A big data analytics framework to support adaptive and personalized learning environments

Abstract

At the present time, the technological boom has an emerging synergy with organizations, social and individual affairs. Information and Communication Technologies are triggering constantly developments in most fields of our society. By configuring new needs and services, huge amounts of information are accumulated in databases. The daily use of technological achievements and the enormous amount of recorded information, drive stakeholders to improve decision making with data analysis process. At a fast pace, big data techniques and intelligent systems are widely used to handle data and export value for policy making. The domination of digital technology has expanded in the field of education and is inevitably linked to e-learning methods. The entry of ICT into education has changed conventional practices of learning and teaching around the world. Distance learning has widely adopted learning management systems as an immediate and alternative way for a variety of learners to gain access to educational resources and services. Global competitiveness and student expectations for personalized educational services are driving academic society to overcome the lack of physical abstention in distance learning by exploiting the plethora of students’ interactions in learning management systems. Dropout rates are one of the main concerns in distance learning due to the impact on profits and the reputation of institutions. Financial constraints and daily time pressure intensify this phenomenon, as, the main profile of distance learning students is adults with professional and family responsibilities. Timely identification of students at risk has high practical value in effective students' retention services. Big data are applied to manipulate, analyze and predict students’ failure, supporting self-directed learning.In order to support adaptive and personalized learning environments, the main effort of this dissertation is the research and development of a big data analytics framework. The goal is to identify trends and patterns in large datasets, providing an extremely detailed picture of student learning progress and identifying at-risk students on time. This environment activates tutors’ attention and improves their decisions on accurate feedbacks aiming at reducing dropouts and retaining students in the learning process. This work uses datasets from four academic years and combines learning analytics methods, data mining techniques, sentiment analysis and non-relational databases, as a large- data analytic framework. The assessment of specific learning analytics tools inside the Learning Management System indicates that tutors with a lack of learning analytics methodology can obtain a clear overview of students' engagement and progress in courses' contents, highlighting student’s weaknesses. The results of the sentiment analysis in forum texts underline that the emotion of students’ satisfaction was predominant, while the overall range of polarity and emotions were positive. This is even more evident for the most active students, where the overriding sentiment was positive. Additionally, machine learning techniques reveal that sentiments’ indicators as models' variables improve model predictions on students' grades. The absence of tutors’ polarity and emotions' variables weakens the predictive ability of the models while the predictive error is further increased by the absence of students' emotions. Furthermore, it is noted that the models' forecasting capacity of the early weeks and periods of the academic year for students’ dropouts is satisfactory and an appropriate prediction tool was developed. It is also observed that the combination of a set of students’ actions in specific periods in the course and in the forum affects their progress. Moreover, the comparison of students’ actual grades and prediction grades, it can be an indicator of students' dishonesty.

