fra data mining (hvor man søger efter mønstre og strukturer i store datamængder), machine learning (automatiseret læring), psykometri (“måling af psyken”) og statistisk med kategoriale variable (målt i signifikans).

Målene kan være forudsigelse, opdagelse af struktur og relationer:
Til forudsigelser (prediction) bruges regressionsanalyse, klassifikation og estimat af latent viden (Latent Knowledge Estimation)
Til opdagelse af struktur (structure discovery) bruges klyngedannelse (clustering), faktor analyse (Factor Analysis), domænestruktur opdagelse (Domain Structure Discovery) og netværksanalyse (Network Analysis)
Til opdagelse af relationer (relationship mining) bruges opdagelse af associationsregler (association rule mining), korrelationer (correlation mining), sekventielle mønstre (sequesntial pattern mining) og data, der viser årsager (causal data mining).
Derudover bruges både menneskelig dømmekraft og opdagelser ved modeller (Discovery with Models)

Ryan Baker og hans team fra University of Pennsylvania har designet MOOCen Big Data and Education som blev udbudt via EdX. Kurset var “advanced level” på 8 uger á 6-12 timer.

Nu er mit mål at lære om målepunkter for metakognition, så jeg kan være med til at designe undervisning, der støtter op om “at lære at lære”

The emerging research communities in educational data mining and learning analytics are developing methods for mining and modeling the increasing amounts of fine-grained data becoming available about learners. In this class, you will learn about these methods, and their strengths and weaknesses for different applications. You will learn how to use each method to answer education research questions and to drive intervention and improvement in educational software and systems. Methods will be covered both at a theoretical level, and in terms of how to apply and execute them using standard software tools. Issues of validity and generalizability will also be covered, towards learning to establish how trustworthy and applicable the results of an analysis are.

Leave a Reply

Your email address will not be published. Required fields are marked *