| Περίληψη: | Η αξιοποίηση των τεχνολογιών της πληροφορίας και των επικοινωνιών στον χώρο της εκπαίδευσης συμβάλλει καθημερινά στην παραγωγή και αποθήκευση μεγάλων ποσοτήτων δεδομένων. Η ανάγκη αποτελεσματικής ανάλυσης αυτών των δεδομένων για την ανακάλυψη πολύτιμων πληροφοριών και τη μετατροπή τους σε συστηματική γνώση συντέλεσε στην ανάπτυξη των πεδίων της Εξόρυξης Γνώσης από Εκπαιδευτικά Δεδομένα και της Μαθησιακής Αναλυτικής. Η Εξόρυξη Γνώσης από Εκπαιδευτικά Δεδομένα επικεντρώνεται στην ανάπτυξη και εφαρμογή μεθόδων Εξόρυξης Γνώσης σε εκ-παιδευτικά δεδομένα για την επίλυση σημαινόντων εκπαιδευτικών προβλημάτων, ενώ η Μαθησιακή Αναλυτική εστιάζει περισσότερο στη διαδικασία της μάθησης, αξιοποιώντας την ανάλυση δεδομένων για την ενίσχυση των διαδικασιών λήψης αποφάσεων. Ωστόσο, ανεξάρτητα από τον τρόπο προσέγγισης ενός εκπαιδευτικού προβλήματος, και τα δύο επιστημονικά πεδία έχουν κοινούς στόχους: τη βελτίωση της μάθησης και την αναβάθμιση της ποιότητας της προσφερόμενης εκπαίδευσης.
Η πρόβλεψη των μαθησιακών αποτελεσμάτων των εκπαιδευομένων συνιστά ένα από τα σημαντικότερα προβλήματα των πεδίων της Εξόρυξης Γνώσης από Εκπαιδευτικά Δεδομένα και της Μαθησιακής Αναλυτικής. Η αντιμετώπιση του συγκεκριμένου προβλήματος αφορά στη δημιουργία ενός μοντέλου κατηγοριοποίησης ή παλινδρόμησης, ανάλογα με τη φύση του χαρακτηριστικού πρόβλεψης, εφαρμόζοντας έναν κατάλληλα επιλεγμένο αλγόριθμο Επιβλεπόμενης Μηχανικής Μάθησης, όπως είναι, για παράδειγμα, ένα δέντρο απόφασης. Ωστόσο, η δημιουργία ενός προβλεπτικού μοντέλου προϋποθέτει την εκπαίδευση του αλγορίθμου σε ένα σύνολο ετικετοποιημένων δεδομένων, δηλαδή ένα σύνολο για το οποίο είναι γνωστές τόσο οι τιμές των ανεξάρτητων μεταβλητών, όσο και η τιμή της μεταβλητής απόφασης. Η δυσκολία συλλογής ετικετοποιημένων δεδομένων έχει οδηγήσει στην ανάπτυξη νέων μεθόδων Μηχανικής Μάθησης οι οποίες χαρακτηρίζονται, γενικά, με τον όρο «Μηχανική Μάθηση με Ελλιπή Επίβλεψη». Η Ημι-Επιβλεπόμενη Μηχανική Μάθηση και η Ενεργή Μηχανική Μάθηση αποτελούν τις κύριες συνιστώσες αυτού του ραγδαία αναπτυσσόμενου πεδίου, στοχεύοντας στη βέλτιστη αξιοποίηση ετικετοποιημένων και μη ετικετοποιημένων δεδομένων για τη δημιουργία αποτελεσματικών και εύρωστων μοντέλων Μηχανικής Μάθησης.
Τα τελευταία χρόνια, αρκετοί αλγόριθμοι Μηχανικής Μάθησης με Ελλιπή Επίβλεψη έχουν αναπτυχθεί και εφαρμοστεί με μεγάλη επιτυχία για την επίλυση διάφορων προβλημάτων σε πολλά επιστημονικά πεδία. Ωστόσο, η αποτελεσματικότητα αυτών των μεθόδων δεν έχει μελετηθεί στο πεδίο της εκπαίδευσης, όπως συνάγεται από την ανασκόπηση της σχετικής βιβλιογραφίας, δημιουργώντας νέες προκλήσεις για επιστήμονες και ερευνητές του χώρου. Οι προκλήσεις αυτές δεν αφορούν μόνο στην εφαρμογή υφιστάμενων μεθόδων Μηχανικής Μάθησης με Ελλιπή Επίβλεψη στα πεδία της Εξόρυξης Γνώσης από Εκπαιδευτικά Δεδομένα και της Μαθησιακής Αναλυτικής, αλλά και στην ανάπτυξη νέων αλγορίθμων για την διύλιση πολύτιμης γνώσης από τεράστιες ποσότητες εκπαιδευτικών δεδομένων.
Σε αυτό το πλαίσιο, ο πρωταρχικός σκοπός της παρούσας διατριβής είναι η ανάπτυξη νέων μεθόδων Μηχανικής Μάθησης με Ελλιπή Επίβλεψη και η εφαρμογή τους στην πρόβλεψη των μαθησιακών αποτελεσμάτων των σπουδαστών σε διάφορες βαθμίδες της εκπαίδευσης. Πιο συγκεκριμένα, αναπτύσσουμε έναν αλγόριθμο Ημι-Επιβλεπόμενης Κατηγοριοποίησης με Συνεκπαίδευση και έναν αλγόριθμο Ημι-Επιβλεπόμενης Παλινδρόμησης για την πρόβλεψη της απόδοσης και του βαθμού, αντίστοιχα, προπτυχιακών φοιτητών στην εξ αποστάσεως τριτοβάθμια εκπαίδευση. Οι προτεινόμενες μέθοδοι κρίνονται κατάλληλες τόσο για την αποτελεσματική, όσο και την έγκαιρη πρόβλεψη των μαθησιακών αποτελεσμάτων των σπουδαστών, όπως τεκμαίρεται από τα πειραματικά αποτελέσματα των δημοσιευμένων εργασιών μας.
Ολοκληρώνοντας, θεωρούμε ότι η παρούσα διατριβή αποτελεί την πρώτη συστηματική και ολοκληρωμένη προσπάθεια για την αξιοποίηση της Μηχανικής Μάθησης με Ελλιπή Επίβλεψη στον χώρο της εκπαίδευσης, προσδοκώντας σαφώς καλύτερα αποτελέσματα από τις παραδοσιακές μεθόδους Επιβλεπόμενης Μάθησης.
|
|---|
