دوشنبه , مرداد ۱ ۱۳۹۷
خانه / مقالات / فرآیند کاوی آموزشی EPM
فرآیند کاوی آموزشی

فرآیند کاوی آموزشی EPM

مفهوم فرآیندکاوی

در این مقاله قصد داریم فرآیند کاوی آموزشی را معرفی کنیم ولی پیش نیاز آن آشنایی با مفهوم فرایندکاوی است .فرایندکاوی یا کاوش فرایند (به انگلیسی: Process mining) موضوع نسبتاً جوانی می‌باشد که بین هوش محاسباتی و داده‌کاوی از یک سو و مدل‌سازی فرایندهای سازمان و آنالیز از دیگر سو قرار می‌گیرد. هدف کاوش فرایند کشف، مانیتورینگ و ارتقای فرایندهای واقعی از طریق استخراج دانش از داده‌های ذخیره شده قابل خوانش از سیستم‌های اطلاعاتی امروزه می‌باشد.

کاوش فرایند یا Process Mining  بیشتر به آنالیز فرایندها با استفاده از داده‌های رویداد (EventLogs) می‌پردازد.

تکنیک‌های کلاسیک داده‌کاوی نظیر خوشه بندی، طبقه‌بندی، کاوش قانون و … برروی مدل‌های فرایندی کسب و کار تمرکز ندارند و فقط برای آنالیز گام مشخصی در فرایند کلی استفاده می‌شوند. کاوش فرایند برروی فرایندهای انتها به انتها تمرکز دارد. تکنیک‌های فرایندکاوی از داده‌های وقایع ثبت شده برای کشف و آنالیز و ارتقای فرایندهای کسب و کار استفاده می‌کنند.

فرایندکاوی، به معنای کشف و مانیتورینگ و ارتقای فرایندهای واقعی با استفاده از دانش استخراج شده از نگاره‌های رویداد (Event Log) موجود در سیستم‌های اطلاعاتی امروزه می‌باشد.

هر رویداد ثبت شده به یک فعالیت اشاره دارد و مرتبط با یک مورد (نظیر یک نمونه فرایند) می‌باشد. مرجع اصلی فرایندکاوی سایت processmining.org  می‌باشد. در این سایت آخرین اطلاعات در ارتباط با این حوزه نوظهور آورده شده است.

تکنیک‌های فرایندکاوی، براساس داده‌های ثبت شده رویداد، به سه دسته کلی تقسیم‌بندی می‌شوند:

الف) تکنیک‌های کشف فرایند (process discovery)

ب) تکنیک‌های چک کردن تطابق (conformance checking)

ج) تکنیک‌های کاوش سازمانی (organizational mining)

دسته اول یا همان تکنیک‌های کشف فرایند، به عنوان ورودی، داده‌های ثبت‌شده رویداد را دریافت کرده و یک مدل بدون استفاده از هیچ اطلاعات پیشینی تولید می‌نمایند. تکنیک‌های چک کردن متابعت بررسی می‌کنند که آیا فرایند واقعی ایی که در حال اجرا در سازمان بوده و اطلاعات آن در فایل رویداد ثبت شده است منطبق با یک مدل هدف اولیه مدنظر می‌باشد و بلعکس. تکنیک‌های دسته سوم هم به این موضوع می‌پردازند که آیا می‌شود با استفاده از داده‌های رویداد ثبت شده یک فرایندرا ارتقا یا توسعه داد. به عنوان مثال با استفاده از برچسب زمانی در داده‌های ثبت شده می‌توان مدل را طوری توسعه داد که گلوگاه‌ها، لایه‌های سرویس و زمان توان عملیاتی را نشان دهد. برخلاف روش‌های آنالیز موجود، کاوش فرایند، فرایند محور می‌باشد و نه داده محور، کاملاً هوشمند و مبتنی بر حقایق. همچنین مرتبط با داده‌کاوی می‌باشد. البته روش‌های سنتی داده‌کاوی مبتنی بر داده هستند ولی کاوش فرایند مبتنی بر فرایند می‌باشد.

