Data Mining and Learning Analytics: Applications in Educational Research

به تأثیرات داده کاوی بر آموزش می پردازد و کاربردها را در آموزش و یادگیری تحقیقات آموزشی بررسی می کند 

این کتاب بینش ها، چالش ها، مسائل، انتظارات و اجرای عملی را مورد بحث قرار می دهد. داده کاوی (DM) در دستورات آموزشی. سری ابتدایی فصول یک نمای کلی از DM، تحلیل یادگیری (LA) و مدل‌های جمع‌آوری داده‌ها را در زمینه تحقیقات آموزشی ارائه می‌کند، در حالی که چهار اصل راهنمای داده‌کاوی - پیش‌بینی، خوشه‌بندی، ارتباط قاعده، و تشخیص پرت را نیز تعریف و بحث می‌کند. سری بعدی فصول کاربردهای آموزشی داده کاوی آموزشی (EDM) و مطالعات موردی ویژه برگرفته از آموزش کسب و کار، علوم انسانی، علوم بهداشتی، زبان شناسی و علوم فیزیکی را نشان می دهد که موفقیت ها و برخی از محدودیت های پژوهش داده کاوی را برجسته می کند. برنامه های کاربردی در محیط های آموزشی فصل‌های باقی‌مانده منحصراً بر نقش نوظهور EDM در کمک به پیشرفت تحقیقات آموزشی متمرکز هستند - از شناسایی دانش‌آموزان در معرض خطر و بستن شکاف‌های اجتماعی-اقتصادی در پیشرفت تا کمک به ارزیابی معلمان و تسهیل کنفرانس همتایان. این کتاب مشارکت‌های کارشناسان بین‌المللی در زمینه‌های مختلف را ارائه می‌کند.

•  شامل مطالعات موردی است که در آن تکنیک‌های داده‌کاوی به طور مؤثر برای پیشرفت آموزش و یادگیری به کار گرفته شده‌اند
• به کاربردهای داده‌ها می‌پردازد. کاوی در تحقیقات آموزشی، از جمله: شبکه های اجتماعی و آموزش. سیاست و قانون در کلاس درس؛ و شناسایی دانش آموزان در معرض خطر
• بررسی دوره های آنلاین آزاد گسترده (MOOCs) برای مطالعه اثربخشی شبکه های آنلاین در ارتقای یادگیری و درک الگوهای ارتباطی بین کاربران و دانش آموزان
• ویژگی های تکمیلی منابعی از جمله آغازگر جنبه های بنیادی کاوی آموزشی و تجزیه و تحلیل یادگیری

داده کاوی و تجزیه و تحلیل یادگیری: کاربردها در تحقیقات آموزشی هم برای دانشمندان در EDM و هم برای مربیان نوشته شده است. علاقه مند به استفاده و ادغام DM و LA برای بهبود آموزش و پیشرفت تحقیقات آموزشی است.

Addresses the impacts of data mining on education and reviews applications in educational research teaching, and learning 

This book discusses the insights, challenges, issues, expectations, and practical implementation of data mining (DM) within educational mandates. Initial series of chapters offer a general overview of DM, Learning Analytics (LA), and data collection models in the context of educational research, while also defining and discussing data mining’s four guiding principles— prediction, clustering, rule association, and outlier detection. The next series of chapters showcase the pedagogical applications of Educational Data Mining (EDM) and feature case studies drawn from Business, Humanities, Health Sciences, Linguistics, and Physical Sciences education that serve to highlight the successes and some of the limitations of data mining research applications in educational settings. The remaining chapters focus exclusively on EDM’s emerging role in helping to advance educational research—from identifying at-risk students and closing socioeconomic gaps in achievement to aiding in teacher evaluation and facilitating peer conferencing. This book features contributions from international experts in a variety of fields.

•  Includes case studies where data mining techniques have been effectively applied to advance teaching and learning
• Addresses applications of data mining in educational research, including: social networking and education; policy and legislation in the classroom; and identification of at-risk students
• Explores Massive Open Online Courses (MOOCs) to study the effectiveness of online networks in promoting learning and understanding the communication patterns among users and students
• Features supplementary resources including a primer on foundational aspects of educational mining and learning analytics

Data Mining and Learning Analytics: Applications in Educational Research is written for both scientists in EDM and educators interested in using and integrating DM and LA to improve education and advance educational research.