Σήμερα, η τεχνολογική άνθηση έχει μια αναδυόμενη συνέργεια με οργανισμούς, κοινωνικές και ατομικές υποθέσεις. Οι Τεχνολογίες Πληροφορικής και Επικοινωνιών ενεργοποιούν συνεχώς τις εξελίξεις στους περισσότερους τομείς της κοινωνίας μας. Διαμορφώνοντας νέες ανάγκες και υπηρεσίες, συγκεντρώνονται τεράστιες ποσότητες πληροφοριών σε βάσεις δεδομένων. Η καθημερινή χρήση των τεχνολογικών επιτευγμάτων και η τεράστια ποσότητα των καταγεγραμμένων πληροφοριών οδηγούν τους εμπλεκόμενους φορείς στη βελτίωση της λήψης αποφάσεων με τη διαδικασία ανάλυσης δεδομένων. Με γρήγορο ρυθμό, οι τεχνικές μεγάλες δεδομένων και τα έξυπνα συστήματα χρησιμοποιούνται ευρέως στη διαχείριση δεδομένων και στην εξαγωγή γνώσης για τη χάραξη πολιτικής.Η κυριαρχία της ψηφιακής τεχνολογίας έχει επεκταθεί στον τομέα της εκπαίδευσης και συνδέεται αναπόφευκτα με τις μεθόδους ηλεκτρονικής μάθησης. Η είσοδος των Τεχνολογιών Πληροφορικής και Επικοινωνιών στην εκπαίδευση άλλαξε τις συμβατικές πρακτικές μάθησης και διδασκαλίας σε όλο τον κόσμο. Η εξ αποστάσεως εκπαίδευση έχει υιοθετήσει ευρέως τα συστήματα διαχείρισης της μάθησης ως άμεσο και εναλλακτικό τρόπο για μια ποικιλία ενήλικων φοιτητών ώστε να αποκτήσουν πρόσβαση σε εκπαιδευτικούς πόρους και υπηρεσίες. Η παγκόσμια ανταγωνιστικότητα και οι προσδοκίες των σπουδαστών για εξατομικευμένες εκπαιδευτικές υπηρεσίες οδηγούν την ακαδημαϊκή κοινωνία να ξεπεράσει την έλλειψη σωματικής επαφής στην εξ αποστάσεως εκπαίδευση, εκμεταλλευόμενη την πληθώρα των αλληλεπιδράσεων των φοιτητών στα συστήματα διαχείρισης μάθησης. Τα ποσοστά εγκατάλειψης είναι μία από τις βασικές ανησυχίες της εξ αποστάσεως εκπαίδευσης λόγω της επίπτωσης στα κέρδη και της φήμης των ιδρυμάτων. Οι οικονομικοί περιορισμοί και η καθημερινή πίεση χρόνου εντείνουν αυτό το φαινόμενο, καθώς το κύριο προφίλ των φοιτητών είναι οι ενήλικες με επαγγελματικές και οικογενειακές ευθύνες. Η έγκαιρη ταυτοποίηση των φοιτητών που διατρέχουν κίνδυνο έχει μεγάλη πρακτική αξία για την ανάπτυξη αποτελεσματικών υπηρεσιών διατήρησης των φοιτητών στην μαθησιακή διαδικασία. Έτσι χρησιμοποιούνται μεθοδολογίες μεγάλων δεδομένων για το χειρισμό, την ανάλυση και τη πρόβλεψη της αποτυχίας των φοιτητών, υποστηρίζοντας την αυτό-κατευθυνόμενη μάθηση. Προκειμένου να υποστηριχθούν προσαρμοστικά και εξατομικευμένα περιβάλλοντα μάθησης, η κύρια προσπάθεια αυτής της διατριβής είναι η έρευνα και η ανάπτυξη ενός μεγάλου πλαισίου ανάλυσης δεδομένων. Ο στόχος είναι να προσδιοριστούν οι τάσεις και τα πρότυπα σε μεγάλα σύνολα δεδομένων, παρέχοντας μια εξαιρετικά λεπτομερή εικόνα της προόδου των σπουδαστών και προσδιορίζοντας εγκαίρως τους σπουδαστές σε κίνδυνο. Αυτό το περιβάλλον ενεργοποιεί την προσοχή των δασκάλων και βελτιώνει τις αποφάσεις τους σχετικά με ακριβείς ανατροφοδοτήσεις με στόχο τη μείωση των αποχωρήσεων και τη διατήρηση των μαθητών στην εκπαιδευτική διαδικασία. Η συγκεκριμένη ερευνά χρησιμοποιεί σύνολα δεδομένων από τέσσερα ακαδημαϊκά έτη και συνδυάζει μεθόδους μαθησιακής αναλυτικής, τεχνικές εξόρυξης δεδομένων, ανάλυση συναισθημάτων και μη-σχεσιακών βάσεων δεδομένων, ως ένα μεγάλο πλαίσιο ανάλυσης δεδομένων. Η αξιολόγηση συγκεκριμένων εργαλείων μαθησιακής αναλυτικής μέσα στο Σύστημα Διαχείρισης Μάθησης δείχνει ότι οι εκπαιδευτές με έλλειψη μεθοδολογίας μαθησιακής αναλυτικής μπορούν να αποκτήσουν μια σαφή εικόνα της εμπλοκής και της προόδου των μαθητών, υπογραμμίζοντας τις αδυναμίες των μαθητών. Τα αποτελέσματα της ανάλυσης συναισθήματος και πολικότητας στα κείμενα των φόρουμ υπογράμμισαν ότι η συναισθηματική ικανοποίηση των μαθητών ήταν κυρίαρχη, ενώ η συνολική τάση της πολικότητας και των συναισθημάτων ήταν θετική. Αυτό ήταν ακόμη πιο εμφανές για τους πιο δραστήριους φοιτητές, όπου το κυρίαρχο συναίσθημα ήταν θετικό. Επιπλέον, οι τεχνικές μηχανικής μάθησης αποκαλύπτουν ότι οι δείκτες των συναισθημάτων ως μεταβλητές μοντέλων βελτιώνουν τις προβλέψεις των μοντέλων σε σχέση με τους βαθμούς των φοιτητών. Η απουσία των μεταβλητών της πολικότητας και των συναισθημάτων των εκπαιδευτικών αποδυναμώνει την προγνωστική ικανότητα των μοντέλων ενώ το προγνωστικό σφάλμα αυξάνεται περαιτέρω από την απουσία των συναισθημάτων και της πολικότητας των φοιτητών. Επιπλέον, σημειώνεται ότι η ικανότητα πρόβλεψης των μοντέλων σχετικά με την εγκατάλειψη των φοιτητών, κατά τις πρώτες εβδομάδες και κατά τις πρώτες περιόδους του ακαδημαϊκού έτους, είναι ικανοποιητική και αναπτύχθηκε ένα κατάλληλο εργαλείο πρόβλεψης. Παρατηρείται επίσης ότι ο συνδυασμός μιας σειράς ενεργειών των μαθητών σε συγκεκριμένες περιόδους στο μάθημα και στο φόρουμ επηρεάζει την πρόοδό τους. Επιπλέον παρουσιάστηκε πως η σύγκριση των πραγματικών βαθμών των σπουδαστών και των βαθμών πρόβλεψης, μπορεί να αποτελεί δείκτη της ατιμωρησίας των φοιτητών.