استخراج البيانات التعليمية

📅 آخر تحديث: ٢٣ يوليو ٢٠٢٦
✍️ نُشر في: ٢٣ يوليو ٢٠٢٦
الموسوعة الحرة

يُعدّ التنقيب في البيانات التعليمية ( EDM ) مجالًا بحثيًا يُعنى بتطبيق تقنيات التنقيب في البيانات والتعلم الآلي والإحصاء على المعلومات المُستقاة من البيئات التعليمية (مثل الجامعات وأنظمة التدريس الذكية ). تُعتبر الجامعات بيئات غنية بالبيانات، حيث تُجمع بيانات قيّمة تجاريًا بشكل عرضي لأغراض أكاديمية، ولكنها مطلوبة من جهات خارجية. تُعدّ الأدبيات غير المنشورة مصدرًا آخر للبيانات الأكاديمية التي تتطلب إدارة فعّالة. [ 1 ] يسعى هذا المجال، بشكل عام، إلى تطوير وتحسين أساليب استكشاف هذه البيانات، التي غالبًا ما تتضمن مستويات متعددة من التسلسل الهرمي ذي الدلالة ، بهدف اكتشاف رؤى جديدة حول كيفية تعلّم الأفراد في سياق هذه البيئات. [ 2 ] وبذلك، أسهم التنقيب في البيانات التعليمية في نظريات التعلّم التي يدرسها الباحثون في علم النفس التربوي وعلوم التعلّم . [ 3 ] يرتبط هذا المجال ارتباطًا وثيقًا بتحليلات التعلّم ، وقد تمت مقارنتهما ومقابلتهما. [ 4 ]

تعريف

يشير التنقيب في البيانات التعليمية إلى التقنيات والأدوات والأبحاث المصممة لاستخلاص المعنى تلقائيًا من مستودعات البيانات الضخمة الناتجة عن أنشطة التعلم في البيئات التعليمية أو المرتبطة بها. [ 5 ] غالبًا ما تكون هذه البيانات شاملة ودقيقة ومفصلة. على سبيل المثال، تتتبع العديد من أنظمة إدارة التعلم معلومات مثل وقت وصول كل طالب إلى كل عنصر تعليمي ، وعدد مرات وصوله إليه، ومدة عرض العنصر التعليمي على شاشة حاسوب المستخدم. كمثال آخر، تسجل أنظمة التدريس الذكية البيانات في كل مرة يقدم فيها المتعلم حلًا لمسألة ما. وقد تجمع هذه الأنظمة وقت التقديم، وما إذا كان الحل مطابقًا للحل المتوقع، والمدة الزمنية المنقضية منذ آخر تقديم، وترتيب إدخال مكونات الحل في واجهة المستخدم، وما إلى ذلك. تتميز هذه البيانات بدقة عالية، بحيث يمكن لجلسة قصيرة نسبيًا مع بيئة تعليمية حاسوبية ( مثل 30 دقيقة) أن تنتج كمية كبيرة من بيانات العملية للتحليل.

في حالات أخرى، تكون البيانات أقل تفصيلاً. على سبيل المثال، قد يحتوي السجل الأكاديمي للطالب على قائمة مرتبة زمنيًا بالمواد الدراسية التي درسها، والدرجة التي حصل عليها في كل مادة ، وتاريخ اختياره أو تغييره لتخصصه الأكاديمي . تستفيد إدارة البيانات التعليمية من كلا النوعين من البيانات لاكتشاف معلومات قيّمة حول أنماط المتعلمين المختلفة وكيفية تعلمهم، وبنية المعرفة المتخصصة ، وتأثير الاستراتيجيات التعليمية المُدمجة في بيئات التعلم المتنوعة. تُوفر هذه التحليلات معلومات جديدة يصعب استخلاصها من البيانات الخام . على سبيل المثال، قد يكشف تحليل بيانات نظام إدارة التعلم عن علاقة بين موارد التعلم التي استخدمها الطالب خلال الدورة ودرجته النهائية فيها. وبالمثل، قد يكشف تحليل بيانات السجل الأكاديمي للطالب عن علاقة بين درجته في مادة معينة وقراره بتغيير تخصصه الأكاديمي. تُتيح هذه المعلومات فهمًا أعمق لتصميم بيئات التعلم، مما يسمح للطلاب والمعلمين ومديري المدارس وواضعي السياسات التعليمية باتخاذ قرارات مدروسة بشأن كيفية التفاعل مع الموارد التعليمية وتوفيرها وإدارتها.

