Datové sklady ve školství

Datové sklady ve školství aneb evaluace procesu výuky jinak

Jana Šarmanová

Obsah Motto: Data prozradí všechno aneb

nejen v Čechách se nic neutají • Business Intelligence a školní výuka • Databáze a datové sklady • Analýza datového skladu • Studie DS pro studijní agendu VŠ • Studie DS pro třídní knihu a žákovskou knížku • Studie DS pro protokolování e-learningové adaptivní výuky

ICTE 2013 Rožnov pod Radhoštěm 10.-12.9.2013

2

Business Intelligence a škola Business Intelligence • soubor metod a SW nástrojů, pomocí nichž se ze zdrojových databázových informací získají informace nové, poskytující svému uživateli analýzy dat ze všech možných hledisek; • umožní tak především managementu lepší rozhodování o řízení své organizace – odtud citovaná záruka prosperity, komerční úspěch; • speciální oblast na rozhraní databázové technologie, managementu, umělé inteligence.

Z hlediska škol • možné základní využití z hlediska hospodaření, odhalování rezerv apod.; • možné i využití v základní oblasti školy – využitím informací o procesu výuky s možností její proces i kvalitu usměrňovat; • jedno z možných a dosud nevyužívaných využití ICT ve vzdělávání.


3

Databáze a informační systémy Databáze DB a informační systémy IS • databáze je množina tabulek, evidujících informace (vlastnosti či atributy) o evidovaných objektech (entitách) z nějaké oblasti našeho zájmu (tabulky Studentů, Předmětů, Učitelů, Rozvrhu, Zkoušek, ...); • automatizovaný informační systém je soubor počítačových programů, které umožňují s databází pracovat; ukládat do ní data, provádět s nimi výpočty, třídění, výběry, tisknout a formátovat potřebné výstupy; • evidují data, provádějí každodenní operace – transakce s jednotlivými záznamy, proto transakční databáze a celý proces je nazýván OLTP (On-Line Transaction Processing); • uchovávají se aktuální data, stará data se archivují a dále příliš nevyužívají; • dle hesla: „kdo nezná svou historii, musí ji prožít znovu“ - v archivech je mnoho informací, které by mohly být užitečné i pro budoucnost; • formální problém je často v historicky různých IS, formátech dat, vyplňování dat, ... a odtud informací velmi obtížně zpracovatelných. ICTE 2013 Rožnov pod Radhoštěm 10.-12.9.2013

4

Datové sklady Datové sklady DS a systémy pro podporu rozhodování DSS • pro zpětné analýzy už nejsou důležité jednotlivé entity, ale jejich agregované – statistické údaje o počtech, sumách, průměrech apod.; • potřebné údaje nejsou vždy převídatelné a proto nejsou naprogramovány, jako funkce u IS ... odtud nový problém, jak data uchovávat a jak zpracovávat, aby byly snadno a rychle dosažitelné potřebné informace; • geniální nápad amerického matematika a databázisty W. H. Inmona : rozdělit atributy na • • • • •

ty, které jsou sumovatelné (fakty), ty, podle nichž se sumuje (dimenze), ostatní popisné (atributy), spočítat všechny teoreticky možné agregace předem, navrhnout nový systém jednoduše umožňující výběr aktuálně potřebných informací - systém OLAP (On-Line Analytical Process) ICTE 2013 Rožnov pod Radhoštěm 10.-12.9.2013

5

Analýza a návrh datového skladu Příklad 1: Studijní agenda VŠ – zdrojová data Student (id_stud, jmeno_stud, fakulta, obor, rocnik, …) Predmet (id_pred, nazev_pred, obor, rocnik, semestr, special, typ_pred, kredity, …) Ucitel (id_ucit, jmeno_ucit, fakul, katedra, …) Zapis (id_zapis, id_stud, id_pred, dat_zapis, dat_zkous, body_zkous, znam_zkous) Zkouska (id_zkous, id_zapis, id_ucit, ter_zkous, pokus, body_zkous, znam_zkous) Ukol (id_ukol, id_zapis, id_ucit, popis_ukol, ter_ukol, pokus, body_ukol) Rozvrh (id_rozvrh, id_pred, id_skup, id_ucit, id_mistn, id_cas, typ_vyuky)


6

Analýza a návrh datového skladu Příklad 1: Studijní agenda VŠ – motivace pro datový sklad Student (id_stud, jmeno_stud, fakulta, obor, rocnik, …) Predmet (id_pred, nazev_pred, obor, rocnik, semestr, special, typ_pred, kredity, …) Ucitel (id_ucit, jmeno_ucit, fakul, katedra, …) Zapis (id_zapis, id_stud, id_pred, dat_zapis, dat_zkous, body_zkous, znam_zkous) Zkouska (id_zkous, id_zapis, id_ucit, ter_zkous, pokus, body_zkous, znam_zkous) Ukol (id_ukol, id_zapis, id_ucit, popis_ukol, ter_ukol, pokus, body_ukol) Rozvrh (id_rozvrh, id_pred, id_skup, id_ucit, id_mistn, id_cas, typ_vyuky)

