Применение методов Data mining при конструировании образовательной программы ИКТ специальностей университетов Азербайджана

Размещено на http://www.allbest.ru/

Институт информационных технологий НАН Азербайджана, г. Баку, Азербайджан

Применение методов Data mining при конструировании образовательной программы ИКТ специальностей университетов Азербайджана

Ф.Т. Агаев

Г.А. Мамедова

Р.Т. Меликова

Аннотация

Важным этапом при построении учебной программы является конструирование его содержания. В статье для отбора содержания учебных дисциплин проводится сопоставительный анализ образовательных программ ведущих университетов мира. Сопоставительный анализ образовательных программ различных учебных заведений мира является сложной процедурой, так как они представлены в документах разной формы; часть информации, которая в них содержится, является неструктурированной; процессы сопоставления являются неформализованными. Вместе с тем использование методов Data mining (извлечения нужной информации в больших объемах данных) в настоящее время позволяет ставить вопрос об информационной поддержке процедуры сопоставительного анализа университетских образовательных программ.

Ключевые слова: образовательные программы, перечень дисциплин, перечень тем и разделов образовательной программы, сопоставление программ, множество транзакций, поиск ассоциативных правил.

Application of data mining methods in designing the curricula of it majors at azerbaijan universities

Aghayev F.T., Mamedova G.A., Melikova R.T.

Azerbaijan National Academy of Sciences

Institute of Information Technology, Baku, Azerbaijan

Annotation

An important stage in the construction of the curriculum is the design of its content. In an article for the selection of the content of the educational disciplines conducted a comparative analysis of the educational programs of leading universities in the world.

Comparative analysis of the curricula is a complex procedure. Since educational programs are presented in documents of various forms, the part of the information that they contain is unstructured, and the comparison processes are informal. At the same time, the development of artificial intelligence methods and the capabilities of computer technology currently allow us to formalize the comparative analysis of university curricula.

To implement the comparative analysis process, the curricula of different universities but of the same specialization are loaded into a relational database, the structure of which consists of three interconnected tables: “Directions”, “Specialties” and “Curriculums”. In different universities of the world in the same major, the names of disciplines, topics and sections in some way differ. In a comparative analysis of educational programs, the main task is to identify information common to all the universities studied.

One of the most common tasks of artificial intelligence, when comparing data, is to identify frequently encountered sets of objects in a large number of sets. When solving the problem of comparative analysis of the curricula, we first proposed a method for searching for associative rules.

First, the names of the subjects studied in a particular specialty and the level of specialization of university disciplines are compared (bachelor or master), then the names of topics and sections of the studied discipline are separately compared.

Using the above method, based on a comparison of the educational programs of various universities, you can determine the set of disciplines (topics or sections) that are most often taught at a given level of training (bachelor or master) and in a certain area of specialization.

The task of finding frequently encountered sets of objects in a large number of objects is very timeconsuming, which requires enumerating a large number of sets. To reduce the search space, we use the property of anti-monotony (Apriori).

When implementing the Apriori algorithm, k-element frequent sets are counted at each iteration step. All iteration steps consist of two parts: combining frequently occurring sets of disciplines with candidates from other sets of potentially frequently occurring sets of elements (called candidates) and calculating support for candidates.

The information obtained as a result of a comparative analysis is used in the development of national educational standards to improve the educational programs of Azerbaijani universities and bring these programs to the world level.

Keywords: curricula, a list of disciplines, a list of topics and sections of the curricula, a comparison of programs, many transactions, the search for associative rules.

Введение

образовательный программа профессиональный

За довольно короткий период независимости Азербайджан добился значительного экономического роста во многих сферах деятельности. Однако одним из условий долгосрочного экономического благосостояния страны является развитие человеческого капитала, а именно его образовательного и интеллектуального потенциала. Поэтому первоочередной задачей системы профессионального образования является обеспечение национальной экономики высококвалифицированными кадрами, способными эффективно решать профессиональные задачи в динамичных современных условиях [1].

Переход на двухуровневую систему высшего профессионального образования стал основой реформирования образовательных систем не только зарубежных стран, но и Азербайджана. В реформировании европейской системы высшего образования большую роль сыграла Болонская декларация, одной из задач которой являлось создание системы обучения, основанной на двух основных циклах и третьем - научном уровне. После Болонского соглашения намечается тенденция к унификации образовательных программ различных стран [2].