تاريخ

مع أن تحليل البيانات التعليمية ليس ممارسة جديدة بحد ذاته، إلا أن التطورات الحديثة في تكنولوجيا التعليم ، بما في ذلك زيادة القدرة الحاسوبية وإمكانية تسجيل بيانات دقيقة حول استخدام الطلاب لبيئة التعلم الحاسوبية، قد أدت إلى تزايد الاهتمام بتطوير تقنيات لتحليل الكميات الهائلة من البيانات المُولَّدة في البيئات التعليمية. وقد تُرجم هذا الاهتمام إلى سلسلة من ورش عمل إدارة البيانات التعليمية التي عُقدت بين عامي 2000 و2007 ضمن عدة مؤتمرات بحثية دولية . [ 6 ] وفي عام 2008، أسس فريق من الباحثين ما أصبح مؤتمرًا بحثيًا دوليًا سنويًا حول إدارة البيانات التعليمية، وقد عُقدت دورته الأولى في مونتريال، كيبيك ، كندا. [ 7 ]

مع تزايد الاهتمام باستخراج البيانات التعليمية، أنشأ باحثو هذا المجال مجلة أكاديمية عام 2009، هي مجلة استخراج البيانات التعليمية، لتبادل ونشر نتائج البحوث. وفي عام 2011، أسسوا الجمعية الدولية لاستخراج البيانات التعليمية لربط الباحثين في هذا المجال ومواصلة تطويره.

مع إدخال مستودعات البيانات التعليمية العامة في عام 2008، مثل DataShop التابع لمركز بيتسبرغ لعلوم التعلم ( PSLC ) والمركز الوطني لإحصاءات التعليم (NCES)، جعلت مجموعات البيانات العامة استخراج البيانات التعليمية أكثر سهولة وجدوى، مما ساهم في نموها. [ 8 ]

الأهداف

حدد ريان إس. بيكر وكالينا ياسيف [ 9 ] الأهداف الأربعة التالية لـ EDM:

  1. التنبؤ بسلوك الطلاب التعليمي المستقبلي – باستخدام نماذج الطلاب ، يمكن تحقيق هذا الهدف من خلال إنشاء نماذج طلابية تتضمن خصائص المتعلم، بما في ذلك معلومات تفصيلية مثل معارفه وسلوكياته ودوافعه للتعلم. كما يتم قياس تجربة المستخدم للمتعلم ورضاه العام عن التعلم.
  2. اكتشاف نماذج المجال أو تحسينها – من خلال الطرق والتطبيقات المتنوعة لنمذجة المجال التعليمي، يُمكن اكتشاف نماذج جديدة وتحسين النماذج الحالية. ومن الأمثلة على ذلك توضيح المحتوى التعليمي لجذب انتباه المتعلمين، وتحديد التسلسلات التعليمية المثلى لدعم أسلوب تعلم الطالب.
  3. دراسة آثار الدعم التعليمي الذي يمكن تحقيقه من خلال أنظمة التعلم.
  4. تطوير المعرفة العلمية حول التعلم والمتعلمين من خلال بناء ودمج نماذج الطلاب، ومجال أبحاث EDM والتكنولوجيا والبرامج المستخدمة .

المستخدمون وأصحاب المصلحة

هناك أربعة مستخدمين وأصحاب مصلحة رئيسيين مشاركين في استخراج البيانات التعليمية. وهم:

  • المتعلمون – يهتم المتعلمون بفهم احتياجات الطلاب وأساليب تحسين تجربتهم وأدائهم. [ 10 ] على سبيل المثال، يمكن للمتعلمين الاستفادة من المعرفة المكتشفة باستخدام أدوات استخراج البيانات التعليمية لاقتراح أنشطة وموارد يمكنهم استخدامها بناءً على تفاعلهم مع أداة التعلم عبر الإنترنت ورؤى من متعلمين سابقين أو مشابهين. [ 11 ] بالنسبة للمتعلمين الأصغر سنًا، يمكن أن يوفر استخراج البيانات التعليمية معلومات لأولياء الأمور حول تقدم أبنائهم في التعلم. [ 12 ] من الضروري أيضًا تجميع المتعلمين بفعالية في بيئة التعلم الإلكتروني. ويكمن التحدي في استخدام البيانات المعقدة لفهم هذه المجموعات وتفسيرها من خلال تطوير نماذج قابلة للتنفيذ. [ 13 ]
  • يسعى المعلمون إلى فهم عملية التعلم والأساليب التي يمكنهم استخدامها لتحسين أساليب تدريسهم. [ 10 ] يمكن للمعلمين استخدام تطبيقات إدارة البيانات التعليمية لتحديد كيفية تنظيم المنهج الدراسي وهيكلته ، وأفضل الطرق لتقديم معلومات المقرر، والأدوات اللازمة لإشراك المتعلمين لتحقيق أفضل نتائج تعليمية. [ 14 ] على وجه الخصوص، توفر تقنية استخلاص البيانات للتقييم البشري فرصة للمعلمين للاستفادة من إدارة البيانات التعليمية، لأنها تمكنهم من تحديد الأنماط السلوكية بسرعة، مما يدعم أساليب تدريسهم خلال مدة المقرر أو لتحسين المقررات المستقبلية. كما يمكن للمعلمين تحديد مؤشرات تُظهر رضا الطلاب وتفاعلهم مع محتوى المقرر، بالإضافة إلى مراقبة تقدمهم في التعلم. [ 14 ]
  • يركز الباحثون على تطوير وتقييم تقنيات استخراج البيانات من حيث فعاليتها. [ 10 ] بدأ مؤتمر دولي سنوي للباحثين في عام 2008. وتتنوع مواضيع استخراج البيانات الإلكترونية بشكل كبير، بدءًا من استخدام استخراج البيانات لتحسين فعالية المؤسسات وصولًا إلى أداء الطلاب.
  • المسؤولون الإداريون – يتحمل المسؤولون الإداريون مسؤولية تخصيص الموارد اللازمة للتنفيذ في المؤسسات التعليمية. [ 10 ] ومع تزايد مسؤولية المؤسسات عن نجاح الطلاب، أصبح استخدام تطبيقات إدارة البيانات الإلكترونية أكثر شيوعًا في البيئات التعليمية. ويبذل أعضاء هيئة التدريس والمستشارون جهودًا استباقية لتحديد الطلاب المعرضين للخطر ومعالجتهم. ومع ذلك، قد يمثل إيصال المعلومات إلى صناع القرار تحديًا في بعض الأحيان، مما يعيق إدارة التطبيق بكفاءة وفي الوقت المناسب.

المراحل

مع استمرار نمو الأبحاث في مجال استخراج البيانات التعليمية، تم تطبيق عدد كبير من تقنيات استخراج البيانات في سياقات تعليمية متنوعة. في كل حالة، يتمثل الهدف في تحويل البيانات الخام إلى معلومات ذات مغزى حول عملية التعلم، وذلك لاتخاذ قرارات أفضل بشأن تصميم بيئة التعلم ومسارها. وبالتالي، يتكون استخراج البيانات التعليمية عمومًا من أربع مراحل: [ 3 ] [ 6 ]

  1. تتمثل المرحلة الأولى من عملية استخراج البيانات التعليمية (باستثناء مرحلة المعالجة المسبقة ) في اكتشاف العلاقات بين البيانات. ويتضمن ذلك البحث في مستودع بيانات من بيئة تعليمية بهدف إيجاد علاقات متسقة بين المتغيرات . وقد استُخدمت عدة خوارزميات لتحديد هذه العلاقات، بما في ذلك التصنيف ، والانحدار ، والتجميع ، وتحليل العوامل ، وتحليل الشبكات الاجتماعية ، واستخراج قواعد الارتباط ، واستخراج الأنماط المتسلسلة .
  2. يجب بعد ذلك التحقق من صحة العلاقات المكتشفة لتجنب الإفراط في التخصيص .
  3. يتم تطبيق العلاقات التي تم التحقق منها للتنبؤ بالأحداث المستقبلية في بيئة التعلم.
  4. تُستخدم التوقعات لدعم عمليات صنع القرار والقرارات السياسية.

خلال المرحلتين الثالثة والرابعة، غالبًا ما يتم عرض البيانات بصريًا أو استخلاصها بطريقة أخرى لتسهيل تقييمها من قبل البشر. [ 3 ] وقد أُجريت أبحاث كثيرة حول أفضل الممارسات لعرض البيانات بصريًا .

