Применение методов кластерного анализа при реализации персонализации онлайн-обучения

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

ПРИМЕНЕНИЕ МЕТОДОВ КЛАСТЕРНОГО АНАЛИЗА ПРИ РЕАЛИЗАЦИИ ПЕРСОНАЛИЗАЦИИ ОНЛАЙН-ОБУЧЕНИЯ

Запорожко В.В.

канд. пед. наук,

Жуматаева Ж.Б., Рубцова А.В.

Одним из направлений дальнейшего развития цифровых образовательных технологий является персонализация процесса обучения в онлайн-среде. В силу этого учет таких дидактических принципов, как индивидуализация, дифференциация процесса обучения, гибкость, вариативность, а также адаптивность содержания онлайн-курса, является существенной необходимостью. В рамках данной статьи рассмотрены методы кластерного анализа, которые в условиях онлайн-обучения позволяют проводить обработку больших объемов данных (о слушателях, курсах, процессе обучения) и на их основе реализовать различные алгоритмы (сценарии) персонализации.

Под кластерным анализом (кластеризацией) понимают процедуру упорядочивания объектов в сравнительно однородные классы на основе попарного сравнения этих объектов по предварительно определенным и измеренным критериям. Цель кластерного анализа состоит в разбиение на группы схожих объектов для исследования данных из кластерной структуры. Кластером называются объекты, объединенные в одну группу, которая может рассматриваться как самостоятельная единица, обладающая определёнными свойствами [3]. Объекты в каждом кластере должны быть максимально схожи между собой и отличаться от объектов в других кластерах. В метрическом пространстве «схожесть» обычно определяют через расстояние.

Обобщенный алгоритм кластерного анализа включает пять этапов [2]:

1. Представление исходных данных в виде матрицы.

2. Определение сходства объектов.

3. Выбор метода объединения объектов в кластеры.

4. Определение оптимального числа кластеров.

5. Интерпретация кластеров и качества разбиения.

Проведенный анализ литературы позволил выделить ряд преимуществ кластерного анализа перед другими методами кластеризации данных. Во-первых, не накладываются ограничения на вид группируемых объектов, что дает возможность рассматривать произвольное множество данных разного типа. Во-вторых, позволяет производить разделение объектов не по одному, а по целому набору признаков, что обеспечивает разбиение более точно. В-третьих, многие алгоритмы способны самостоятельно (на основе машинного обучения) определять число кластеров, на которое рекомендуется разбить данные, а также выделить основные характеристики полученных кластеров.

Однако кластерный анализ имеет и ряд недостатков. Во-первых, может выдавать неустойчивые кластеры. Во-вторых, реализует индивидуализацию методов исследования от частного к общему, что чревато антинаучными выводами. В-третьих, используются разные критерии объединений объектов в кластеры, в следствии чего могут меняться результаты.

Приведем примеры некоторых задач кластерного анализа при реализации персонализации онлайн-обучения.

1. Разделение обучающихся на отдельные группы (кластеры) со схожими результатами освоения конкретного модуля (раздела) курса. Содержание онлайн-курса должно адаптироваться к потребностям текущих групп, что обеспечивает параллельное обучение слушателей со существенно отличающимися образовательными возможностями и способностями.

2. Дифференцирование слушателей на отдельные группы в зависимости от преобладающего стиля обучения для дальнейшего адаптивного подбора формы представления содержания онлайн-курса.

3. Группировка онлайн-курсов по ряду признаков для динамического формирования индивидуальной образовательной траектории (адаптивного плана обучения) каждого слушателя в отдельности.

4. Дифференцирование слушателей онлайн-курса на обобщенные группы для организации целенаправленной коллаборативной работы, например, по выполнению разноуровневых оценочных заданий или совместных проектов.

5. Классификация учебных объектов онлайн-курса для дальнейшей генерации системы персональных (индивидуальных) пошаговых рекомендаций по освоению дополнительных наиболее подходящих для конкретного слушателя материалов теоретической и практической направленности.