Качество подготовки студентов вуза, в первую очередь, зависит от качества образовательной программы, структура содержания которой определяется набором учебных предметов. В настоящее время в мире существуют десятки различных моделей высшего образования. Анализ зарубежного опыта, отраженного в университетских образовательных программах [3-7], с целью совершенствования национальной системы образования является важным и актуальным.

В статье для отбора содержания образовательной программы ИКТ специальности проводится сопоставительный анализ образовательных программ ИКТ специальностей ведущих зарубежных вузов. Сопоставительный анализ образовательных программ является сложной процедурой, поскольку они представлены в документах разной формы, часть информации, которая в них содержится, является неструктурированной, а процессы сопоставления являются неформализованными. Вместе с тем развитие методов искусственного интеллекта и возможностей вычислительной техники в настоящее время позволяют формализовать процедуры сопоставительного анализа университетских образовательных программ.

Сопоставление образовательных программ различных университетов мира

Возможность использования средств автоматизированного сравнения образовательных программ обусловлена достаточно хорошей структурированностью текста этих документов. учебная программа относится к одному из направлений подготовки области ИКТ. На сегодняшний день образование в области ИКТ осуществляется по 5 крупным направлениям специализации: компьютерные науки, информационные технологии, информационные системы, программная инженерия, компьютерная инженерия [8].

Для реализации процесса сопоставительного анализа учебные программы различных вузов загружаются в реляционную базу данных. Структура базы данных состоит из трех взаимосвязанных таблиц: «Направления»; «Специальности» и «учебные программы». В первой таблице содержатся названия направлений специализации, во второй - название и код специальности. В таблице «Учебные программы» размещаются данные из конкретной учебной программы вуза, т.е. название дисциплины, темы и раздела. В разных университетах мира по одной и той же специальности названия дисциплин, тем и разделов некоторым образом различаются. При сравнительном анализе образовательных программ основной задачей является выявление информации, общей для всех исследуемых вузов.

Применение методов поиска ассоциативных правил при сопоставлении образовательных программ

Одной из наиболее распространённых задач искусственного интеллекта при сопоставлении данных является определение часто встречающихся наборов объектов в большом множестве наборов [9].

При решении этой задачи впервые был предложен метод поиска ассоциативных правил для нахождения типичных шаблонов покупок, совершаемых в супермаркетах [10-13].

По нашему мнению, этот метод успешно можно применить и для сравнения множества образовательных программ ведущих университетов мира с целью поиска информации, общей для большинства учебных программ вузов. Вначале можно сравнивать названия дисциплин университетов, изучаемых по конкретной специальности и уровню специализации (бакалавр или магистр), затем отдельно можно сравнивать названия тем и разделов изучаемой дисциплины. Эту информацию в последующем можно использовать для улучшения образовательных программ университетов Азербайджана и приведения этих программ к мировому уровню. Формальная постановка задачи следующая.

Пусть имеется база данных, состоящая из некоторого количества транзакций. Транзакция в информатике означает группу логически объединённых последовательных операций по работе с данными, обрабатываемую или отменяемую целиком. В данном случае транзакция - это набор дисциплин, изучаемых в конкретном вузе по конкретному направлению и уровню специализации.

Пусть I = {i1, i , ... ,iB} - множество элементов (набор всевозможных дисциплин, тем или разделов) общим числом n.

Пусть T - множество транзакций, T = {T1, T2,..., Tm}, где каждая транзакция T. - это набор элементов из I.

Множество транзакций, в которые входит объект ij, обозначим следующим образом:

Пусть F - некоторый произвольный набор, состоящий из k элементов (дисциплин, тем или разделов):

Такой набор называется k-элементным набором множества I.

Множество транзакций, в которые входит набор F, обозначим следующим образом:

Отношение количества транзакций, в которое входит набор F, к общему количеству транзакций называется поддержкой (support) набора F и обозначается Supp (F):

минимальное значение поддержки интересующих наборов Suppmin должен указать эксперт. Набор F = {i. \ і. el; j = 1...n} называется частым (large itemset), если значение его поддержки больше минимального значения поддержки, заданного экспертом, т.е. Supp(F)> Suppmin.

Задачей поиска ассоциативных правил является нахождение множества всех часто встречаемых наборов, таких как: L ={F | Supp(F)> Suppmin} [14-15].

