| Περίληψη: | Στις μέρες μας, καθημερινά μεγάλος όγκος εκπαιδευτικών δεδομένων γίνεται όλο και πιο διαθέσιμος. Διάφορα εκπαιδευτικά πληροφοριακά συστήματα συλλέγουν και χρησιμοποιούν τεράστια σύνολα δεδομένων τόσο για τους εκπαιδευόμενους, το εκπαιδευτικό προσωπικό και το υλικό, όσο και για τις μεταξύ τους αλληλεπιδράσεις. Η επεξεργασία και ανάλυση αυτών των δεδομένων προσέλκυσε την προσοχή διαφόρων ερευνητών κυρίως για τη δυνατότητά της να εντοπίσει μοτίβα, τάσεις και προβλέψεις που μπορούν να χρησιμοποιηθούν για τη βελτίωση της μαθησιακής διαδικασίας και των αποτελεσμάτων της. Στον χώρο της Εκπαίδευσης, η Εξόρυξη Γνώσης από εκπαιδευτικά δεδομένα και η Μαθησιακή Αναλυτική συνιστούν πλέον δύο ιδιαίτερα δυναμικά διεπιστημονικά πεδία, τα οποία αναπτύσσονται σήμερα με ταχείς ρυθμούς. Απώτερος κοινός σκοπός τους είναι κατανόηση και βελτίωση της μάθησης και του εκπαιδευτικού περιβάλλοντος.
Η πρόβλεψη των μαθησιακών αποτελεσμάτων συνιστά ένα από τα σημαντικότερα προβλήματα των πεδίων της Εξόρυξης Γνώσης από εκπαιδευτικά δεδομένα και της Μαθησιακής Αναλυτικής. Ανεξάρτητα από τον τρόπο προσέγγισης του προβλήματος, η επίλυσή του παρουσιάζει ιδιαίτερη πρακτική αξία, καθώς επιτρέπει την αποτελεσματική πρόβλεψη των μαθησιακών αποτελεσμάτων των σπουδαστών και δίνει την δυνατότητα έγκαιρης παρέμβασης για την παροχή υποστήριξης σε αυτούς.
Παράλληλα, αποτελεί συνήθως κανόνα παρά εξαίρεση το γεγονός ότι τα διαθέσιμα δεδομένα του πραγματικού κόσμου ενδέχεται να περιέχουν ανακριβή στοιχεία, να είναι ελλιπή ή/και να χαρακτηρίζονται από υποκειμενικότητα. Ακόμα, κατά την επίλυση προβλημάτων, πολλές φορές είναι εξίσου απαραίτητο τα εξαγόμενα μοντέλα μάθησης να έχουν μία εύκολα κατανοητή αναπαράσταση και διαφάνεια του τρόπου λειτουργίας τους ώστε να επιτρέπεται η συνέργεια ανθρώπου και μηχανής. Την ίδια στιγμή, η ταχεία ανάπτυξη και η μεγάλη ποικιλία εξελιγμένων μεθόδων Μηχανικής Μάθησης απαιτούν εξειδικευμένες γνώσεις και εμπειρία στους σχετικούς τομείς από τους χρήστες τους, εμποδίζοντας, έτσι, τη συμμετοχή μη έμπειρων χρηστών.
Η παρούσα διδακτορική διατριβή πραγματεύεται το γενικότερο πρόβλημα της δημιουργίας προγνωστικών μοντέλων ταξινόμησης και παλινδρόμησης στον χώρο της εκπαίδευσης. Η βασική επιδίωξη είναι η ανάπτυξη νέων μεθοδολογιών υποστήριξης αξιόπιστων μοντέλων πρόβλεψης της απόδοσης των μαθητών σε ακαδημαϊκά μαθήματα εξαμήνου της ανώτατης εκπαίδευσης.
