Размещено на http://www.allbest.ru/

Выделение паттернов поведения пользователей информационно-образовательного пространства университета с использованием алгоритмов кластеризации данных

Бекирова Г.А., Кузнецов И.А.

Национальный исследовательский ядерный университет «МИФИ»

С развитие новых способов для сбора и обработки информации, все большее количество сфер жизнедеятельности человека заинтересованы в их использовании. Активно развиваются сервисы с персонифицированным контентом, когда пользователю предлагают услугу или продукт, основываясь на данных о самом пользователе и на его действиях. Подобные подходы давно применяются в коммерческом секторе и позволяют существенно увеличить доход сервисов. Но персонифицированные предложения могут быть весьма полезны и для образовательного сектора при формировании учебных курсов, подготовке набора рекомендательной литературы, мониторинге успеваемости студента и т.д. В данной статье представлены результаты обработки поведенческих данных пользователей информационно-образовательного пространства университета НИЯУ МИФИ. Были рассмотрены особенности работы с поведенческими данными, обработка и подготовка данных для последующего анализа, представлены результаты выделения поведенческих паттернов обучающегося. Работа выполнена при поддержке гранта РФФИ № 15-0708742.

Ключевые слова: рекомендательные системы, образовательный процесс, паттерны поведения, анализ данных в образовании, кластеризация данных

ASSIGNMENT PATTERNS OF USER BEHAVIOR IN EDUCATIONAL PLATFORM OF THE UNIVERSITY USING CLUSTER ANALYSIS

Bekirova G. A., Kuznetsov I. A.

With the development of new methods for collecting and processing information, an increasing number of spheres of human activity are interested in using them. Actively develop services with personalized content when the user offers a service or product, based on data about the user and his actions. Such approaches have long been used in the commercial sector, and can significantly increase the revenue service. But personalized offers can be very useful for the education sector in the formation of the training courses, preparing a set of advisory literature, monitoring of student achievement, etc. This article presents the results of treatment of behavioral data users in educational platform of the university MEPhI. Were considered especially with behavioral data, processing and preparation of data for analysis, the results of assignment of student behavioral patterns. This work was supported by RFBR grant № 15-07-08742.

Keywords: recommender systems, educational process, patterns of behavior analysis in education, cluster analysis

Анализ данных в образовательном процессе

В борьбе за повышение качества предоставления сервиса или оказания услуг современный интернет становится всё более персонифицированным. Основная задача персонификации - оказание именно той услуги, которая нужна конкретному человеку и в нужное время. Современные сервисы пытаются лучше узнать своих потребителей, чтобы не быть чрезмерно навязчивыми и повысить уровень продаж. Данная тенденция не обходит стороной и образовательную деятельность. Системы персонализированных рекомендаций в области образования также набирают популярность.

Одним из таких подходов является Educational Data Mining (EDM), т.е. «интеллектуальный анализ данных в образовании». Суть его состоит в том, что основополагающие алгоритмы из области машинного обучения, анализа данных и статистики направлены на сферу образования. В рамках EDM выделяют четыре группы пользователей: студенты, преподаватели, разработчики и организации [5].

Использую подобный подход преподавателями курсов, EDM может помочь решить следующие задачи:

• подготовка образовательного курса и его последующая оптимизация;

• адаптация курса под конкретную специфику слушателей;

• получение обратной связи на основе активности работы студентов с учебными материалами;

• разбиение слушателей на группы по различным признакам.

Несмотря на уникальность индивидуума, существует ряд работ, которые доказывают возможность группировки и выделения среди пользователей несколько схожих классов. Существуют варианты группировки пользователей на основе социально-демографического подхода [3], на основе социально-технографического подхода [2], на основе эмпирического подхода [1].

Количество классов пользователей в представленных работах составляет от 5 до 10.

Для выделения аналогичных групп пользователей информационно-образовательного пространства применяются алгоритмы кластеризации. Данные алгоритмы позволяют разбить совокупность объектов на непересекающиеся подмножества - кластеры. Разбиение объектов на кластеры происходит таким образом, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно различались [4]. Для оценки сходства тех или иных объектов используются различные метрики расстояний:

• квадрат Евклидова расстояния;

• Манхэттенское расстояние;

• расстояние Чебышева;

• процент несогласия.

Методы кластеризации можно разделить на две группы: иерархические и неиерархические. Каждая группа включает множество алгоритмов и подходов, а применяя различные алгоритмы можно получить различные результаты на одном и том же наборе данных.