Задача поиска часто встречаемых наборов объектов в большом множестве объектов очень трудоемкая, требующая перебора большого множества наборов. Для сокращения пространства поиска используется свойство антимонотонности (Apriori). Алгоритм Apriori описан в 1994 г. Рамакришнан Срикантом (Ramakrishnan Srikant) и Ракеш Агравалом (Rakesh Agrawal) [16-17], который гласит, что поддержка любого набора объектов не может превышать минимальной поддержки любого из его подмножеств:

SuppF < SuppE, где E c F.

Например, поддержка 4-элементного набора I(4)={i1, i2, i3, i4,} будет всегда меньше или равна поддержке любых 3-элементных наборов из множества I(4). Так как любая транзакция, содержащая {i i2, i i4}, также должна содержать любые 3-элементные наборы множества I(4), при этом обратное не верно.

Это свойство поиска ассоциативных правил называется антимонотонностью и служит для снижения размерности пространства поиска.

Из свойства антимонотонности вытекает следующее правило: любой ^-элементный набор будет часто встречающимся тогда и только тогда, когда все его (к-1)-элементные подмножества будут часто встречающимися.

Наборы всех возможных элементов из множества I можно представить в виде решетки, начинающейся с пустого множества «empty set» (рис. 1). На 1-м уровне располагаются одноэлементные наборы, на 2-м - двухэлементные, связанные с одноэлементными, и т.д., на k-м уровне находятся k-элементные наборы, связанные со всеми своими ^-1)-элементными подмножествами.

Рассмотрим рис. 1, иллюстрирующий набор элементов I(4) = {i i2, i i4}. Предположим, что набор из элементов {i1, i2} имеет поддержку ниже заданного порога и, соответственно, не является часто встречающимся.

Тогда, согласно свойству антимонотонности, все множества, содержащие элементы i1, i, также не являются часто встречающимися и отбрасываются.

На рис. 1 вся эта ветвь, начиная с {i1, i2}, выделена фоном. Использование свойства антимонотонности позволяет существенно сократить пространство поиска.

В нашем случае база данных учебных программ состоит из большого количества данных, и с увеличением количества сравниваемых университетов база данных разрастается. Для применения данного алгоритма необходимо изменить структуру данных, данные представить в бинарном виде и привести таблицы в нормализованный вид. В базе данных количество таблиц будет равно количеству направлений специализации (в нашем случае 5). Каждая запись соответствует уровню специализации (бакалавр или магистр), а также специальности.

В столбце KS таблицы «101, 102, ... 201,202...» обозначает условный код специальности, где 1-я цифра 1 - уровень бакалавра, цифра 2 - уровень магистра, две последние цифры - порядковый номер специальности. Количество столбцов n в таблице равно общему количеству дисциплин, присутствующих в множестве транзакций T. Дисциплины в заголовке таблицы обозначены ii, i2, i3,~,in

В нашем случае каждая запись таблицы - это транзакции, где в соответствующем столбце стоит 1, если дисциплина присутствует в транзакции, и 0 в противном случае. Необходимо заметить, что исходный вид таблиц отличается от приведенного в таблице, так как для каждого направления,

Рис. 1. Пример взаимосвязей между объектами 4-элементного набора уровня специализации и специальности свои набор дисциплин.

Взаимосвязи между специальностями и преподаваемыми дисциплинами

При реализации алгоритма Apriori на первом шаге подсчитываются 1-элементные часто встречающиеся наборы. Для этого необходимо пройтись по всему набору дисциплин и подсчитать для них поддержку, т.е. сколько раз эти дисциплины встречаются в базе. Все последующие шаги алгоритма состоят из двух частей: объединения часто встречающихся наборов дисциплин с кандидатами из других наборов потенциально часто встречающихся наборов элементов (которые называют кандидатами) и подсчета поддержки для кандидатов. Каждый ^-элементный кандидат будет формироваться путем добавления (k-1)- элементному частому набору элемента из другого (Ј-1)-элементного набора. Для каждого построенного k-элементного набора множеств удалить кандидат, если хотя бы один из (Ј-1)-наборов не является часто встречающимся. После генерации кандидатов следующей задачей является подсчет поддержки для каждого кандидата, чтобы значение поддержки было выше заданного экспертом Suppmin.

