Humboldt-Universität Humboldt-Universität zu Berlin zu Berlin Institut für Informatik Institut für Informatik Didaktik der Informatik / Informatik Didaktik der Informatik / Informatik und Gesellschaft und Gesellschaft Seminar „Educational Data Mining“ Seminar „Educational Data Mining“
20
Embed
Humboldt-Universität zu Berlin Institut für Informatik Didaktik der Informatik / Informatik und Gesellschaft Seminar Educational Data Mining.
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Humboldt-Universität Humboldt-Universität zu Berlinzu Berlin
Institut für InformatikInstitut für InformatikDidaktik der Informatik / Didaktik der Informatik / Informatik und GesellschaftInformatik und Gesellschaft
Seminar „Educational Data Mining“Seminar „Educational Data Mining“
Organisatorisches
• Ort: RUD25, R. 3.113
• Zeit: Dienstags, 9:15 – 10:45 Uhr
• Bedingungen für Leistungsnachweis:• 30min. Vortrag + 15min. Diskussion
• Teilnahme an den Vorträgen ihrer Kommilitonen
• aktive Teilnahme an den Diskussionen
• schriftliche Ausarbeitung(ca. 10 Seiten mit Literaturverzeichnis)
• Prediction • Clustering• Relationship mining• Discovery with models• Distillation of data for human judgment
Ryan Baker
Who covered in EDM
• Students/learners
• Teachers/instructors
• Administrators/policy makers
What can EDM help them?
• Students/learners
Hint generation (Barnes, T. et.al 2008)
Personalized courseware recommendation (Chen, C. et al. 2004)
Recommend learning partners (Huang, Jeff JS et al. 2010)
…
What can EDM help them?
• Teachers/instructors
Detect gaming system (Ryan Baker)
Predict motivation level (Mihaela Cocea et al. 2006)
Assess learners’ performance (Chih-Ming Chen et al. 2009)
…
What can EDM help them?
• Administrators/policy makers
The impact of curriculum revisions (Becker, K. et al. 2000)
Course Planning of extension education (Hsia, T. et al. 2008)
Select students for remedial classes (Ma, Y. et al. 2000)
…
Themenbereiche
Theoretische Grundlagen
•Mathematische Modelle und Ansätze•Data Mining Techniken•Künstliche Intelligenz
Educational Data Mining in Intelligent
Tutoring Systems
•Übersicht über intelligente/adaptive Lernsysteme•Psychologische, lerntheoretische und didaktische Grundlagen•Zusammenhänge zwischen EDM und ITS
Learning Analytics imE-Learning
•Methoden und Ansätze•Technologien und Anwendungen•Zukünftige Entwicklungen
Themen „Theoretische Grundlagen“ (1)
• Einführung in Educational Data Mining und Learning Analytics (Thema für 2 Studenten)• Was ist Educational Data Mining?• Was ist Learning Analytics?• Worin unterscheiden sie sich und wo liegen Gemeinsamkeiten?• Was sind typische Data Mining Techniken und was sind ihre
Hauptziele?• Wo und wie lassen sich diese Techniken lernförderlich einsetzen?
• Prediction• Was bedeutet Prediction im Educational Data Mining und wie
funktioniert es?• Was sind die gebräuchlichsten Modelle, um Vorhersagen zu machen?• Wie und wo werden diese Modelle im Educational Data Mining
eingesetzt?• Wo liegen deren Grenzen?
Themen „Theoretische Grundlagen“ (2)
• Clustering• Was ist Clustering und wie funktioniert es?• Warum clustert man Daten im Educational Data Mining?• Was ist Spectral Clustering und wofür wird es benötigt?• Was ist Model-based Clustering?• Was sind Nachteile des K-Means Clusterings?• Gibt es noch weitere Clusteringverfahren und wofür können sie im
Educational Data Mining eingesetzt werden?
• Relationship Mining• Was ist Relationship Mining und was sind die gebräuchslichsten
Methoden?• Was ist Sequential Pattern Mining, wie funktioniert es und wo wird es
eingesetzt?• Was sind Unterschiede zwischen Causal Data Mining und Association
Rule Mining?
Themen „Theoretische Grundlagen“ (3)
• Social Network Analysis• Was sind Herausforderungen von Social Network Analysis Methoden
im Educational Data Mining?• Was sind Ziele der Social Network Analysis und wie werden diese
erreicht?
