Educational Data Mining: Applications and Trends

این کتاب به عرصه داده کاوی آموزشی اختصاص دارد. آثاری را برجسته می‌کند که پیشنهادها، پیشرفت‌ها و دستاوردهای مرتبطی را نشان می‌دهند که روندها را شکل می‌دهند و الهام‌بخش تحقیقات آینده هستند. پس از یک فرآیند بازنگری دقیق، شانزده نسخه خطی پذیرفته شد و در چهار بخش به شرح زیر سازماندهی شد:

· نمایه: بخش اول شامل سه فصل است که به این موارد مربوط می شود: 1) ماهیت آموزشی را شرح می دهد. داده کاوی (EDM)؛ 2) نحوه پیش پردازش داده های خام برای تسهیل داده کاوی (DM) را شرح دهد. 3) توضیح دهید که چگونه EDM از سیاست های دولت برای ارتقای آموزش حمایت می کند.

· مدل سازی دانش آموز: بخش دوم شامل پنج فصل است که به موارد زیر مربوط می شود: موفقیت تحصیلی؛ 5) تشخیص شخصیت و رفتار دانش آموز در یک بازی آموزشی. 6) پیش بینی عملکرد دانش آموزان برای تنظیم محتوا و استراتژی ها. 7) شناسایی دانش‌آموزانی که بیشترین بهره را از حمایت معلم خواهند برد. 8) فرضیه صحت پاسخ دانش آموز را بر اساس معیارهای چشم و کلیک ماوس فرض کنید.

· ارزیابی: بخش سوم دارای چهار فصل مربوط به: 9) تجزیه و تحلیل انسجام پیشنهادات پژوهشی دانشجویی است. ; 10) به طور خودکار آزمون ها را بر اساس شایستگی ها تولید می کند. 11) فعالیت های دانش آموزان را بشناسید و این فعالیت ها را برای ارائه به معلمان تجسم کنید. 12) وابسته ترین آیتم های آزمون را در داده های پاسخ دانش آموزان پیدا کنید.

· روندها: بخش چهارم شامل چهار فصل در مورد چگونگی انجام موارد زیر است: 13) متن استخراج شده برای ارزیابی تولیدات دانش آموزان و حمایت از آنها معلمان؛ 14) نظرات دانش آموزان را با تکنیک های آماری و متن کاوی اسکن کنید. 15) یک تحلیل شبکه اجتماعی (SNA) برای کشف پروفایل های رفتاری دانش آموزان و به تصویر کشیدن مدل هایی در مورد همکاری آنها ترسیم کنید. 16) ساختار تعاملات بین دانشجویان را در شبکه‌های اجتماعی ارزیابی کنید.

این جلد منبع مورد توجه محققان، پزشکان، اساتید و دانشجویان تحصیلات تکمیلی با هدف به‌روزرسانی دانش خود و یافتن اهدافی برای کارهای آینده خواهد بود. در زمینه داده کاوی آموزشی

This book is devoted to the Educational Data Mining arena. It highlights works that show relevant proposals, developments, and achievements that shape trends and inspire future research. After a rigorous revision process sixteen manuscripts were accepted and organized into four parts as follows:

· Profile: The first part embraces three chapters oriented to: 1) describe the nature of educational data mining (EDM); 2) describe how to pre-process raw data to facilitate data mining (DM); 3) explain how EDM supports government policies to enhance education.

· Student modeling: The second part contains five chapters concerned with: 4) explore the factors having an impact on the student's academic success; 5) detect student's personality and behaviors in an educational game; 6) predict students performance to adjust content and strategies; 7) identify students who will most benefit from tutor support; 8) hypothesize the student answer correctness based on eye metrics and mouse click.

· Assessment: The third part has four chapters related to: 9) analyze the coherence of student research proposals; 10) automatically generate tests based on competences; 11) recognize students activities and visualize these activities for being presented to teachers; 12) find the most dependent test items in students response data.

· Trends: The fourth part encompasses four chapters about how to: 13) mine text for assessing students productions and supporting teachers; 14) scan student comments by statistical and text mining techniques; 15) sketch a social network analysis (SNA) to discover student behavior profiles and depict models about their collaboration; 16) evaluate the structure of interactions between the students in social networks.

This volume will be a source of interest to researchers, practitioners, professors, and postgraduate students aimed at updating their knowledge and find targets for future work in the field of educational data mining.