Σε αυτό το πλαίσιο, περιγράφονται έξι ερευνητικές μελέτες που πραγματεύονται νέες μεθόδους Εξόρυξης Γνώσης από εκπαιδευτικά δεδομένα και επικεντρώνονται σε δύο κεντρικά ζητήματα του χώρου: τη διαχείριση της ατελούς πληροφορίας που υπάρχει εν γένει στα ψηφιακά δεδομένα (εκπαιδευτικά και μη) και την αξιοποίηση τεχνικών που εξάγουν μοντέλα υψηλής απόδοσης με διαισθητικά ερμηνεύσιμη δομή. Καθώς, στην Εξόρυξη Γνώσης, η πολυπλοκότητα των διαθέσιμων επιλογών που συνοδεύουν τις μεθόδους έχει ως αποτέλεσμα τον αποκλεισμό των μη ειδικών στον χώρο, η υποστήριξη της ερμηνευσιμότητας είναι σημαντική.
Για τον σκοπό αυτόν, χρησιμοποιήθηκαν και συνδυάστηκαν προοδευτικά ασαφείς αλγόριθμοι μάθησης, τεχνικές αυτόματης βελτιστοποίησης και στρατηγικές Ενεργούς Μάθησης, ενώ μελετήθηκε ξεχωριστά η τεχνική της Μεταφοράς Μάθησης. Σε ένα πρώτο βήμα, διερευνήθηκε η αποτελεσματικότητα της Μπεϋσιανής βελτιστοποίησης στην αυτόματη επιλογή του βέλτιστου αλγορίθμου μάθησης και στην ρύθμιση των υπερ-παραμέτρων του. Για να τονιστεί εξίσου η σημασία της παραγωγής ερμηνεύσιμων και επεξηγήσιμων μοντέλων μηχανικής μάθησης, η αναζήτηση λύσεων περιορίστηκε σε αυτούς τους αλγορίθμους που βασίζονται σε δέντρα ή κανόνες. Αποτέλεσμα της σύμπραξης αυτής ήταν η δημιουργία μοντέλων με κατανοητή από τον άνθρωπο αναπαράσταση, τα οποία ταυτόχρονα χαρακτηρίζονται από υψηλή ακρίβεια.
Επιπλέον προτείνεται η αξιοποίηση στρατηγικών Ενεργούς Μάθησης και Μεταφοράς Μάθησης, τεχνικές που επικεντρώνονται στην αντιμετώπιση του προβλήματος της έλλειψης επαρκών δεδομένων για την εκπαίδευση ενός μοντέλου μάθησης. Η Ενεργή Μάθηση αφορά κυρίως προβλήματα όπου, ενώ είναι διαθέσιμα αρκετά δεδομένα, μόνο για λίγα από αυτά είναι γνωστή η ετικέτα τους. Η μεταφορά μάθησης αφορά κυρίως προβλήματα όπου δεν είναι διαθέσιμα αρκετά δεδομένα εκπαίδευσης για ένα πρόβλημα, αλλά είναι διαθέσιμα για ένα άλλο, σχετικό πρόβλημα. Αναπτύχθηκαν δύο και καινοτόμες μεθοδολογίες: μια υβριδική μέθοδος Ενεργούς Μάθησης βασισμένη σε ασαφείς ταξινομητές που ενσωματώνει μηχανισμούς αυτόματης βελτιστοποίησης και μία μέθοδος μεταφοράς γνώσης μεταξύ προγνωστικών μοντέλων μάθησης. Οι νέοι προτεινόμενες μέθοδοι εφαρμόζονται σε προβλήματα ταξινόμησης και παλινδρόμησης με τη χρήση εκπαιδευτικών δεδομένων που περιγράφουν τη δραστηριότητα των φοιτητών κυρίως στη διαδικτυακή πλατφόρμα μάθησης Moodle. Η πειραματική διερεύνηση τεκμηριώνει την αποτελεσματικότητα των μεθόδων αυτών για το πρόβλημα της πρόβλεψης των μαθησιακών αποτελεσμάτων.
Η συστηματική έρευνα που πραγματοποιήθηκε ελπίζουμε να αποτελεί μια χρήσιμη συμβολή και να ανοίγει νέους ορίζοντες στο πεδίο της Εξόρυξης Γνώσης από εκπαιδευτικά δεδομένα και της Μαθησιακής Αναλυτικής, οδηγώντας στην αξιοποίηση και την ανάπτυξη εργαλείων που υποβοηθούν το έργο του εκπαιδευτή και της μάθησης μέσω απτών δεδομένων.
|
|---|