المناهج الرئيسية

من بين الفئات العامة للأساليب المذكورة، تُعتبر أساليب التنبؤ والتجميع واستخراج العلاقات أساليب عالمية في جميع أنواع استخراج البيانات؛ ومع ذلك، يُعتبر أسلوب الاكتشاف باستخدام النماذج وتقطير البيانات للحكم البشري من الأساليب الأكثر بروزًا في مجال استخراج البيانات التعليمية. [ 8 ]

الاكتشاف مع النماذج

في منهجية الاكتشاف باستخدام النماذج، يُطوَّر نموذجٌ عبر التنبؤ أو التجميع أو هندسة المعرفة باستخدام الاستدلال البشري ، ثم يُستخدم كعنصرٍ في تحليلٍ آخر، وتحديدًا في التنبؤ واستخراج العلاقات. [ 8 ] في استخدام أسلوب التنبؤ ، تُستخدم تنبؤات النموذج المُنشأ للتنبؤ بمتغيرٍ جديد . [ 8 ] أما في استخدام استخراج العلاقات ، فيُمكّن النموذج المُنشأ من تحليل العلاقة بين التنبؤات الجديدة والمتغيرات الإضافية في الدراسة. [ 8 ] في كثيرٍ من الحالات، تستخدم منهجية الاكتشاف باستخدام النماذج نماذج تنبؤٍ مُثبتة ذات قابلية تعميمٍ مُثبتة عبر سياقاتٍ مُتعددة.

تشمل التطبيقات الرئيسية لهذه الطريقة اكتشاف العلاقات بين سلوكيات الطلاب وخصائصهم والمتغيرات السياقية في بيئة التعلم. [ 8 ] كما يمكن استكشاف المزيد من الأسئلة البحثية العامة والخاصة عبر نطاق واسع من السياقات باستخدام هذه الطريقة.

استخلاص البيانات للحكم البشري

يستطيع البشر استخلاص استنتاجات حول البيانات قد تتجاوز نطاق أساليب استخراج البيانات الآلية . [ 8 ] في مجال استخراج البيانات التعليمية، تُصفّى البيانات ليُقيّمها البشر لغرضين رئيسيين : التحديد والتصنيف . [ 8 ]

لأغراض التحديد ، تُستخلص البيانات لتمكين البشر من التعرف على الأنماط المعروفة، والتي قد يصعب تفسيرها بطرق أخرى. على سبيل المثال، منحنى التعلم ، وهو نمط كلاسيكي في الدراسات التربوية، يعكس بوضوح العلاقة بين التعلم والخبرة بمرور الوقت.

تُستخلص البيانات أيضاً لأغراض تصنيف خصائصها، وهو ما يُستخدم في مجال استخراج البيانات التعليمية لدعم تطوير نموذج التنبؤ. ويُسهم التصنيف بشكل كبير في تسريع تطوير نموذج التنبؤ.

تهدف هذه الطريقة إلى تلخيص المعلومات وعرضها بطريقة مفيدة وتفاعلية وجذابة بصريًا، وذلك لفهم كميات البيانات التعليمية الهائلة ودعم عملية اتخاذ القرارات . [ 10 ] وتُفيد هذه الطريقة المعلمين بشكل خاص في فهم معلومات الاستخدام وفعالية الأنشطة الدراسية. [ 10 ] وتشمل التطبيقات الرئيسية لاستخلاص البيانات لأغراض التقييم البشري تحديد الأنماط في تعلم الطلاب وسلوكهم، وفرص التعاون ، وتصنيف البيانات لاستخدامها مستقبلًا في نماذج التنبؤ. [ 8 ]

التطبيقات

قدم كريستوبال روميرو وسيباستيان فينتورا قائمة بالتطبيقات الرئيسية لنمذجة البيانات الإلكترونية. [ 6 ] وفي تصنيفهما، تشمل مجالات تطبيق نمذجة البيانات الإلكترونية ما يلي:

  • تحليل البيانات وتصويرها
  • تقديم ملاحظات لدعم المدربين
  • توصيات للطلاب
  • التنبؤ بأداء الطلاب
  • نموذج الطلاب
  • الكشف عن سلوكيات الطلاب غير المرغوب فيها
  • تجميع الطلاب
  • تحليل الشبكات الاجتماعية
  • تطوير الخرائط المفاهيمية
  • يمكن تطبيق منهجية إدارة البيانات التعليمية (EDM) على أنظمة إدارة المقررات الدراسية، مثل منصة مودل مفتوحة المصدر . تحتوي مودل على بيانات استخدام تشمل أنشطة متنوعة للمستخدمين، مثل نتائج الاختبارات، وعدد القراءات المنجزة، والمشاركة في منتديات النقاش . يمكن استخدام أدوات استخراج البيانات لتخصيص أنشطة التعلم لكل مستخدم، وتكييف وتيرة إكمال الطالب للمقرر. يُعد هذا مفيدًا بشكل خاص للمقررات الدراسية عبر الإنترنت ذات مستويات الكفاءة المختلفة.
  • التخطيط والجدولة

تشير الأبحاث الجديدة حول بيئات التعلم عبر الأجهزة المحمولة إلى أن استخراج البيانات قد يكون مفيدًا. إذ يمكن استخدامه للمساعدة في توفير محتوى مخصص لمستخدمي الأجهزة المحمولة، على الرغم من الاختلافات في إدارة المحتوى بين الأجهزة المحمولة وأجهزة الكمبيوتر الشخصية ومتصفحات الويب التقليدية .

