Moodle тизими маълумотлар базаси ёрдамида data mining усулларидан фойдаланиб ўқитувчи фаолиятини баҳолаш



Мақолада moodle тизими базаси элементлари кесимида маълумотларни интеллектуал таҳлил қилиш усулларидан фойдаланган ҳолда ўқитувчи фаолиятини баҳолаш классификация масаласини ечиш орқали ҳал қилинган. Moodle виртуал таълим тизимида фойдаланувчилар сонининг ошиши, таълим жараёнини мониторинг қилиш ва бошқаришга тўғри пропорционал, яъни мураккаблик ошади. Шуни инобатга олган ҳолда moodle виртуал таълим тизимига маълумотларни интеллектуал таҳлил қилиш усуллари ва алгортимларини модуллари қўшилса, moodle виртуал таълим тизими маълумотлар базасини таҳлил қилиш жараёнини маълум қисмини автоматлаштиришга эришилади. Moodle виртуал таълим тизимида ўқитувчи фаолиятини матнли маълумотлар асосида, яъни ибораларни ажратиш орқали Naive Bayes, Best First Tree, ID3 усуллари ёрдамида классификация масаласи ҳал қилинди ва олинган натижалар ишончлилиги аниқланди.

Таянч иборалар: маълумотлани интеллектуал таҳлил қилиш, Синфларга ажратиш, Naive Bayes усули, Best First Tree алгоритми, ID3 алгоритми, Moodle, виртуал таълим тизими(ВТТ)

В статье рассмотрены задачи классификации оценки преподавательской деятельности с использованием интеллектуального анализа данных в системе Moodle на основе элементов базы. В виртуальной образовательной системе Moodle увеличение количества пользователей, мониторинг образовательного процесса и пропорционально управлению и увеличивает сложность. В связи с этим добавление алгоритмов и методов интеллектуального анализа данных в виртуальную образовательную систему Moodle дает возможность автоматизации определенной части анализа базы данных. В Moodle разрешены вопросы классификации с помощью методов Naïve Bayes, Best First Tree, ID3 на основе текстовых данных деятельности преподавателей.

Ключевые слова: интеллектуальный анализ данных, классификация, метода Нави Байеса, алгоритм Best First Treeю, алгоритм ID3, Moodle, виртуалная образователная система(ВОС)

The article deals with the tasks of classifying the assessment of teaching activity using the intellectual data analysis in the Moodle system on the basis of the base elements. In the virtual educational system Moodle increase the number of users, monitor the educational process and proportionally manage and increase complexity. In this regard, the addition of algorithms and methods of data mining into the virtual educational system Moodle makes it possible to automate a certain part of the database analysis. Moodle resolves classification issues using Naïve Bayes, Best First Tree, ID3 methods based on text data of teachers' activities.

Keywords: Data mining, Classification, Naive Bayes method, Best First Tree method, ID3 algorithm, Moodle, Learning Management System (LMS)

Кириш. Маълумки, мамлакатимизда Кадрлар тайёрлаш дастурининг қабул қилиниши ва ушбу дастур асосида олиб борилган ислоҳотлар натижасида таълим сифати ва самарадорлиги кескин ошди. Республикамизда ахборот коммуникация технологияларидан кенг кўламда фойдаланишни йўлга қўйиш, шунингдек таълим жараёнига масофавий ўқитишни жорий этиш, талабалар ва ўқитувчиларнинг мустақил ўқишини таъминлаш ва улардан ўқув жараёнларида фойдаланиш масалалари устида салмоқли ишлар олиб борилмоқда.

Ахборот коммуникацион технологияларини (АКТ) ривожланиши билим олиш усулларини ўзгартирди ва масофавий таълим учун янги йўл очиб берди. Ҳозирги даврда электрон таълим оммавий кўринишга эга бўлди. Таълимни бошқариш виртуал тизимлари (LMS — Learn management system) ўқитувчилар ва талабалар ўқув материалларини осон ва тушунарли ўзлаштиришга имкон яратди [1].

Республикамизнинг кўпгина олий таълим муассасалари (ОТМ)да таьлим сифатини ошириш мақсадида виртуал таьлим тизим (ВТТ) лари қўлланилмоқда. Одатда кўпгина ОТМлари эркин ва очиқ кодли дастурий таъминотлардан фойдаланилмоқда. Масалан Atutor, eFront, Claroline, Moodle [2].