6. Разделение тестовых заданий, включенных в онлайн-курс, на группы по уровням сложности и трудности их выполнения для последующей реализации алгоритма адаптивного тестирования.

7. Разбиение электронного образовательного контента онлайн-курса по тематическим группам с целью реализации адаптивного поиска информации.

Решению задач данного класса может поспособствовать обзор методов кластерного анализа. Единой точки зрения на классификацию методов кластерного анализа не существует. На рисунке 1 приведена обобщенная классификация методов кластеризации, характерная для большинства прикладных задач [1].

кластерный персонализация онлайн обучение

Рисунок 1 - Классификация методов кластеризации

Суть методов иерархической кластеризации состоит в последовательном объединении меньших кластеров в большие или разделении больших кластеров на меньшие [5]. В зависимости от того, какое действие выполняется над кластерами, объединение или разделение, иерархические методы делятся на агломеративные и дивизионные соответственно.

Агломеративные методы (от слова agglomerate - собирать) представляют собой последовательное объединение исходных элементов в группы и уменьшение числа кластеров. В начале кластеризации все объекты являются отдельными кластерами. Далее наиболее похожие объекты объединяются в кластер и продолжается до тех пор, пока все объекты не будут составлять один кластер [4].

Дивизионный метод (от слова division - разделять) является в некоторой степени противоположным агломеративному и характеризуется последовательным разделением исходного кластера, состоящего из всех элементов, и увеличением числа кластеров. В начале кластеризации все объекты входят в один кластер, который на последующих шагах делится на меньшие кластеры, в результате чего образуется последовательность расщепляющих групп.

Неиерархическая кластеризация в свою очередь подразделяется на четкие и нечеткие методы.

Четкие методы кластеризации разбивают исходное множество объектов на некоторое количество непересекающихся подмножеств. При этом любой элемент из исходного множества принадлежит только одному кластеру.

Нечеткие методы кластеризации позволяют одному и тому же объекту принадлежать одновременно нескольким кластерам, но в разной мере. Нечеткая кластеризация во многих случаях более «естественна», чем четкая, например, для объектов, расположенных на границе кластеров.

Приведем обзор ряда исследований, связанных с применение различных методов кластерного анализа при реализации персонализации онлайн-обучения.

Исследователь П.Д. Антоненко из США и его коллеги считают [6], что кластерный анализ обладает огромным потенциалом для анализа огромных объемов данных журналов (логов) веб-сервера, чтобы обнаружить наиболее успешные стратегии решения задач в процессе онлайн-обучения. Применяя метод Уорда (Ward's method), ими были получены однородные группы обучающихся на основе трех ключевых признаков: (а) доля времени, затрачиваемого на выполнение письменных заданий (анализ проблемы, генерацию решения и рефлексию на предлагаемое решение), (б) на посещение соответствующих ресурсов для решения проблемы, и (в) на посещение нерелевантных ресурсов. Данный метод относится к иерархическим агломеративных методам. Первоначально каждый кластер состоял из одного объекта. Сначала объединялись два ближайших кластера. Для них определялись средние значения каждого признака и рассчитывалась сумма квадратов отклонений. В дальнейшем объединялись те кластеры, которые давали наименьшее приращение суммы квадратов расстояний объектов до центра кластера, получаемого в результате их объединения. Метод Уорда успешно применялся при объединение близко расположенных кластеров. В результате были выделены четыре кластера, в состав которых входят обучающиеся с различными стратегиями решения задач.

Ученые из Хорватии [7] предложили модель интеллектуальной системы онлайн-обучения. Кластерный анализ использовался ими для получения образовательной аналитики - визуализации данных о прогрессе обучения студентов и их активности. С помощью метода k-средних, относящегося к дивизионным иерархическим методам, были получены однородные группы обучающихся, сходных по эффективности обучения - успешности освоения учебных модулей. Данный метод стремится минимизировать суммарное квадратичное отклонение точек кластеров от центров этих кластеров. В отличие от иерархических методов, которые не требуют указания числа разбиваемых кластеров, для метода k-средних необходимо иметь предположение о наиболее вероятном количестве кластеров. Анализ проводился путём сравнения объектов кластеров, исходя из следующих признаков: общее время, потраченное на обучение к проценту освоенных учебных модулей; эффективность завершенных учебных модулей; эффективность незавершенных учебных модулей, в которых минимальное количество вопросов не было отвечено; эффективность незавершенных учебных модулей, в которых минимальное количество вопросов было отвечено и др.