ستركز تطبيقات إدارة البيانات الإلكترونية الجديدة على تمكين المستخدمين غير التقنيين من استخدام أدوات وأنشطة استخراج البيانات والمشاركة فيها، مما يجعل جمع البيانات ومعالجتها أكثر سهولة لجميع مستخدمي إدارة البيانات الإلكترونية. ومن الأمثلة على ذلك الأدوات الإحصائية وأدوات التصور التي تحلل الشبكات الاجتماعية وتأثيرها على مخرجات التعلم والإنتاجية. [ 15 ]

الدورات

  1. في أكتوبر 2013، قدمت منصة كورسيرا دورةً مجانيةً عبر الإنترنت بعنوان "البيانات الضخمة في التعليم"، تناولت كيفية استخدام الأساليب الرئيسية لإدارة البيانات التعليمية ومتى يتم ذلك. [ 16 ] انتقلت هذه الدورة إلى منصة إيدكس في صيف 2015، [ 17 ] واستمرت في تقديمها سنويًا على إيدكس منذ ذلك الحين. يتوفر الآن أرشيف للدورة على الإنترنت. [ 18 ]
  2. تقدم كلية المعلمين بجامعة كولومبيا درجة الماجستير في تحليلات التعلم. [ 19 ]

أماكن النشر

يتم نشر كميات كبيرة من أعمال استخراج البيانات التعليمية في المؤتمر الدولي لاستخراج البيانات التعليمية الذي يخضع لمراجعة الأقران، والذي تنظمه الجمعية الدولية لاستخراج البيانات التعليمية.

  • المؤتمر الدولي الأول حول استخراج البيانات التعليمية (2008) [ 20 ] – مونتريال، كندا
  • المؤتمر الدولي الثاني حول استخراج البيانات التعليمية (2009) [ 21 ] – قرطبة، إسبانيا
  • المؤتمر الدولي الثالث حول استخراج البيانات التعليمية (2010) [ 22 ] – بيتسبرغ، بنسلفانيا، الولايات المتحدة الأمريكية
  • المؤتمر الدولي الرابع حول استخراج البيانات التعليمية (2011) [ 23 ] – أيندهوفن، هولندا
  • المؤتمر الدولي الخامس حول استخراج البيانات التعليمية (2012) [ 24 ] – خانيا، اليونان
  • المؤتمر الدولي السادس حول استخراج البيانات التعليمية (2013) [ 25 ] – ممفيس، تينيسي، الولايات المتحدة الأمريكية
  • المؤتمر الدولي السابع حول استخراج البيانات التعليمية (2014) [ 26 ] – لندن، المملكة المتحدة
  • المؤتمر الدولي الثامن حول استخراج البيانات التعليمية (2015) [ 27 ] – مدريد، إسبانيا
  • المؤتمر الدولي التاسع حول استخراج البيانات التعليمية (2016) [ 28 ] – رالي، كارولاينا الشمالية، الولايات المتحدة الأمريكية
  • المؤتمر الدولي العاشر حول استخراج البيانات التعليمية (2017) [ 29 ] – ووهان، الصين
  • المؤتمر الدولي الحادي عشر حول استخراج البيانات التعليمية (2018) [ 30 ] – بوفالو، نيويورك، الولايات المتحدة الأمريكية
  • المؤتمر الدولي الثاني عشر حول استخراج البيانات التعليمية (2019) [ 31 ] – مونتريال، كيبيك، كندا
  • المؤتمر الدولي الثالث عشر حول التنقيب في البيانات التعليمية (2020) [ 32 ] – افتراضي
  • المؤتمر الدولي الرابع عشر حول استخراج البيانات التعليمية (2021) [ 33 ] – باريس، فرنسا

كما يتم نشر أوراق EDM في مجلة التنقيب في البيانات التعليمية (JEDM).

يتم نشر العديد من أوراق EDM بشكل روتيني في المؤتمرات ذات الصلة، مثل الذكاء الاصطناعي والتعليم، وأنظمة التدريس الذكية، ونمذجة المستخدم والتكيف والتخصيص .

