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
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.