Коллектив авторов из Индии [8] применили нечеткую кластеризацию для эффективной интеллектуальной доставки электронного образовательного контента в соответствии с образовательными потребностями и предпочтениями студента онлайн-курса. По мнению исследователей, доставка контента не должна иметь статической структуры, а должна быть достаточно гибкой, динамической, осуществляться в соответствии с четырьмя разными стилями обучения, которые могут меняться со временем (показателем того, насколько студент учится и любит учиться). Все учебные объекты, составляющие электронный образовательный контент курса, взаимосвязаны и могут быть сгруппированы в два и более кластера (например, использованы в двух или более темах).

Нечёткий алгоритм Fuzzy C-Means подразумевает, что каждый из объектов не входит однозначно в какой-либо кластер, а принадлежит всем кластерам с различными степенями принадлежности, принимающие значения из интервала [0, 1]. Например, при нечёткой кластеризации учебный объект LO1 относится к кластеру K1 (теме 1) с принадлежностью 0.9, к кластеру K2 (теме 2) - с принадлежностью 0.06 и к кластеру К3 (теме 3) - с принадлежностью 0.04. Так при чёткой кластеризации учебный объект LO1 был бы отнесён только к кластеру K1, что привело к исключению возможности его повторного использования в курсе при изучении другой темы. Таким образом, учебные объекты были сгруппированы с помощью нечеткой кластеризации и доставлены определенной группе обучающихся.

Таким образом, нами были рассмотрены методы кластерного анализа, используемые при реализации персонализации онлайн-обучения. Однако возникает вопрос: какой алгоритм кластеризации выбрать в конкретной ситуации? Так как кластерный анализ может выдавать существенно разные результаты решения для одних и тех же данных, то, во-первых, каждый этап применения метода должен иметь отдельное обоснование и описание. А во-вторых, при решении задач интеллектуального анализа данных рекомендуется использовать моделирование случайных величин методом Монте-Карла. В данном случае исследователь может создать искусственный набор данных с известной (заранее определенной) структурой групп, а затем проверить эффективность каждого метода кластеризации в обнаружение и восстановление данных известных групп.

Список литературы

1. Нейский, И.М. Классификация и сравнение методов кластеризации / И.М. Нейский // Интеллектуальные технологии и системы: сборник учебно-методических работ и статей аспирантов и студентов. - М.: НОК «CLAIM», 2006. - Выпуск 8. - С. 130-142.

2. Мандель, И.Д. Кластерный анализ / И.Д. Мандель. - М.: Финансы и статистика, 1988. - 176 с.

3. Наследов, А.Д. Математические методы психологического исследования: анализ и интерпретация данных / А.Д. Наследов. - Санкт-Петербург: Речь, 2007. - 392 с.

4. Чубукова, И.А. Интеллектуальный анализ данных Data Mining / И.А. Чубукова. - М.: Бином, 2008. - 384 с.

5. Чубукова, И.А. Data Mining / И.А. Чубукова. - М.: Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2006. - 382 с.

6. Antonenko, P.D., Serkan, Т., Niederhauser, D.S.: Using cluster analysis for data mining in educational technology research. Educational Technology Research and Development, 60(3), 383-398 (2012).

7. Jugo, I., Kovaиiж, B., Tijan, E.: Cluster analysis of student activity in a web-based intelligent tutoring system. Scientific Journal of Maritime Research, 29, 75-83 (2015).

8. Sabitha, A.S., Mehrotra, D., Bansal, A.: Delivery of learning knowledge objects using fuzzy clustering. Education and Information Technologies, 21 (5), 1329-1349 (2016).

Размещено на Allbest.ru