به منظور آشنایی بیشتر با بحث کاوش فرایند، سیستم آموزش را در نظر بگیرید. اکثر دانشگاه‌ها دارای سیستم آموزشی می‌باشند. داده‌های سیستم آموزش حاوی اطلاعاتی از قبیل انتخاب واحدهای دانشجویان بهمراه درسی که انتخاب کرده‌اند و زمان و تعداد انتخاب‌ها در طول ترم‌های مختلف می‌باشد. با استفاده از یک سیستم کاوش فرایند می‌توان از روی این داده‌ها، چارت درسی که به نوعی فرایند تحصیلی یک دانشجو می‌باشد (کشف فرایند) را استخراج نمود. از طرف دیگر می‌توان با استفاده از تکنیک‌های چک کردن متابعت، میزان پیروی دانشجویان جدید از سرفصل‌های از پیش تعیین شده را مشخص نمود و مشخص نمود که آیا دانشجو در انتخاب درسها، پیش نیازها و هم نیازهای آن درس را رعایت کرده است یا خیر. همچنین با استفاده از تکنیک‌های کاوش سازمانی می‌توان گلوگاه‌های سیستم را شناسایی نموده و فرایند را ارتقا داد. مثلاً اینکه دانشجویان که در ترم خاصی درس مهندسی نرم‌افزار را پاس می‌کنند موفق تر هستند و بر مینای همین اطلاعات بدست آمده، چارت درسی را تغییر داد. همچنین می‌توان با استفاده از تکنیکها برخی از رویدادها را پیش بینی نموده و بر مبنای آن اقداماتی انجام داد. مثلاً پیش بینی کرد که آیا این دانشجوی جدید الورود قادر هست که درس خود را به پایان برساند یا چند ترمه به پایان خواهد رساند و سپس بر مینای این اطلاعات، مشاوره‌هایی را به بعضی از دانشجویان داد.

فرآیند کاوی آموزشی (Educational process mining)

چکیده :

فرآیند کاوی آموزشی (EPM) یکی از زمینه های در حال ظهور در داده کاوی آموزشی (EDM) است که هدف آن ایجاد صریح دانش بدون بیان و تسهیل درک بهتر فرآیند آموزشی است. EPM با استفاده از داده های ورودی به طور خاص از محیط های آموزشی جمع آوری می شود تا کشف، تجزیه و تحلیل و ارائه نمایشی بصری از فرآیند آموزشی کامل را داشته باشد.

این مقاله EPM را معرفی می کند و برخی از پتانسیل های این فناوری را در حوزه آموزشی توضیح می دهد. همچنین برخی از دیگر زمینه های مربوطه مرتبط مانند intentional mining، sequential pattern mining  graph mining. را شرح می دهد.

این ویژگی اجزای یک چارچوب EPM را برجسته می کند و چالش های مختلف را در هنگام مدیریت مجلات رویداد و سایر مسائل عمومی توصیف می کند. این داده ها، ابزار، تکنیک ها و مدل های مورد استفاده در EPM را توصیف می کند.

مقدمه

امروزه با توسعه و افزایش محبوبیت تکنولوژی های پشتیبانی شده از محیط های یادگیری، سیستم های اطلاعاتی، ما را قادر می سازد تا همه رویدادهای / فعالیت ها را در سطوح مختلف با جزئیات  بررسی کنیم.

این سیستم ها دارای قابلیت های ثبت لاگ و ثبت اطلاعات برای جمع آوری انواع مختلف داده های زمانی مانند جریان های کلیک، لاگ های مربوط به چت، سابقه تغییر سندها , ردیابی حرکت (مانند ردیابی چشم ، مایکروسافت Kinect).

فرایند کاوی (PM) می تواند با استفاده از این ، فایل های ثبت شده و یا ردیابی ها برای کشف، نظارت و بهبود فرآیندهای آموزشی استفاده کند.