Мазкур дастурий таъминотлар ичида Moodle ўзининг кенг имкониятлари билан ажралиб туради ва кўпгина ОТМларида қўлланилади. Moodle ВТТ бу — талаба ва ўқитувчи орасида фан кесимида маьлумот алмашиш, талабалар билан масофавий суҳбат ўтказиш, тест ва савол-жавоблар орқали талабалар билимини баҳолаш, талабалар билан форумлар ташкил қилиш, талабаларга топшириқлар бериш каби бир қанча қулайликларга эга. Moodle ВТТда ўқитувчилар ва талабаларнинг ҳамма маьлумотлари марказлашган ҳолда реляцион маьлумотлар базасида сақланади. Таьлим тизимида энг асосий кўрсаткич бу таьлим сифати ҳисобланади. Бу ўқитувчиларнинг дарс бериш сифати ва талабаларнинг фан бўйича ўзлаштиришига боғлиқ.

Маълумотларни интеллектуал таҳлил қилиш усулларини таълим тизимига изчил жорий этиш амалий аҳамият касб этмоқда. Таълим тизимида маълумотларни интеллектуал таҳлил қилиш усуллари талабаларни ўқитиш ва бахолаш, маълумотларни сақлаш, архивлаш ва таҳлил қилишга йўналтирилган. Маълумотлар интеллектуал таҳлил қилиш усуллари таълим тизимида асосан қуйидаги йўналишларда қўлланилмоқда [3]:

– психология ва психометрия;

– машинали ўқитиш;

– таълим статистикаси;

– ахборотни визуаллаштириш ва компьютерда моделлаштириш.

Таълим тизимида маълумотларни интеллектуал таҳлилини 1-расмда кўрсатилганидек гипотезаларни шакллантириш, тестлаш ва такомиллаштириш жараёнларидан иборат [4].

1-Расм. Таълим тизимида маълумотларни интеллектуал таҳлил қилиш усулларидан фойдаланиш жараёнлари

Асосий қисм. Маълумотларни интеллектуал таҳлил қилиш усуллари қуйидагича синфлаштириш мумкин:

– статистика ва визуаллаштириш;

– веб маълумотларни интеллектуал таҳлил қилиш;

– кластерлаш ва классификациялаш;

– ассоциативлаш қоидаси;

– матнли маълумотларни интеллектуал таҳлил қилиш.

Масаланинг қўйилиши. ТАТУ виртуал таълим тизими маьлумотлар базасидаги матнли маьлумотлар асосида ўқитувчи фаолиятини баҳолаш ва классификация масаласини ечиш орқали ҳал қилишдан иборат. ТАТУ ВТТда янги курс яратилганда ўқитувчи ва талаба ўртасида фикр алмашиш ва курс бўйича савол жавобни шакллантириш учун форум яратилади ва форумлардаги матнли маьлумотларни Data mining (маълумотларни интеллектуал таҳлил қилиш) усулларидан фойдаланилган ҳолда ўқитувчи фаолиятини баҳолаш ва таҳлил қилишдан иборат.

Катта ҳажмдаги маълумотларни таҳлил қилиш учун Data mining усулларидан фойдаланилади. Умумий ҳолда маълумотларнинг интеллектуал таҳлил қилиш усулларидаги жараёнларни қуйдагича тасвирлаш мумкин.

2-расм. Маълумотлани интеллектуал таҳлил қилиш жараёни

Юқорида 2-расмда тасвирланган таҳлил жараёни масалани тушунишдан бошланади. ТАТУ Moodle ВТТ форумларидаги талабалар томонидан билдирилган мулоҳазалар асосида ўқитувчларнинг дарс ўтиш сифатини баҳолашдан иборат.

– 1-босқич. Берилган ўитилувчи маълумотлар тўплами таҳлил қилинади;

– 2-босқич. Маълумотни тайёрлаш, бунда маълумотлар таҳлил қиладиган алгоритмга зарур бўлган форматга келтирилади;

– 3-босқич. Data mining моделларидан фойдаланади.

Баҳолаш босқичида қурилган модел ишончлилиги баҳоланади, агар моделимиз талабга жавоб бермаса жараён 1-босқичга қайтади ва юқоридаги босқичлар қайтадан такрорланиб бошқадан модел қурилади. Агар қурилган модел ишончлиги таъминланса бу модел кўрилаётган маълумотлар базаси таҳлили учун қўлланилади.

Хулоса дарахти усули. Берилган маълумотлар тўплами асосида матнли маълумотларни синфларга ажратади. Бунда маълумотлар дарахт кўринишида шакллантирилади. У илдиз уч деб номланади. Илдиз уч аҳамиятли параметрдан бошлаб танлашни бошлайди ва икки синфга ажратади ва бошқа параметр бўйича тармоқ уч жараёнини амалга оширади. Натижада матнли маълумотлар икки синфга ажралади. Жараённи қуйидаги 3-расм орқали тасвирлаш мумкин.

