Библиографическое описание:

Рыбанов А. А., Сержантова Е. О., Макушкина Л. А. Аналитическая платформа Deductor как средство анализа результатов активности пользователей системы дистанционного обучения Moodle // Молодой ученый. — 2013. — №5. — С. 173-176.

В статье предлагается реализация процесса взаимодействия аналитической платформы Deductor и системы дистанционного обучения Moodle, направленного на анализ результатов активности пользователей-студентов. Приведены структура хранилища данных и общая схема взаимодействия Deductor и Moodle.

Ключевые слова: система дистанционного обучения, Moodle, Deductor.

Средством повышения эффективности управления процессом дистанционного обучения является непрерывный мониторинг за пользователями учебных курсов систем дистанционного обучения (СДО). Информацию о трудностях и сбоях дистанционного обучения можно получать не только по результатам тестирования знаний [1–2], но и по анализу активности пользователей.

СДО Moodle осуществляет функции сбора и хранения информации о посещении пользователями дистанционных учебных курсов, но она обладает недостаточно развитым функционалом для анализа хода учебного процесса в плане визуализации активности пользователей по посещениям дистанционных курсов и обращению к учебным материалам. Поэтому актуальной является задача разработки хранилища данных (рис. 1), содержащего данные об активности пользователей-студентов, ориентированного на процесс получения пользователями-педагогами нужной аналитической информации в необходимом визуальном представлении за необходимый хронологический период в нужных разрезах.

Рис. 1. Структура хранилища данных: активность пользователей-студентов СДО

Источником данных для разработанного хранилища является база данных Moodle, в которой содержится необходимая информация об ip-адресе входа в СДО пользователя-студента, дате, времени и процессе работы с элементами дистанционного курса. Задачи разработки хранилища данных, загрузки данных, подготовки данных для анализа и проведение анализа активности пользователей-студентов СДО предлагается решать на базе аналитической платформы Deductor.

В результате анализа способов интеграции Deductor со сторонними системами [3], подходов к расширению системы Moodle [4] и механизма соединения Deductor и Moodle [5], предлагается реализация процесса взаимодействия Deductor и Moodle, направленного на анализ результатов активности пользователей-студентов, представленная на рис. 2.

Рис. 2. Общая схема взаимодействия Deductor и Moodle

Механизм интеграции Deductor и Moodle базируется на двух модулях: подсистеме выгрузки данных из БД Moodle и подсистеме информирования пользователей СДО.

Подсистема выгрузки данных из БД Moodle предназначена для выборки информации из фрагмента базы данных, моделирующего процесс взаимодействия пользователей студентов с СДО.

Подсистема анализа активности пользователей-студентов СДО предназначена для решения последовательности следующих задач [6]:

1)                            Анализ динамики изменения количества посещений пользователем (учебной группой) дистанционного курса в течение указанного периода времени;

2)                            Анализ динамики изменения количества уникальных (по ip-адресу) посещений пользователем (учебной группой) дистанционного курса;

3)                            Анализ динамики изменения процента посещаемости дистанционного курса пользователями заданной учебной группы;

4)                            Анализ взаимодействия пользователей с элементами дистанционного курса.

Подсистема информирования пользователей СДО по результатам анализа активности пользователей-студентов предназначена для формирования сообщений о трудностях и сбоях процесса дистанционного обучения:

-          для пользователей-студентов — это информация о нарушениях плана изучения дистанционного курса;

-          для пользователей-педагогов — это информация: о посещениях учебной группой дистанционного учебного курса (рис. 3–4); об элементах дистанционного учебного курса, вызывающих у пользователей-студентов наибольшие трудности (рис. 5);

-          для пользователей-разработчиков дистанционных курсов — это информация об элементах учебного курса, требующих переработки контента.

Рис. 3. Диаграмма изменения количества уникальных (по ip-адресу) посещений дистанционного курса

Рис. 4. Диаграмма изменения процента посещаемости дистанционного курса

Диаграмма взаимодействия пользователей-студентов с элементами дистанционного курса отображает количество обращений к организационным (форумы), учебно-методическим (конспекты лекций, методические указания к практическим и лабораторным работам) и контрольно–измерительным (тесты, задания) материалам.

На рис. 5. приведена диаграмма взаимодействия пользователей-студентов дистанционного курса с контрольно-измерительными материалами по дисциплине «Аналитическое программное обеспечение».

Рис. 5. Диаграмма взаимодействия пользователей с элементами дистанционного курса

Анализируя диаграмму взаимодействия по горизонтали можно определить тесты, вызвавшие у пользователей-студентов наибольшие трудности: тест к лекции № 1, тест к лекции № 3. Анализ диаграммы взаимодействия по вертикали позволяет определить студентов, имеющих трудности с прохождением тестов: Пронькина С. Н., Романова Т. И.

Дальнейший анализ полученных данных методами data minig, реализованными в Deductor позволяет получать информацию для принятия решений о повышении качества контента учебно-методических [4] и контрольно-измерительных материалов [7].

Расширение LMS Moodle возможностью анализа активности пользователей дистанционных учебных курсов позволит педагогам оперативно обнаруживать и своевременно влиять на возникающие трудности и сбои дистанционного обучения.

Литература:

1.                  Рыбанов А. А. Автоматизированный анализ качества процесса обучения по результатам тестирования знаний на основе диаграмм Парето // Дистанционное и виртуальное обучение. 2009. № 8. С.54–59.

2.                  Рыбанов А. А. Автоматизированный Парето-анализ качества процесса обучения на основе результатов тестирования знаний. // Научное обозрение. 2009. № 4. С. 55–59.

3.                  Рыбанов А. А., Зайчук О. А. Использование АП Deductor для анализа и планирования профориентационной работы вуза // Бизнес-аналитика. Использование аналитической платформы Deductor в учебном процессе вуза: сб. матер. II межвуз. науч.-практ. конф., г. Москва, 28 июня 2011 г. / ООО «Лаборатория баз данных» (BaseGroupLabs). — Рязань, 2011 г. — С. 107–108.

4.                  Рыбанов А. А., Посевкин Р. В. Модуль автоматизированного контроля качества контента учебно-методических материалов [программа]: свидетельство о государственной регистрации программы для ЭВМ № 2012611938. — Зарегистрирована в Реестре программ для ЭВМ 20.02.12.

5.                  Худоложкин М. С., Рыбанов А. А. Визуализация результатов учебной деятельности пользователей системы Moodle средствами аналитической платформы Deductor // Молодой ученый. 2012. № 7. С. 52–55.

6.                  Сержантова Е. О., Рыбанов А. А. Разработка и исследование подходов к информационной поддержке процесса анализа результатов учебной деятельности в системе дистанционного обучения: доклад // Студенческий научный форум 2013: V междунар. студ. электрон. науч. конф., 15 февр. — 31 марта 2013 г. Направл. «Технические науки».Рос. акад. Естествознания. — М., 2013. — С. 1–19.

7.                  Рыбанов А. А. Поиск наилучшего значения параметра дифференцирующей способности тестового задания для модели Бирнбаума / Рыбанов А. А. // Педагогические измерения. — 2012. — № 4. С. 40–50.

Обсуждение

Социальные комментарии Cackle