PM در واقع پلی است بین داده کاوی و روند مدل سازی و تجزیه و تحلیل. PM به عنوان یک زیرمجموعه DM، ساختار پردازش گرا را به  روش DM را اضافه می کند و به طور گسترده ای برای یافتن الگوهای جالب از داده های جمع آوری شده در محیط های آموزشی مورد استفاده قرار می گیرد.

EDM بر روی فرایند به عنوان یک کل تمرکز نمی کند. تکنیک های DM کلاسیک مانند طبقه بندی، خوشه بندی، رگرسیون، قیاس قوانین ارتباط (ASR) و معادله توالی اندکی برای کشف جریان کنترل استفاده می شوند و فرایند محور نیستند. برای اجازه دادن به این نوع تحلیل عمومی، که در آن روند به جای نتیجه، نقش مرکزی را بازی می کند، یک روش جدید تحقیق داده کاوی، به نام PM، پیشنهاد شده است.

به طور کلی هر دو EDM و EPM الگوریتم های خاصی را برای داده ها به منظور کشف الگوهای و روابط پنهان ارائه می کنند.

اما تکنیک های EDM پردازش محور نیستند و بر روی داده های رویداد تمرکز نمی کنند. برای تکنیک های EDM ردیف ها (نمونه ها) و ستون ها (متغیرها) یک فایل داده معمولی هیچ معنی ندارد.

از سوی دیگر، EPM فرایند مرکزی است و بدین ترتیب فرآیندهای ناشناخته (یا به طور جزئی شناخته شده) آشکار می شود علاوه بر این، سایر روشهای مناسب با محدوده مشابه از قبیل کشف فرآیند، بررسی سازگاری و تجزیه و تحلیل تنگنا، با تکنیک های EDM سنتی حل نمی شود.

سرفصل هایی که در ادامه توضیح داده میشود:

  • زمینه و مباحث مرتبط
  • چهارچوب ها و مفاهیم EPM
  • اطلاعات و ابزار
  • تکنیک ها
  • دامنه های کاربردی مختلف در EPM
  • نتیجه گیری و تحقیقات بیشتر
زمینه و مباحث مرتبط

PM تکنولوژی نسبتا جدیدی است که بر تفکر هوش تجاری نشعت گرفته و  بر توسعه تکنیک هایی است که با هدف استخراج دانش مربوط به روند از ثبت رویدادها متمرکز دارد.

این ساختار از سیستم های اطلاعاتی ثبت شده توسط سیستم های اطلاعاتی استفاده می کند تا فرآیندها را در حوزه های مختلف کشف، نظارت و بهبود دهد، همچنین برای بررسی انطباق فرآیند، شناسایی تنگناها و پیش بینی مشکلات مورد استفاده قرار میگیرد.

اکثر کارهای PM در سیستم های کاری (کسب و کار) و کشف الگوهایی از جریان های کاری متمرکز شده است. روش های توصیف شده توسط این برچسب ها اطلاعات را از ورودی رویداد به عنوان ورودی و تولید مدل های فرایندی که اطلاعات را در گزارش های رویداد در یک روش  فرایند گرا کمک می کند تا از دیدگاه عمدتا جدا شده از مجموعه داده هایی که DM سنتی دارند، تجاوز کند.

PM ابزار جدیدی برای بهبود فرایندها در حوزه های مختلف می باشد. در این مقاله تکنیک های کشف دانش پردازش گرا در سیستم های آموزشی یک موضوع جدیدی است که درآینده بیشتر مورد توجه قرار میگیرد.

ساختار PM  که برای  داده های آموزشی اعمال می شود EPM نامیده می شود. ترکیبی از فناوری یادگیری با PM به ارمغان می آورد و پتانسیل قابل ملاحظه ای دارد. EPM شامل کشف، تجزیه و تحلیل و افزایش فرآیندها و جریان هایی است که در زیر گزارش های رویداد ایجاد شده توسط محیط های یادگیری مجازی (VLEs) ایجاد شده است.