في عام 2011، نشرت دار نشر تشابمان آند هول / سي آر سي برس ، التابعة لمجموعة تايلور آند فرانسيس ، أول دليل لاستخراج البيانات التعليمية. وقد أُعدّ هذا المرجع للمهتمين بالمشاركة في مجتمع استخراج البيانات التعليمية. [ 15 ]

المسابقات

في عام ٢٠١٠، أُقيمت مسابقة كأس KDD التابعة لجمعية آلات الحوسبة باستخدام بيانات من بيئة تعليمية. [ ٣٤ ] وقد وفرت شركة DataShop مجموعة البيانات، التي تضمنت أكثر من مليون نقطة بيانات من طلاب يستخدمون برنامجًا تعليميًا معرفيًا . [ ٣٥ ] تنافس ٦٠٠ فريق على جوائز مالية تزيد قيمتها عن ٨٠٠٠ دولار أمريكي (تبرعت بها شركة فيسبوك ). كان هدف المتسابقين تصميم خوارزمية، بعد التعلم من البيانات المُقدمة، تُقدم أدق التنبؤات من بيانات جديدة. وقدّم الفائزون خوارزمية تستخدم توليد الميزات (وهو شكل من أشكال تعلم التمثيل )، والغابات العشوائية ، والشبكات البايزية . [ ٣٦ ]

التكاليف والتحديات

يصاحب التطورات التكنولوجية تكاليف وتحديات مرتبطة بتطبيق تطبيقات إدارة البيانات الإلكترونية. تشمل هذه التكاليف تكاليف تخزين البيانات المسجلة وتكاليف توظيف كوادر متخصصة في إدارة أنظمة البيانات. [ 37 ] علاوة على ذلك، قد لا تتكامل أنظمة البيانات بسلاسة فيما بينها، وحتى مع دعم أدوات الإحصاء والتصوير البياني، قد يكون إنشاء نسخة مبسطة من البيانات أمرًا صعبًا. [ 37 ] كما أن اختيار البيانات المراد استخراجها وتحليلها قد يكون صعبًا أيضًا، [ 37 ] مما يجعل المراحل الأولية تستغرق وقتًا وجهدًا كبيرين. من البداية إلى النهاية، تتطلب استراتيجية إدارة البيانات الإلكترونية وتطبيقها الحفاظ على الخصوصية والأخلاقيات [ 37 ] لجميع الأطراف المعنية.

الانتقادات

  • قابلية التعميم – قد تكون الأبحاث في مجال استخراج البيانات التعليمية خاصة بالبيئة التعليمية والفترة الزمنية التي أُجريت فيها، وبالتالي، قد لا تكون قابلة للتعميم على مؤسسات أخرى. كما تشير الأبحاث إلى أن مجال استخراج البيانات التعليمية يتركز في الدول والثقافات الغربية ، وبالتالي، قد لا تكون الدول والثقافات الأخرى ممثلة في الأبحاث والنتائج. [ 9 ] ينبغي أن يراعي تطوير النماذج المستقبلية تطبيقاتها في سياقات متعددة.
  • الخصوصية – تُعدّ خصوصية الأفراد مصدر قلق مستمر عند استخدام أدوات استخراج البيانات. فمع وجود أدوات مجانية وسهلة الاستخدام في السوق، قد يتعرض الطلاب وعائلاتهم لمخاطر المعلومات التي يقدمها المتعلمون لنظام التعلم، أملاً في الحصول على تقييم يُحسّن أداءهم المستقبلي. ومع ازدياد وعي المستخدمين بأهمية الخصوصية على الإنترنت ، يتعين على مديري أدوات استخراج البيانات التعليمية أن يكونوا استباقيين في حماية خصوصية مستخدميهم، وأن يتحلوا بالشفافية بشأن كيفية استخدام المعلومات ومشاركتها، ومع من ستُستخدم. وينبغي أن يراعي تطوير أدوات استخراج البيانات التعليمية حماية خصوصية الأفراد، مع مواصلة تطوير البحث في هذا المجال.
  • الانتحال – يُعدّ كشف الانتحال تحديًا مستمرًا للمعلمين وأعضاء هيئة التدريس، سواءً في الفصول الدراسية أو عبر الإنترنت. ومع ذلك، ونظرًا للتعقيدات المرتبطة بكشف الانتحال الرقمي ومنعه على وجه الخصوص، فإن أدوات استخراج البيانات التعليمية الحالية ليست متطورة بما يكفي لمعالجة هذه المشكلة بدقة. لذا، ينبغي أن يكون تطوير القدرة على التنبؤ في القضايا المتعلقة بالانتحال مجالًا رئيسيًا للبحوث المستقبلية.
  • التبني – لا يُعرف مدى انتشار استخدام إدارة البيانات الإلكترونية، ولا مدى تطبيق المؤسسات لاستراتيجية إدارة البيانات الإلكترونية أو دراستها لتطبيقها. ولذلك، من غير الواضح ما إذا كانت هناك أي عوائق تمنع المستخدمين من تبني إدارة البيانات الإلكترونية في بيئاتهم التعليمية.