• Swarm Intelligence• Was versteht man unter Swarm Intelligence?• Was sind typische Algorithmen und Anwendungen im
Zusammenhang mit menschlichem Lernen?• Was sind Vor- und Nachteile von Swarm Intelligence?
• Analyse von Student/Student- bzw. Student/Tutor-Interaktionen• Wie können (computergestützte) Interaktionen zwischen
Lernern/Lehrenden identifiziert werden?• Wie können solche Analysen zu besserem Verständnis und zu
Verbesserungen im Lernen führen?
Themen „Educational Data Mining in Intelligent Tutoring Systems“ (1)
• Einführung in Intelligent Tutoring Systems und Student Modeling (Thema für 3 Studenten)• Was sind Intelligent Tutoring Systems und zu welchem Zweck
wurden und werden sie entwickelt?• Was sind Ziele und Herausforderungen in ITSs?• Was sind typische Komponenten solcher Systeme?• Was bedeutet Student Modeling und wofür ist es wichtig?• Auf welchen Theorien bauen ITSs auf?• Was sind Authoring Tools für ITSs, wie funktionieren sie und welche
gibt es?
• Cognitive Tutors• Was sind Cognitive Tutors und wie funktionieren sie?• Auf welcher Lerntheorie basieren diese Tutoren welchen Ansatz
verfolgen sie? • Wie bzw. wo kann Educational Data Mining in Cognitive Tutors
eingesetzt werden?
Themen „Educational Data Mining in Intelligent Tutoring Systems“ (2)
• Constraint-based Tutors• Was sind Herausforderungen von Social Network Analysis Methoden
im Educational Data Mining?• Was sind Ziele der Social Network Analysis und wie werden diese
erreicht?
• Dialogue-based Tutors• Was sind Dialogue-based Tutors und wie funktionieren sie?• Was sind die grundlegendenden Prinzipien des Natural Language
Processing?• Wie kann Educational Data Mining helfen, solche Systeme zu
verbessern?
Themen „Educational Data Mining in Intelligent Tutoring Systems“ (3)
• Affective Intelligent Tutoring System• Was sind Affective ITS?• Welche Affective States exisitieren und wie können sie das Lernen
beeinflussen?• Wie können Affective States erkannt und im Lernen berücksichtigt
werden?
• Misuse of Intelligent Tutoring Systems• Was bedeutet unsachgemäßer Gebrauch von Lernsystemen?• Welche Auswirkungen hat dieser aufs Lernen?• Wie kann dieser erkannt werden?• Wie kann Missbrauch vermieden bzw. unterbunden werden?
Themen „Learning Analytics im E-Learning“ (1)
• Visualization• Wie können Lernerdaten mithilfe von Learning Analytics aufbereitet
und visualisiert werden?• Welchen Nutzen haben solche Visualisierungen?• Wo finden sie Anwendung?
• Recommendation• Wie können Empfehlungen beim Lernen helfen?• Wie kann Learning Analytics dazu beitragen, Empfehlungen für
Lehrer bzw. Lernende generieren?• Wo werden solche Empfehlungen zur Unterstützung von
Lernprozessen eingesetzt?
• Assessment• Wie können technische Systeme eingesetzt werden, um die
Beurteilung von Lernenden bzw. ihrer Aktivitäten zu unterstützen?• Welche Rolle spielt Learning Analytics in diesem Zusammenhang?• Wo werden solche Systeme eingesetzt?
Themen „Learning Analytics im E-Learning“ (2)
• Big Data• Was versteht man unter Big Data im Zusammenhang mit Lernen?• Woher kommen große Datenansammlungen?• Wie verändern große Datenmengen den Einsatz von Learning
Analytics im E-Learning?
• Social Learning Analytics• Was ist Social Learning Analytics?• Wo kann es eingesetzt werden?• Wie kann es Lernen in sozialen Netzwerken ermöglichen bzw.
unterstützen?
• Massive Open Online Courses (MOOCs)• Was sind MOOCs und wie funktionieren sie?• Wo gibt es Ansatzpunkte für Learning Analytics in MOOCs?• Wie kann Learning Analytics die Durchführung von MOOCs