EPM قادر به ساخت مدل های جامع آموزشی فرآیند است که قادر به بازبینی همه رفتارهای مشاهده شده است، بررسی می کند که آیا رفتار مدل سازی مطابق رفتار مشاهده شده است و پروژه استخراج اطلاعات را از ثبت نام در الگو برای ایجاد دانش ضمنی صریح و درک بهتر این فرایند را تسهیل می کند.

همچنین دیگر زمینه های مرتبط مربوط به کشف رفتار یادگیرندگان وجود دارد. که عبارتست از (IM)، (SPM) و(GM).

فرآیند کاوی آموزشی

Intention Mining قصد کاوی

IM ، یکی دیگر از زمینه های تحقیقاتی است که اخیرا ظهور کرده است. این زمینه اهداف مشابه PM دارد، اما به طور خاص مدل های فرآیند عمدی، یعنی فرآیندهای متمرکز بر استدلال ها را مورد توجه قرار می دهد

Sequence Pattern Mining الگو توالی کاوی

SPM تکنیک بسیار معمولی در محیط DM برای کشف توالی های مشترک مورد استفاده قرار میگیرد. تجزیه و تحلیل الگوی متوالی برای پیدا کردن روابط بین رخدادهای وقایع پی در پی، یعنی یافتن هرگونه نظم خاصی از وقوع وجود دارد.

روش های SPM شایع ترین الگوهای رویداد را در مجموعه ای از توالی های رویداد پیدا می کنندسایر تکنیک های مرتبط با SPM مانند تجزیه و تحلیل تکراری تاخیر (LAS)، تجزیه و تحلیل الگوی T و مدل مارکوف وجود دارد. در حالی که تجزیه و تحلیل الگوی T می تواند برای بررسی طولانی تر، توالی های زمانی بیشتر از مدل های LAS و مارکوف مورد استفاده قرار گیرد، تمام این تکنیک ها به ترتیب نسبتا کوتاه تکرار و تجزیه و تحلیل انتقال رویداد مناسب هستند.

تکنیک های SPM برای تحلیل رفتارهای یادگیری دانش آموزان به طور گسترده ای مورد استفاده قرار گرفته اند. اما، آنها در هنگام تلاش برای کشف الگوهای رفتاری سریالی یا ساده تر از یک فرآیند، به عنوان مثال، مسیرهای فعالیت یادگیرنده در یک دوره، نشان داده شده است. بنابراین، SPM مناسب برای کشف رفتارهای یادگیری است که فرآیند یادگیری کلی را توصیف نمی کنند.

Graph Mining

GM یکی دیگر از الگوهای معروف دیگر است. هدف از GM و یا گراف کاوی، یافتن تمام زیر نمودارهای مکرر در یک نمودار بزرگ یا یک پایگاه داده از نمودار اصلی.

گراف کاوی، ارائه ایده های جدید و الگوریتم های کارآمد برای زیر ساخت های توپولوژیکی داده کاوی در محاسبه داده های گراف است، در حالی که هدف اصلی DM، ارائه ایده های و یادگیری الگوهای ارتباطی با زبان های منطقی است. اولی بیشتر هندسه گرا است و دومی منطقی و روابطی است.

داده های آموزشی مبتنی بر گراف (G-EDM) یک منطقه تحقیقاتی جدید و مرتبط است. هر دو G-EDM و EPM از نمودار برای نمایش اطلاعات استفاده می کنند.