Заметим, что количество кандидатов может быть очень большим, необходимо сравнивать каждую транзакцию с каждым кандидатом. Эффективным и быстрым способом для хранения кандидатов является использование хэш-дерева [8]. В узлах хэш-дерева содержатся хэш-таблицы с указателями на потомков, а листья указывают на кандидатов. Каждый раз, когда формируются кандидаты, строится хэш-дерево. Вначале дерево состоит только из корня и является пустым множеством. Когда появляется новый кандидат, он заносится в корень дерева. Как только количество кандидатов становится больше предельной величины, корень преобразуется в хэш-таблицу, т.е. становится узлом хэш-дерева с указателями на потомков. После построения хэш-дерева с кандидатами-наборами легко подсчитать поддержку для каждого кандидата и проверить, удовлетворяют ли значения поддержки кандидатов минимальному порогу.

Заключение

По многим направлениям модернизации высшего профессионального образования в республике в качестве основы сегодня апробируется опыт развитых, прежде всего европейских стран, утверждается невозможность их прямого копирования. Одновременно с этим признается, что сравнительный анализ зарубежной и национальной практик создает предпосылки внедрения в систему профессионального образования в азербайджанских вузах наиболее эффективных элементов.

Решение задачи поиска ассоциативных правил, как и любой задачи, сводится к обработке исходных данных и получению результатов. Используя вышеуказанный метод, на основе сравнения образовательных программ различных университетов можно определить набор дисциплин (тем или разделов), который чаще остальных преподается на данном уровне подготовки (бакалавр или магистр) и по определенному направлению специализации.

Обеспечение учебного процесса в зарубежных вузах сопровождается наличием банков дисциплин по различным направлениям и специализациям. Эти дисциплины и их содержание постоянно обновляются, что позволяет корректировать процесс обучения в соответствии с развитием новых научных направлений и требованиями рынка труда. Азербайджанским вузам еще предстоит решить эту проблему и при разработке образовательных стандартов третьего поколения создать для каждого направления обучения свой банк дисциплин, предлагаемых студентам на выбор.

Литература

1. Государственная стратегия по развитию образования в Азербайджанской Республике: Указ Президента Азербайджанской Республики И.Г. Алиева от 24 октября 2013 г. № 13.

2. Керимли Ф. Болонская система и развитие высшего образования Азербайджана // Научный диалог: Педагогика. 2013. № 2(14). С. 22-32.

3. Образовательное законодательство и образовательные системы зарубежных стран / под ред. А.Н. Козырина. М.: Academia, 2007. 432 c.

4. Герова Н.В. Требования к результатам освоения основных образовательных программ бакалавриата и магистратуры для студентов в области изучения информатики и ИКТ // Педагогическое образование в России. 2014. № 8. С. 94-98.

5. Гузаиров М.Б., Гаянова М.М., Козырева ВА. Сравнительный анализ образовательных программ в области информатики в университетах США и России. Уфа: УГАТУ, 2010. № 4 (39). С. 166-174.

6. America 2000: A National Education Strategy // Cape outlook. 1991. № 171. P. 1-4. URL: http://www.capenet.org/ pdf/Outlook171.pdf.

7. Обзоры системы высшего образования стран ОЭСР. Система высшего образования Германии // Федеральный образовательный портал ЭСМ. Экономика. Социология. Менеджмент. URL: http://www.ecsocman.edu.ru/db/msg/157128. html.

8. Сухомлин В.А. ИТ-образование. Концепция, образовательные стандарты, процесс стандартизации. М.: Горячая линия - Телеком, 2005. 176 с.

9. Кузьменко В.И. Data Mining: поиск закономерностей // CNews. 2013. URL: https://www.cnews.ru/reviews/rynok_bi_v_rossii_2013/articles/data_mining_poisk_ zakonomernostej.

10. Палкин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям: учеб. пособие. СПб.: Питер, 2013. 704 с.

11. Belim S.V., Mayorov-Zilbernagel A.O. Image Restoration With Static Gaps On The Basis Of Association Rules // Herald of computer and information technologies. 2014. № 12. P. 18-23.

12. Atepalikhin M.S., Kassal B.Yu., Belim S.V. The identification of interrelation of habitation of species by association rules // Herald of Omsk university. 2014. № 2(72). P. 25-29.

13. Дюк ВА., Самойленко А.П. Data Mining: учеб. курс. СПб.: Питер, 2001. 370 с.

14. Поиск ассоциативных правил в Data Mining. URL: www.ami.nstu.ru.

15. Смит Д.М., Смит Д.К. Абстракции баз данных: агрегация и обобщение // Системы управления базами данных. 2006. № 2. С. 141-160.