3-Расм. Хулоса дарахти усули таркибий тузилиши

Хулоса дарахти усулининг афзалликларидан бири унда энг аҳамиятли қиймат сараланади ва алгоритмга боғлиқ бўлади. Хулоса дарахти усулининг ID3 ва Best First Tree(BFTree) алгоритмлари қуйидагича ифодаланади.

ID3 усул. Берилган маълумотлар тўплами асосида матнли параметрларни синфларга ажратиш қуйидаги ифода орқали ҳисобланади:

, (1)

бу ерда -синф белгиларини сони. -параметрларни информативлиги фарқлари ҳисоблангандан сўнг, хулоса дарахти учлари учун энтропия ҳисобланади

(2)

Бу ерда - А параметрнинг тармоқга боғлиқликлари сони. Бундан кейн А параметрнинг энг катта информативлик қийматлари асосида энг яхши параметр классификация учун саралаб олинади, у қуйидаги ифода асосида ҳисобланади.

(3)

Best First Tree(BFTree) усули. Мазкур усул ҳам хулоса дарахти усули бўйича классификация масаласини ечиш учун қўлланилади. Асосий ўлчов сифатида Гини индекси ишлатилади. Агар бизга берилган маълумотлар тўплами та синф объектларидан иборат бўлса, унда бу маълумотлар тўплами учун Гини индекси қуйидагича ҳисобланади:

(4)

бу ерда -синф элементларининг маълумотлар тўпламида учраш эҳтимоллиги.

Naive Bayes усули. Мазкурусул эҳтимоллар назарияси ва Bayes теоремасига асосланган. У эҳтимолликлар кўринишидаги моделни яратади. Шунинг учун ҳам синфларга ажратиш эҳтимолликлар кўпайтмаси кўринишида ҳисобланади:

(5)

Таклиф қилинаётган модел. Moodle ВТТ да ўқитувчилар томонидан фанлар кесимида янги курслар яратилади. Форум маълумотлари MySql маълумотлар базасини бошқариш тизимида сақланади. Ўқитувчилар яратилган курслар бўйича талабаларга дарс берадилар ва талабалар дарс ҳақидаги фикрларини форумга ҳар бир дарсдан кейин ёзиб қолдирадилар. Фанлар кесимида курслар семестр якунлангандан кейин талабаларни форумга ёзиб қолдирилган матнли маълумотларини маълумотларнинг интеллектуал таҳлил усулларидан фойдаланган ҳолда таҳлил қилинади. Таклиф қилинаётган модел қуйидаги 4-расмда тасвирланган:

4-Расм. Модел умумий тузилиши

Модел иккита асосий қисмдан иборат:

1. Маълумотларга дастлабки ишлов бериш. Маълумотлар базасида керакли маълумотни саралаб олишдан токи маълумотларни интеллектуал таҳлил қисмигача бўлган жараённи ўз ичига олади. Мазкур жараённинг таркибий қисмлари қуйидагича:

– Маълумотлар базасига сўровлар — Moodle тизимидаги форумнинг керакли маълумотларини олиш учун SQL сўровлар тизими ёрдамида сўровлар ишлаб чиқиш;

– Ибораларни ажратиш— қисмида олинган матн кўринишидаги маълумотлар ичидан керакли сўзлар ва сўз бирикмаларини ажратиб олинади. Масалан “яхши ўқитувчи”, “дарсни яхши ўтади”, “мавзуни яхши тушунтиради”, “тез ўтади”, “кўп вазифалар беради”, “менга ёқмайди” каби сўзлар ажратилиб олинади.

– Ибораларни синфлаштириш— бу қисмдаолинган иборалар икки синфга ажратилади:

1) синфда 5 та ижобий ибора ва 5 та салбий иборадан ташкил топади;

2) синф 20 та параметрдан яъни 10 та ижобий ибора ва 10 та салбий иборадан ташкил топади.

2. Маълумотларнинг интеллектуал таҳлили қилиш усуллари. Юқорида келтирилган иборалар (белгилар) бўйича ўқитувчи фаолиятини баҳолаш ID3, Best First, Tree(BFTree) ва Navie Bayes алгоритмлари асосида классификация масаласи ечилди ва олинган натижалар визуализация қилинади ва ўқитувчига жўнатилади. Ўқитувчи шу ҳулосалар асосида дарс ўтиш жараёнига ўзгартиришлар киритади.