Možné zajímavé analýzy: počty předmětů, studentů, zkoušek a pokusů, úkolů a pokusů, hodin výuky … na učitele/katedru/obor/ročník/fakultu – celkem, ročně, týdně, denně, … průměr, min, max bodů a známek … na předmět/učitele/katedru …


7

Analýza a návrh datového skladu Příklad 1: Studijní agenda VŠ – struktura datového skladu F_Ukol (id_ukol,id_stud, id_pred, id_ucit, id_datum, id_pokus, pocet_ukol, body_ukol) F_Zkouska (id_stud, id_pred, id_ucit, id_datum, id_pokus, počet_zkous, prum_ body_zkous, prum_znam_zkous, kredity) F_Rozvrh (id_cas, id_mistn, id_pred, id_ucit, id_typ_vyuky, id_skup, počet_hodin)


8

Využití datového skladu Příklad 1: Datový sklad studijní agendy VŠ Tabulky (grafy) s výsledky zkoušek (počet zkoušek, průměr bodů, známek, ...) podle • předmětů (i dlouhodobé, bez ohledu na učitele, akad_rok, ...), • vyučujícího učitele (bez ohledu na předmět, ...), • zkoušejícího učitele, • studentů, • pořadí pokusu zkoušky, • datumu výuky, zkoušky – dne v týdnu, dne ve zkouškovém, ... • času výuky, zkoušky – ráno, dopoledne, odpoledne, ... • výukové, zkušební místnosti, • ... • libovolných kombinací těchto parametrů. Obdobné analýzy úkolů (domácích, projektů, ...), rozvrhu, ... Zajímavé či podezřelé mohou být všechny odchylky od „normálního“ rozdělení. ICTE 2013 Rožnov pod Radhoštěm 10.-12.9.2013

9

Využití datového skladu – příklad analýz VŠ Příklad 1: rozložení známek všech předmětů za posledních 10 let 4500 4000 3500 3000 2500 2000 1500 1000 500 0 1

2

3

4

rozložení známek všech předmětů za první / poslední 2 roky 1200

500

1000

400

800

300

600

200

400

100

200

0

0

1

1

2

3

2

3

4

4


10

Využití datového skladu – příklad analýz VŠ Příklad 1: rozložení známek po předmětech (3) za posledních 10 let 350

př1 ... přísný př2 ... přísný 250 př1 200 př3 ... velmi „tolerantní“ př2 150 ----př3 100 př1 ... velmi ubral požadavky 50 př2 ... přísný stejně 0 1 2 3 4 př3 ... „tolerantní“ stejně rozložení známek po předmětech za první / poslední rok 300

40

40

35

35

30

30 25

př1

20

př2

15

př3

10

25

př1

20

př2

15

5

5

0

0 1

2

3

4

př3

10

1

2


3

4

11

Využití datového skladu – příklady analýz SŠ Příklad 2: Třídní kniha a žákovská knížka

Možné zajímavé analýzy:

o výsledcích žáků nejen aktuální, ale i zpětně, po předmětech, učitelích, ..., podle váhy, dne, hodiny, ... o absencích a omluvenkách žáků podle předmětů, dnů, hodin, ... o vytížení učitelů výukou, suplováním, inspekcemi, ..., podle dnů, hodin, ... ,podle počtu hodin s výkladem, počtu zkoušení, písemek, ..., o výsledcích učitelů za předmět, ... ICTE 2013 Rožnov pod Radhoštěm 10.-12.9.2013

12

Využití datového skladu – e-l Příklad 3: Protokol z (adaptivní) e-learningové výuky Student (id_student, login, heslo, pohlavi, jmeno, prijmeni, dat_nar, vek, typ_studia, obor, rocnik, Sver, Sviz, Saud, Skin, MStSoc, MStAfekt, MStSyst, MStTeor, MStExp, MStDetail, MStHol, MStHloub, MStAutoreg). Výuková opora


13

Využití datového skladu – příklady e-l Příklad 3: Protokol z (adaptivní) e-learningové výuky


14

Využití datového skladu – příklady e-l Příklad 3: Protokol z (adaptivní) e-learningové výuky Možné zajímavé analýzy: • doba strávená nad jednotlivými vrstvami výkladovými, testovacími, • počty přechodů na další vrstvu doporučených systémem / na jinou vrstvu, var, rámec • počty správných / nesprávných odpovědí na testovací otázky a úkoly, • rozdíly ve výsledcích odpovědí ve výuce, autotestech, testech,


15

Využití datového skladu – příklady e-l Příklad 3: Protokol z (adaptivní) e-learningové výuky


16

Děkuji za pozornost


17

Datové sklady ve školství

Recommend Documents