چهارچوب ها و مفاهیم EPM

فرآیند کاوی آموزشی

دنیای آموزش و پرورش: اساسا دو شرکت کننده در هر فعالیت یادگیری الکترونیکی، معلمان و دانش آموزان نقش مهمی ایفا می کنند. معلمان منابع مناسب برای تضمین موفقیت دانش آموزان ارائه می کنند. دانش آموزان بخش مهمی از هر فعالیت یادگیری الکترونیکی هستند، در تعامل با دیگر شرکت کنندگان (دانش آموزان یا معلمان) و با سیستم خود. در نهایت، دوره ها، سخنرانی ها، امتحانات و غیره به عنوان منابع برای شرکت کنندگان استفاده می شود.

محیط یادگیری مجازی: این ساختارها و منابع اولیه را فراهم می کند که در آن اعمال یادگیری و تعاملات شرکت کنندگان رخ می دهد. همچنین رویدادهایی را که در طول فرآیند یادگیری الکترونیکی رخ می دهد، ثبت می کند. اغلب معلمان یا محققان ابزارهای اساسی برای تحلیل یادگیری دانش آموزان (تکامل دید، تعداد فعالیت های انجام شده، مشارکت انجمن، آخرین ورود به سیستم و غیره) را فراهم می کنند، اما ابزار خاصی را ارائه نمی دهند که به معلمان اجازه می دهد تا به طور کامل از روند یادگیری دانش آموزان .

لاگ کردن رویدادها: اینها فایلهایی هستند که رویدادهایی را که در VLE رخ می دهد، ضبط می کنند و به طور معمول در پایگاه های داده ذخیره می شوند. آنها مقدار زیادی از داده های خام مربوط به تعامل عوامل آموزشی با VLE را شامل می شوند. لاگ های مربوط به رویداد باید به یک فرمت فایل خاص تبدیل شود تا بتوان آن را با استفاده از یک ابزار PM خاص استفاده کرد.

مدل های فرآیند: این اطلاعات ارزشمندی را در مورد چگونگی تعامل شرکت کنندگان در دنیای آموزش با سیستم از طریق ثبت وقایع نشان می دهد. آنها با استفاده از تکنیک های مختلف به منظور کشف فرآیندهای مربوط به یادگیری به دست می آیند. سه نوع اصلی PM (جدول 2 را ببینید) می توان تشخیص داد: کشف، انطباق و گسترش. این سه نوع اساسی PM نیز می توانند در رابطه با ورودی و خروجی توضیح داده شوند.

فرآیند کاوی آموزشی

اطلاعات و ابزار

در این بخش، توصیف دقیقتری از دادهها، مشکلات بالقوه و راهکارهای نرم افزاری مورد استفاده برای انجام تجزیه و تحلیل EPM ارائه می کنیم.

نقطه شروع برای PM یک رویداد که ممکن است یک صفحه گسترده اکسل، یک جدول پایگاه داده یا یک فایل ساده است که شامل ردیابی / دنباله ای از رویدادها است. هر رویداد یک ردیف در ورود رویداد است و به یک مورد (شناسه)، یک فعالیت (نام فعالیت) و یک نقطه در زمان (زمان بندی) اشاره می کند، گاهی اوقات ممکن است حاوی اطلاعات اضافی باشد. به طور کلی، آنها باید به فرمت های خاصی برای ذخیره سازی لاگ ها  مربوط مانند XES (جریان رویداد قابل انعطاف) یا MXML (زبان نشانه گذاری قابل استخراج معادله) تبدیل شوند تا توسط ابزار PM استفاده شوند.

بعضی از ابزارهای خاص پشتیبانی از تبدیل مختلف منابع داده ها به این فرمت ها مانند ProMimport گزارش های رویداد آموزشی می تواند از طیف وسیعی از محیط های یادگیری الکترونیکی مجازی مانند سیستم های مدیریت یادگیری (LMSs)، دوره های آنلاین باز (MOOCs)، سیستم های آموزش هوشمند (ITS ها)، و سیستم های Hypermedia Adaptive (AHSs). برای نمونه ای از یک ورودی رویداد از Moodle LMS.