Олинган тажриба-синов натижалар. Мазкур жараёнда форум маълумотлар базасидаги маълумотлари икки қисмга ажралади:

1. тизимни ўқитиш;
2. тестлаш учун.

5-Расм. Маълумотларни классификатор қилиш жараёни

Моделни ишончлигини баҳолаш учун K-Fold Cross-Validation тестлаш услубидан фойдаланамиз. Бу усулда тестлаш жараёнини қуйидагича тасвирлашимиз мумкин.

6-Расм. K-Fold Cross-Validation тестлаш усули таркибий тузилиши

K-Fold Cross-Validation усули бўйича синфларга ажратишдаги хатоликлар қуйидаги фомула ёрдамида аниқланади:

(6)

бу ерда бўлса синфлар хато ажратилган ҳисобланади. Агар бўлса синфлар тўғри ажратилган бўлади. Тажриба жараёнида икки хил маълумотлар тўпламидан фойдаланилди. Биринчи маълумотлар тўпламида 10 параметр бўйича ва иккинчи маълумотлари тўплами 20 та параметр бўйича. Натижалар шуни кўрсатадики юқорида келтириб ўтилган 3 та алгоритм ҳам синфларга ажратишда яхши самара беради. Натижаларни алгоритмлар ишончлиги бўйича қуйидаги жадвал орқали тасвирлаш мумкин.

1-жадвал

Номи нима

Алгоритмлар	Ишончлилик кўрсаткичи		Ўртача
	10 та параметр бўйича	20 та параметр бўйича
ID3	80.00 %	78.18 %	79.09 %
Best First Tree	79.54 %	77.72 %	78.63 %
Navie Bayes	78.18 %	79.09 %	78.63 %

Натижалар шуни кўрсатадики қўлланилган алгоритмлар ичида иккита маълуотлар тўплами бўйича ID3 алгоритми энг катта ишончлиликни беради.

ХУЛОСА. Ҳозирда кўпчилик олий таълим муассасалари moodle виртуал таълим тизимидан фойдаланмоқда. Агар тизимда фойдаланувчилар сони кўп бўлса moodle виртуал таълим тизими маълумотлар базаси ёрдамида таълим жараёнини кузатиб ва бошқариб бориш қийинлашади. Шуни инобатга олган ҳолда moodle виртуал таълим тизимиларига маълумотларни интеллектуал таҳлил қилиш усуллари ва алгортимларини модуллари қўшилса, moodle виртуал таълим тизими маълумотлар базаси таҳлил жараёнини маълум қисмини автоматлаштришга эришиш ва moodle виртуал таълим тизими асосида таълим жараёнини назоратини янада яхшилаш мумкин бўлади.

Адабиётлар:

1. Van Barneveld, Angela, Kimberly E. Arnold, and John P. Campbell, “Analytics in higher education: Establishing a common language,” Educause Learning Initiative 1, 2012, pp. 1–11.

2. D. Monk, “Using data mining for e-learning decision making,” The Electronic Journal of e-Learning, vol. 3, no. 1, 2005, pp. 41–54.

3. C. Romero, S. Ventura, P. G. Espejo, and C. Hervás, “Data mining algorithms to classify students,” Proceedings of Educational Data Mining, 2008, pp. 20–21.

4. G. W. Dekker, M. Pechenizkiy, and J. M. Vleeshouwers, Predicting students drop out: a Case study. In T. Barnes, M. Desmarais, C. Romero, and S. Ventura, editors, Proceedings of the 2nd International Conference on Educational Data Mining, 2009, pp.41–50. http://www.search.uz/eng/catalog/information-technologies/providers.htm

5. О. Б. Рўзибоев Таълим сифатини рационал баҳолаш тизими. ТАТУ хабарлари, № 3-сон, Тошкент-2010й

6. B. K. Baradwaj and S. Pal, Mining Educational Data to Analyze Students’ Performance. International Journal of Advanced Computer Science and Applications, Vol.2, No.6, 2011, pp.63–69.

7. Baker R. S. J.D., “Data Mining For Education. In International Encyclopedia of Education (3rd edition)”, B. MCGAW, PETERSON, P., BAKER Ed. Elsevier, Oxford, UK, 2009.Forman, G. 2003. An extensive empirical study of feature selection metrics for text classification. J. Mach. Learn. Res. 3, pp. 1289–1305,

8. M. Jadrić, Ž. Garača, and M. Ćukušić, Student dropout analysis with application of data mining methods, Management, Vol.15, No.1, 2010