Корпоративное обучение для цифрового мира - страница 10

Шрифт
Интервал



Прошлая деятельность

Ретроспективные показатели прошлой деятельности обучающегося, раскрывающие усвоение идей, навыков или компетенций на текущий момент


Административные данные

Показатели периферийного контекста: преподаватель, школа, район, местная община или государство (на основании административных данных)


Эмоциональное состояние

Ближайшие показатели, относящиеся к обучению, например: эмоциональное состояние, качество сна, показатели питания


Социальные показатели

Показатель взаимодействия учащегося с другими учениками и преподавателем в процессе обучения или с записанной речью (со всеми ее разнообразными свойствами, например семантическим содержанием, просодией и т. д.)


Предпочитаемые обучающие медиа или жанры

Ретроспективные показатели предпочтительных для обучающегося медиа или жанров в тех случаях, когда выбор был возможен


Демографическая информация

Показатели периферийного контекста: демографическая информация об учащемся


Социальные связи

Показатели ближайшего контекста, такие как социальные отношения и данные о социальных связях


Тип мышления

Данные из анкеты или самоотчета относительно того, как учащийся устанавливает связь между своими стратегическими усилиями во время обучения и развитием компетенций, а также относительно функционирования сферы обучения


Настойчивость или упорство

Ретроспективные показатели настойчивости или упорства обучающегося при столкновении в процессе обучения с трудностями, которые индексируются как ошибки и временные показатели


Временная история

Показатели ближайшего контекста, представляющие временную историю действий обучающегося, данные о которой доступны в конкретный день


Нарушения в классе

Показатели ближайшего и периферийного контекста о нарушениях в классе согласно записям о поведенческих происшествиях в классе обучаемого в конкретный день или в течение времени



Образовательное извлечение данных (educational data mining, EDM) и data mining

Из упомянутых методологических категорий универсальными для всех типов data mining считаются предсказательный анализ, кластерный анализ и поиск взаимосвязей, однако более известными подходами к EDM считаются «Открытия с помощью моделей» и «Очистка данных для оценки человеком».


Кейс: предиктивная аналитика для мегментации аудиторри [5]



Выявлена зависимость между показанным результатом и количеством попыток прохождения теста