انظر أيضاً

مراجع

  1. ↑ بورغمان، كريستين ل. "البيانات المفتوحة، والبيانات الرمادية، والإشراف: الجامعات على حدود الخصوصية". مجلة بيركلي لقانون التكنولوجيا ، المجلد 33، العدد 2، 2018، الصفحات 365-412. موقع JSTOR الإلكتروني. تاريخ الاطلاع: 1 أغسطس 2025.
  2. ↑ "EducationalDataMining.org" . 2013. تم الاطلاع عليه بتاريخ 15-07-2013 .
  3. 1 2 3 ر. بيكر (2010) التنقيب عن البيانات في التعليم. في مكجاو، ب.، بيترسون، ب.، بيكر، إ. (محررون) الموسوعة الدولية للتعليم (الطبعة الثالثة)، المجلد 7، الصفحات 112-118. أكسفورد، المملكة المتحدة: إلسيفير.
  4. ↑ جي. سيمنز، آر. إس. جي. دي. بيكر (2012). "تحليلات التعلم واستخراج البيانات التعليمية: نحو التواصل والتعاون". وقائع المؤتمر الدولي الثاني حول تحليلات التعلم والمعرفة . الصفحات 252-254 . doi : 10.1145/2330601.2330661 . ISBN  9781450311113. S2CID 207196058 . 
  5. ↑ "educationaldatamining.org" . تم الاطلاع عليه بتاريخ 14 نوفمبر 2020 .
  6. 1 2 3 سي. روميرو، إس. فينتورا. التنقيب في البيانات التعليمية: مراجعة لأحدث التقنيات. معاملات IEEE في الأنظمة والإنسان وعلم التحكم الآلي، الجزء ج: التطبيقات والمراجعات. 40( 6 )، 601-618، 2010.
  7. ↑ " http://educationaldatamining.org/EDM2008/ " تم الاطلاع عليه بتاريخ 2013-09-04
  8. 1 2 3 4 5 6 7 8 9 بيكر، رايان. "استخراج البيانات لأغراض التعليم" (ملف PDF) . أكسفورد، المملكة المتحدة: إلسيفير. مؤرشف من النسخة الأصلية (ملف PDF) بتاريخ 25 سبتمبر 2021. تم الاطلاع عليه بتاريخ 9 فبراير 2014 .
  9. 1 2 بيكر، آر إس؛ ياسيف، ك (2009). "حالة التنقيب في البيانات التعليمية في عام 2009: مراجعة ورؤى مستقبلية". مجلة التنقيب في البيانات التعليمية (JEDM) . 1 (1): 2017.
  10. روميرو ، كريستوبال؛ فينتورا، سيباستيان (يناير-فبراير 2013). "WIREs Data Mining Knowl Discov". مراجعات وايلي متعددة التخصصات : استخراج البيانات واكتشاف المعرفة . 3 ( 1 ): 12-27 . doi : 10.1002 / widm.1075 . S2CID 18019486 . 
  11. ↑ روميرو، كريستوبال؛ فينتورا، سيباستيان (2007). "استخراج البيانات التعليمية: دراسة استقصائية من 1995 إلى 2005". أنظمة الخبراء وتطبيقاتها . 33 (1): 135-146 . doi : 10.1016/j.eswa.2006.04.005 .
  12. ↑ "تقييم الأثر الاقتصادي لإصلاح حقوق النشر في مجال التعلم المدعوم بالتكنولوجيا" . وزارة الصناعة الكندية. مؤرشف من الأصل بتاريخ 13 أبريل 2014. تم الاطلاع عليه بتاريخ 6 أبريل 2014 .
  13. ↑ أزارنوش، بهاره، وآخرون. "نحو إطار عمل لتقسيم المتعلمين." JEDM- مجلة التنقيب في البيانات التعليمية 5.2 (2013): 102-126.
  14. ١ ٢ وزارة التعليم الأمريكية، مكتب تكنولوجيا التعليم. "تحسين التدريس والتعلم من خلال التنقيب في البيانات التعليمية وتحليلات التعلم: موجز قضايا" (ملف PDF) . مؤرشف من الأصل (ملف PDF) بتاريخ ١١ يونيو ٢٠١٤. تم الاطلاع عليه بتاريخ ٣٠ مارس ٢٠١٤ .