поведенческий паттерн информационный образовательный

Выделение паттернов поведения пользователей в информационно-образовательном пространстве

Исходными данными для выделения паттернов поведения пользователей являются данные активности пользователей из информационно-образовательного пространства университета. Набор данных содержит такие действия пользователя, как: просмотр материалов лекции, просмотр презентаций лекции, прохождение тестов, прохождение экзамена и т.д.

Для выполнения операции кластеризации имеющийся набор действий пользователя будет ограничен двумя действиями: просмотр материалов лекции и просмотр презентации лекции. Количество пользователей для кластеризации составляет 221. Общее количество лекций по курсу равно 16.

В качестве базового алгоритма для кластеризации был выбран алгоритм k-means, т.к. является наиболее распространенным среди неиерархических методов кластеризации, а также является одним из самых быстрых. В рамках эксперимента, количество кластеров для разбиения было выбрано равное 10, т.к. соответствует количеству классов пользователя в представленных работах [1-3].

Основные шаги для выделения паттернов поведения пользователя:

• формирование матриц смежности;

• бинаризация матриц;

• кластеризация матриц;

• визуализация полученных результатов.

При подготовке данных для кластеризации была сформирована матрица смежности на основе действий пользователя. Данная матрица (см. форм.1) отображает перемещение пользователей внутри учебного курса и показывает переходы от одного объекта к другому. Матрица является квадратной с размерностью 16x16, где каждому номеру соответствует номер лекции в курсе, а на пересечении элементов матрицы представлено количество переходов между элементами.

Получив представления действий пользователя в виде матриц смежности, была проведена бинаризация данных и применен алгоритм кластеризации.

(1)

Результат работы алгоритма кластеризации представлен ниже (см. табл.1):

Таблица 1. Количество объектов по каждому кластеру

Как видно из таблицы выше, распределение объектов по кластерам является неравномерным. Стоит также обратить внимание на то, что при визуальном анализе имеет место схожесть структуры некоторых кластеров между собой. Проанализировав полученные визуальные представления и объединив схожие кластеры в одну группу, можно сделать вывод о существовании 4 следующих классов пользователей:

• Класс «последовательный» - обращается последовательно к соответствующему материалу лекции в течение учебного курса (см. рис.1);

• Класс «интересующийся» - присутствует заинтересованность только в начале обучения, но теряет всякий интерес по мере прохождения курса (см. рис.2);

• Класс «настроившийся» - проявляет активность только в середине учебного курса или ближе к его завершению (см. рис.3);

• Класс «сбивчивый» - просматривает только некоторые материалы курса и не очень часто (см. рис.4).

Распределение по каждому классу имеет следующий вид (см. рис.5):

Рисунок 1. Распределение пользователей по классам в процентном выражении

Размещено на http://www.allbest.ru/

Рисунок 2. Представление графа для класса

Рисунок 3. Представление графа для класса

«последовательный» «интересующийся»

Рисунок 3. Представление графа для класса «настроившийся»

Рисунок 4. Представление графа для класса «сбивчивый»

Полученный результат представляет собой «дорожную карту» различных типов пользователей. Основываясь на этих данных, преподаватель курса может отслеживать «узкие места» в курсе, своевременно реагировать на классы пользователей «интересующийся» и «настроившийся» с целью повышения их интереса и мотивации к прохождению учебного курса и повышение количества пользователей класса «последовательный».

Также возможно проведение дополнительных исследований типов поведения пользователей для поиска «узких» мест в курсе с учетом частоты возвратов пользователей к конкретным разделам курса.

Список литературы

1. Бродовская Е.В., Домбровская А.Ю. Профили пользователей интернета и национальный менталитет в России и Швеции: результаты сравнительного кластерного анализа //Фундаментальные исследования. - 2014. - № 11. - С. 661-664.

2. Лебедев П.А., Петухова С.И. Социальные медиа: показатель развития информационного общества // Мониторинг общественного мнения. - 2010. - № 5(99). - С. 16-25.

3. Овчинникова И.Г. Коммуникация и идентификация в социальных сетях: факторы, типажи, национально-культурная специфика (на материале социальной сети Твиттер) // Вестник Пермского университета. Серия: Политология. - 2013. - № 2.- С. 143-156

4. Черезов Д.С., Тюкачев Н.А. Обзор основных методов классификации и кластеризации данных // Вестник Воронежского государственного университета. Серия: системный анализ и информационные технологии. - 2009. -С. 25-29.

5. Baker, Ryan. "Data Mining for Education" - Oxford, UK: Elsevier. Retrieved (2014).

Размещено на Allbest.ru