فرآیند کاوی آموزشی

در نهایت، ابزارهای متعددی برای پشتیبانی از تکنیک های PM از جمله:

Celonis ProM, Disco, Celonis Discovery, Perceptive Process Mining, QPR ProcessAnalyzer, Aris Business Process Analysis, Fujitsu Process Analytics, XMAnalyzer, StereoLOGIC Discovery Analyst.

فقط سه مورد از این ابزار PM در تمام مقالات به آن اشاره شده است. ابزار ProM یک چارچوب عمومی متن باز برای پیاده سازی PM است و بیشترین تکمیل و رایج ترین آن در EPM، و پس از آن Disco است که همچنین یک ابزار کلی و تجاری است. تنها یک نرم افزار ویژه PM برای حوزه آموزش، به نام SoftLearn، وجود دارد. این رابط گرافیکی را فراهم می کند که معلمان می توانند برای تجسم کردن مسیرهای یادگیری به عنوان نمودار فعالیت ها و دسترسی به داده های مربوطه تولید شده در فعالیت های یادگیری استفاده کنند.

تکنیک ها

در این بخش، ما تکنیک های رایج ترین در EPM را توصیف می کنیم. ما چهار گروه اصلی تکنیک ها را برجسته می کنیم:

  • Discovery
  • conformance checking
  • dotted chart analysis
  • SNA

تکنیک های کشف

تکنیک های کشف فرایند یک مدل فرآیند را بر اساس یک رفتار رویداد در ورود به سیستم وارد می کند. آنها روی دیدگاه کنترل جریان تمرکز می کنند. الگوریتم های زیادی در PM برای کشف فرآیندهای اساسی از ثبت وقایع وجود دارد، اما اغلب در زمینه های آموزشی مورد استفاده قرار می گیرند (جدول 5 را ببینید):

  • الگوریتم Alpha: یک تکنیک نسبتا بصری و ساده بر اساس رابطه وابستگی بین رویدادهایی است که مستلزم ثبت نامهای بدون وقفه است. این یکی از اولین الگوریتم هایی بود که قادر به مقابله با همزمان شدن بود.
  • الگوریتم Heuristic Miner: این با استفاده از محاسبه فرکانس روابط بین وظایف  از احتمال استفاده می کند و جداول وابستگی / فرکانس و نمودار وابستگی / فرکانس را ایجاد می کند. الگوریتم Heuristic Miner به دلیل استفاده از متریک مبتنی بر فرکانس کمتر حساس به نویز و نقص است.
  • الگوریتم ژنتیکی: این مدل های فرایندی را بر اساس ماتریس های علی (وابستگی ورودی و خروجی برای هر فعالیت) ایجاد می کند. این رویکرد به مشکلات مانند نویز، داده های ناقص، سازه های غیر انتخابی، فعالیت های پنهان، همزمان سازی و فعالیت های تکراری پرداخته است.
  • الگوریتم Fuzzy miner: این یکی از الگوریتم های جدید تشخیص فرآیند است. این اولین الگوریتمی است که مستقیما به مسائل مربوط به تعداد زیادی از فعالیت ها و رفتار بسیار غیرمتمرکز مربوط می شود.

conformance checking

هدف چک کردن انطباق یافتن مشترکات و اختلاف بین رفتار مدل شده و رفتار مشاهده شده است. در ادبیات EPM، دو تکنیک در بررسی انطباق وجود دارد:

خطی زمان منطقی (LTL) جستجوگر. این بررسی می کند که آیا لاگ ها برخی از فرمول منطقی (LTL) را برآورده می کنند.

LTL چکگر مدل را با ورود به سیستم مقایسه نمی کند، بلکه مجموعه ای از الزامات توصیف شده توسط منطق (خطی) LTL است.