16. Agrawal R., Srikant R. Fast algorithms for mining association rules. 20th VLDB Conference. Santiago: Chile, 1994. P. 487-499.

17. Agrawal R., Imielinski T., Swami A Mining Association Rules between Sets of Items in Large Databases // Proc. of the 1993 ACM SIGMOD International Conference on Management of Data. Washington DC, USA, 1993. P. 207-216.

18. Lee I., Cai G, Lee K. Mining Points-of-Interest Association Rules from Geo-tagged Photos. 46th // Hawaii International Conference on System Sciences. 2013. P. 1580-1588.

References

1. Gosudarstvennaya strategiya po razvitiyu obrazovaniya v Azerbajdzhanskoj Respublike: Ukaz Prezidenta Azerbajdzhanskoj Respubliki I.G. Alieva ot 24 oktyabrya 2013. № 13.

2. Kerimli F. Bolonskaya sistema i razvitie vy'sshego obrazovaniya Azerbajdzhana // Nauchny'j dialog: Pedagogika. 2013. № 2(14). S. 22-32.

3. Obrazovatel'noe zakonodatel'stvo i obrazovatel'ny'e sistemy' zarubezhny'x stran / pod red. A.N. Kozy'rina. M.: Academia, 2007. 432 s.

4. Gerova N.V. Trebovaniya k rezul'tatam osvoeniya osnovny'x obrazovatel'ny'x programm bakalavriata i magistratury' dlya studentov v oblasti izucheniya informatiki i IKT // Pedagogicheskoe obrazovanie v Rossii. 2014. № 8. S. 94-98.

5. Guzairov M.B., Gayanova M.M., Kozy'reva V.A. Sravnitel'ny'j analiz obrazovatel'ny'x programm v oblasti informatiki v universitetax SShA i Rossii. Ufa: UGATU, 2010. № 4 (39). S. 166-174.

6. “America 2000": A National Education Strategy // Cape outlook. 1991. № 171. P. 1-4. URL: http://www.capenet.org/ pdf/Outlook171.pdf.

7. Obzory' sistemy' vy'sshego obrazovaniya stran OE'SR. Sistema vy'sshego obrazovaniya Germanii // Federal'ny'j obrazovatel'ny'j portal E'SM. E'konomika. Sociologiya. Menedzhment. URL: http://www.ecsocman.edu.ru/db/msg/157128. html

8. Suxomlin VA. IT-obrazovanie. Koncepciya, obrazovatel'ny'e standarty', process standartizacii. M.: Goryachaya liniya - Telekom, 2005. 176 s.

9. Kuz'menko V.I. Data Mining: poisk zakonomernostej // CNews. 2013. URL: https://www.cnews.ru/reviews/ry-nok_bi_v_rossii_2013/articles/data_mining_poisk_zakonomernostej.

10. Palkin N.B., Oreshkov V.I. Biznes-analitika: ot danny'x k znaniyam: ucheb. posobie. SPb.: Piter, 2013. 704 s.

11. Belim S.V., Mayorov-Zilbernagel A.O. Image Restoration With Static Gaps On The Basis Of Association Rules. Herald of computer and information technologies. 2014. № 12. P. 18-23.

12. Atepalikhin M.S., Kassal B.Yu, Belim S.V. The identification of interrelation of habitation of species by association rules // Herald of Omsk university. 2014. № 2(72). P. 25-29.

13. Dyuk V.A., Samojlenko A.P. Data Mining: ucheb. kurs. SPb.: Piter, 2001. 370 s.

14. Poisk associativny'x pravil v Data Mining. URL: www. ami.nstu.ru.

15. Smit D.M., Smit D.K. Abstrakcii baz danny'x: agregaciya i obobshhenie // Sistemy' upravleniya bazami danny'x. 2006. № 2. S. 141-160.

16. Agrawal R, Srikant R. Fast algorithms for mining association rules. 20th VLDB Conference. Santiago: Chile, 1994. P. 487-499.

17. Agrawal R., Imielinski T, Swami A. Mining Association Rules between Sets of Items in Large Databases // Proc. of the 1993 ACM SIGMOD International Conference on Management of Data. Washington DC, USA, 1993. P. 207-216.

18. Lee I., Cai G., Lee K. Mining Points-of-Interest Association Rules from Geo-tagged Photos. 46th / / Hawaii International Conference on System Sciences. 2013. P. 1580-1588.

Размещено на Allbest.ru