Аналитика в Moodle

Раздел Analytics документации Moodle 3.8

Образовательная аналитика состоит из алгоритмов, которые отражают некоторые моменты образовательного процесса или предсказывают изменения в нем. Они основываются на исторических данных и текущем его состоянии. Есть четыре основных вида аналитики:

  • Дескриптивная — описывающая, что произошло.
  • Предиктивная — предсказывающая, что произойдет.
  • Диагностическая — объясняющая, почему это произошло.
  • Прескриптивная — предписывающая, что сделать, чтобы что-то улучшить.

Аналитика и отчеты

Мудл предоставляет разнообразие встроенных отчетов, основанных на журналах активности (логи). Такие отчеты дескриптивны по своей природе. Они рассказывают участникам, что произошло, а не почему. Они не предсказывают исход произошедшего и не дают совет, как улучшить результат. Логи, будучи очень детальными, сами по себе не описывают образовательный процесс. Они говорят нам "кто", "что" и "когда", но не "почему" или "как хорошо". Необходим больший контекст вокруг каждой микроактивности для проявления паттерна вовлеченности.

Существует также множество сторонних плагинов дискриптивной аналитики. Некоторые из них интегрируют внешние системы отчетов. И все же, они прежде всего представляют описательную аналитику, которая полагается на суждение человека для интерпретации отчетов и производства предсказаний и предписаний.

Часто в прошлом системы образовательной аналитики пытались анализировать прошлые активности для предсказания будущих в режиме реального времени. Система образовательно аналитики пытается решить более амбициозную задачу: не только предсказывать события, но и изменять их к лучшему.

Особенности

Поддерживается два типа моделей:

  • Модели, основанные на машинном обучении, включая предиктивные.
  • "Статичные" модели для выявления ситуации повышенного внимания с использованием простых правил.

Три встроенных модели: "Студенты с риском бросить обучение", "Предстоящие действия" и "Нет преподавания".

Набор индикаторов студенческой вовлеченности на основе концепции сообщества исследования. Концепция делает акцент на том, что знание необходимо встроено в социальный контекст. Таким образом, знание требует интерсубъективного согласия тех, кто вовлечен в исследование для своей легитимации.

Встроенный инструмент оценки модели на данных сайта.

Проактивное оповещение с использованием Событий.

Модели могут содержать индикаторы, цели (результаты, которые мы пытаемся спрогнозировать), инсайты (прогнозы), уведомления (сообщения, отправленные как результат инсайта) и действия, которые предлагаются получателям сообщений. Например, в модели "Студенты с риском бросить обучение", инструкторы могут с легкостью отправить сообщения студентам, идентифицированным моделью, или быстрой перейти в раздел "Отчет о деятельности" такого студента для детализации его активности на курсе.

API для построения индикаторов и предсказательных моделей сторонними плагинами.

Тип плагина для базовой программы машинного обучения, который поддерживает PHP и Python и может быть расширен, чтобы применять другие подобные базовые программы.

Система может быть легко расширена новыми пользовательскими моделями, основанными на целях, индикаторах и других компонентах.

Ограничения

Модели машинного обучения такие, как "Студенты с риском бросить обучение" должны быть обучены на сайте с его данными. До тех пор они не могут делать прогнозы.

Модели должны быть разработаны и выбраны специально, чтобы соответствовать образовательным приоритетам организации.