چک کننده سازگاری. این به یک ورودی رویداد نیاز دارد. این یک ورودی رویداد را در یک مدل شبکه پتری با یک روش غیر بلوکینگ در حالی که جمع آوری اطلاعات تشخیصی است که بعدا قابل دسترسی است، می کند

Dotted Chart Analysis Technique تکنیک تجزیه و تحلیل نمودار

نمودار نقطه ای نشان می دهد که گسترش حوادث در طول زمان با قرار دادن یک نقطه برای هر رویداد در یک رویداد وارد شده است،. این نشانگر پرونده ورودی به صورت بصری است، که یک منظر زمانی کلی از روند را نشان می دهد. نمودار دو ابعاد مجزا دارد: نوع زمان و جزء. زمان در طول محور افقی نمودار اندازه گیری می شود. انواع اجزاء در امتداد محور عمودی نشان داده شده است. شکل 5 نمونه ای از نمودار نقطه ای در مورد کار روزانه دانشجویان در مودل را نشان می دهد. هر ردیف یک کار متفاوت یا رویداد Moodle در طول دوره است و اندازه نقطه نشان دهنده این است که چگونه بسیاری از دانش آموزان این کار را در یک زمان خاص انجام داده اند.

Social Network Analysis Technique تکنیک تجزیه و تحلیل شبکه اجتماعی

SNA به مجموعه ای از روش ها، تکنیک ها و ابزار ها در جامعه سنجی اشاره دارد که با هدف تجزیه و تحلیل شبکه های اجتماعی است. SNA قصد دارد شبکه های اجتماعی را از ضبط رویدادها بر اساس تعاملات مشاهده شده بین خوانندگان، بسته به اینکه چگونه پرونده های فرآیند بین این سازندگان روت می شود، استخراج می کند. یک شبکه اجتماعی متشکل از گره هایی است که نهادهای سازمانی و قوس ها را نشان دهنده روابط می کنند. شکل 6 یک نمونه از شبکه های اجتماعی را نشان می دهد که نشان می دهد چگونه و چگونه دانش آموزان در یک انجمن مودل در تعامل هستند. گره های بزرگ نشان دهنده دانش آموزان فعال تر هستند و Arcs نشان دهنده لحظه ای است که آنها در تعامل هستند.

دامنه های کاربردی مختلف در EPM

EPM در طیف گسترده ای از حوزه های کاربردی در آموزش و پرورش مورد استفاده قرار گرفته است.

MOOCs, LMS and Hypermedia Environments

دوره های آموزشی گسترده (MOOCs)، سیستم مدیریت یادگیری (LMS)، Hypermedia و دیگر محیط های آموزش آنلاین مشابه، فرصت های یادگیری رایگان را به جامعه آنلاین ارائه می کنند. فایل های ورود به سیستم ایجاد شده توسط این سیستم ها بینشی را در مورد نحوه پیگیری افراد از دوره، تماشای فیلم ها یا سخنرانی ها و زمان انجام وظایف در میان دیگران ارائه می دهند.

تحقیقات زیادی در مورد کاربرد PM در این نوع محیط یادگیری وجود دارد. چندین مورد از اشخصاص و تیم هایی که تحقیقاتی در این زمینه داشته اند در مقاله اصلی اشاره شده است.

ارزیابی مبتنی بر کامپیوتر

ارزیابی مبتنی بر کامپیوتر (CBA)، اساسا، تمرکز دادن آزمونها و تستها در رایانه به جای استفاده از فرمتهای مداد و کاغذ است. ارزیابی رایانه به طور گسترده ای در بسیاری از VLE های مختلف مورد استفاده قرار می گیرد. . چندین مورد از اشخصاص و تیم هایی که تحقیقاتی در این زمینه داشته اند در مقاله اصلی اشاره شده است.

ثبت نام دانشجو

ثبت نام دانشجویان با تمام الزامات و مراحل ثبت نام دوره های علمی یا دوره ای انجام می شود. مهم است که در فرایند سیستم مدیریت خودکار در حوزه آموزشی بررسی شود تا نتایج مورد انتظار را از لحاظ فرایندهای ثبت نام کیفیت و به موقع دانشجویان انجام شود.