  15. 1 2 روميرو، سي.؛ فينتورا، إس.؛ بيتشينيزكي، إم.؛ بيكر، آر إس (2010). دليل استخراج البيانات التعليمية . مطبعة سي آر سي.
  16. ↑ "البيانات الضخمة في التعليم" . كورسيرا . تم الاطلاع عليه بتاريخ 30 مارس 2014 .
  17. ↑ "البيانات الضخمة في التعليم" . edXedxed . تم الاطلاع عليه بتاريخ 13 أكتوبر 2015 .
  18. ↑ "البيانات الضخمة في التعليم" . تم الاطلاع عليه بتاريخ 17 يوليو 2018 .
  19. ↑ "تحليلات التعلم | كلية المعلمين بجامعة كولومبيا" . www.tc.columbia.edu . تاريخ الاسترجاع: 13 أكتوبر 2015 .
  20. ↑ "الصفحة الرئيسية" . www.educationaldatamining.org . تم الاطلاع عليه في 1 يوليو 2022 .
  21. ↑ "EDM'09 - الصفحة الرئيسية" . www.educationaldatamining.org . تم الاطلاع عليه في 1 يوليو 2022 .
  22. ↑ "EDM2010" . 2011-10-20. مؤرشف من الأصل في 20 أكتوبر 2011. تم الاطلاع عليه بتاريخ 2022-07-02 .
  23. ↑ "EDM2011" . 20 أكتوبر 2011. مؤرشف من الأصل في 9 مايو 2021. تم الاطلاع عليه في 1 يوليو 2022 .
  24. ↑ "EDM2012" . مؤرشف من الأصل في 8 مايو 2013. تم الاطلاع عليه في 1 يوليو 2022 .
  25. ↑ "EDM2013" . مؤرشف من الأصل بتاريخ 29 ديسمبر 2013. تم الاطلاع عليه بتاريخ 1 يوليو 2022 .
  26. ↑ "EDM2014" . مؤرشف من الأصل في 30 يناير 2014. تم الاطلاع عليه في 1 يوليو 2022 .
  27. ↑ "EDM2015" . مؤرشف من الأصل في 8 أكتوبر 2014. تم الاطلاع عليه في 1 يوليو 2022 .
  28. ↑ "EDM2016" . مؤرشف من الأصل بتاريخ 13 مايو 2022. تم الاطلاع عليه بتاريخ 1 يوليو 2022 .
  29. ↑ "EDM2017" . مؤرشف من الأصل بتاريخ 30 أبريل 2017. تم الاطلاع عليه بتاريخ 1 يوليو 2022 .
  30. ↑ "EDM2018" . مؤرشف من الأصل بتاريخ 13 مايو 2022. تم الاطلاع عليه بتاريخ 1 يوليو 2022 .
  31. ↑ "EDM2019" . مؤرشف من الأصل بتاريخ 13 مايو 2022. تم الاطلاع عليه بتاريخ 1 يوليو 2022 .
  32. ↑ "EDM2020" . مؤرشف من الأصل بتاريخ 22 يناير 2022. تم الاطلاع عليه بتاريخ 1 يوليو 2022 .
  33. ↑ "EDM2021" . مؤرشف من الأصل بتاريخ 15 أغسطس 2021. تم الاطلاع عليه بتاريخ 1 يوليو 2022 .
  34. ↑ "كأس KDD 2010" . KDD . مؤرشف من الأصل في 15 يوليو 2010. تم الاطلاع عليه في 1 يوليو 2022 .
  35. ↑ "PLCS DataShop" . DataShop . مؤرشف من الأصل في 26 يونيو 2010. تم الاطلاع عليه في 1 يوليو 2022 .
  36. ↑ يو، هساينغ فو؛ لين، تشيه جين؛ لين، هسوان تيان؛ لين، شو دي؛ وي، ين هسوان؛ وينغ، جوي يو؛ تشانغ، تشون فو؛ يان، إن سيو؛ ماكنزي، تود؛ لو، جينغ كاي؛ هسيه، هسون بينغ (2010). "هندسة الميزات وتجميع المصنفات لكأس KDD 2010" (ملف PDF) . DataShop . مؤرشف من الأصل (ملف PDF) في 3 مارس 2022. تم الاطلاع عليه في 1 يوليو 2022 .
  37. 1 2 3 4 "كيف يمكن لاستخراج البيانات التعليمية وتحليلات التعلم تحسين التعليم وتخصيصه؟" . EdTechReview . 18 يونيو 2013. تم الاطلاع عليه في 9 أبريل 2014 .