مخازن نرم افزار

توسعه دهندگان و تیم های توسعه در فرایندهای توسعه نرم افزار، اغلب از مکان های مختلف درگیر هستند. در این پروژه ها، انواع مختلفی از مخازن نرم افزاری مانند سیستم های مدیریت منبع کد، مخازن سند، آرشیوهای پست الکترونیکی، ردیاب های خطا و سیستم های کنترل نسخه برای پشتیبانی از ارتباطات و هماهنگی استفاده می شود.

چرخه تحقیق ساختاری

یک چرخه تحقیق ساختاری نوعی استراتژی انطباق است که ترکیبی از ساختار صریح و داربست با کنترل فراگیر یادگیرندگان برای ایجاد یک تجربه فراگیر تر و شخصی تر به دلیل تنوع بالایی در دانش قبلی، مهارت های فراشناختی و انگیزه در جمعیت های یادگیرنده

دنیای مجازی 3D آموزشی

دنیای مجازی 3D آموزشی محیط هایی هستند که تعامل بین دانش آموزان و معلمان را تشویق می کنند. این محیط ها دانش آموزان (به عنوان آواتار ها) را تشویق می کنند تا فعالیت های یادگیری را انجام دهند که ابتدا توسط معلمان برنامه ریزی نشده بود.

برخی اهداف مطالعه بروی EPM
  • برای تشخیص مشکلات یادگیری
  • برای تهیه توصیه یا مشاوره برای دانش آموزان.
  • برای بدست آوردن درک بهتر فرایند آموزشی پایه
  • برای شناسایی مشکلات یادگیری و کشف الگوهای پی در پی
  • برای کشف الگوهای تکراری
  • برای کشف جریان یادگیری
  • برای کشف جریان یادگیری و ارائه بازخورد
  • برای کشف جریان یادگیری

نتیجه گیری و کارهای آینده

این مقاله مقدمه ای جامع برای EPM، یکی از امیدوار کننده ترین تکنیک های EDM ارائه می دهد. EPM جوان، زمینه در حال ظهور است که نزدیک به سایر زمینه های تحقیقاتی مانند IM، SPM و G-EDM مرتبط است. کار حاضر چارچوب EPM را توصیف می کند که انطباق چارچوب PM عمومی است و مشکلات مانع مختلفی را که در هنگام مدیریت مجلات رویداد، تکنیک های رایج ترین و ابزارهای اغلب استفاده می شود، می پردازد. علاوه بر این، یک مرور کلی از تحقیقات اصلی تا به امروز ارائه می دهد که هدف آن دستیابی به تحقیقات موجود در این زمینه است.

EPM اجازه می دهد درک بهتر فرایند آموزشی پایه از داده های رویداد خام، اما به عنوان یک منطقه در حال ظهور، با چالش های بسیاری روبرو است و چشم انداز زیادی برای آینده است. ما می خواهیم برخی از مسائل مهم را که در آینده ای نزدیک EPM به ویژه چالش برانگیز هستند، بیان کنیم، مانند:

استفاده از معانی شناختی برای بهبود EPM.

استفاده از EPM به سایر حوزه های آموزشی پیشرو مانند بازی ها، موبایل و محیط های یادگیری همه جا.

 

ترجمه ای آزاد از مقاله A survey on educational process mining

  • آیا این مقاله مفید بود؟
  • بله   خیر

با تمام وجود علاقمندم مباحث جدید مربوط به برنامه نویسی رو یاد بگیرم و به دیگران یاد بدم. نیمی از زمان روزانه رو صرف یادگیری میکنم. سعی میکنم مقالات مفید و جدید در حوزه برنامه نویسی و به ویژه جاوا اسکریپت رو برای شما دوستان عزیز در لایو گوگل منتشر کنم.

۲ کامنت ها

  1. عالی بود جناب لطفی

  2. سلام و خسته نباشید خدمت آقای لطفی نیا، سپاس فراوان از مطالب مفید و آموزندتون.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.