Магистерская диссертация на тему "ТЮМГУ | Разработка онлайн инструмента для интерпретации данных мониторинга образовательных результатов по дисциплинам Core"

Работа на тему: Разработка онлайн инструмента для интерпретации данных мониторинга образовательных результатов по дисциплинам Core
Оценка: отлично.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»
ИНСТИТУТ МАТЕМАТИКИ И КОМПЬЮТЕРНЫХ НАУК
Кафедра программного обеспечения

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
магистерская диссертация
РАЗРАБОТКА ОНЛАЙН ИНСТРУМЕНТА ДЛЯ ИНТЕРПРЕТАЦИИ ДАННЫХ МОНИТОРИНГА ОБРАЗОВАТЕЛЬНЫХ РЕЗУЛЬТАТОВ ПО ДИСЦИПЛИНАМ CORE

02.04.03 Математическое обеспечение и администрирование информационных систем
Магистерская программа «Разработка технологий Интернета вещей и больших данных»

Тюмень 2023

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 3
ГЛАВА 1. ОПИСАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ 6
ГЛАВА 2. МЕТОДЫ И ТЕХНОЛОГИИ 11
2.1. ИСПОЛЬЗУЕМЫЕ МЕТОДЫ АНАЛИЗА И ВИЗУАЛИЗАЦИИ ДАННЫХ 11
2.2. ТЕХНОЛОГИИ ДЛЯ РАЗРАБОТКИ ИНСТРУМЕНТА 12
ГЛАВА 3. ПРЕДОБРАБОТКА И АНАЛИЗ ДАННЫХ 14
3.1. ОПИСАНИЕ ДАННЫХ 14
3.2. ПРЕДОБРАБОТКА И ПРЕДВАРИТЕЛЬНЫЙ АНАЛИЗ ДАННЫХ 15
3.3. КЛАСТЕРНЫЙ АНАЛИЗ ДАННЫХ 27
ГЛАВА 4. ПРОГРАММНЫЕ РЕШЕНИЯ 46
ГЛАВА 5. ОПИСАНИЕ ИНСТРУМЕНТА 57
ЗАКЛЮЧЕНИЕ 67
СПИСОК ЛИТЕРАТУРЫ 69
ПРИЛОЖЕНИЕ 1. КОД ФУНКЦИИ ДЛЯ ФОРМИРОВАНИЯ ГРАФИКОВ РАСПРЕДЕЛЕНИЯ ОБРАЗОВАТЕЛЬНЫХ ПОКАЗАТЕЛЕЙ СТУДЕНТОВ В ВЫБРАННОМ РАЗРЕЗЕ 72
ПРИЛОЖЕНИЕ 2. КОД ФУНКЦИИ ДЛЯ ФОРМИРОВАНИЯ ГРАФИКОВ ПОСЕЩАЕМОСТИ СТУДЕНТОВ В ВЫБРАННОМ РАЗРЕЗЕ 73
ПРИЛОЖЕНИЕ 3. КОД ФУНКЦИИ ДЛЯ ФОРМИРОВАНИЯ ГРАФИКОВ РАСПРЕДЕЛЕНИЯ БАЛЛОВ И ОЦЕНОК СТУДЕНТОВ В ВЫБРАННОМ РАЗРЕЗЕ 74

ВВЕДЕНИЕ
В результате продолжающейся цифровизации учебного процесса студентов происходит накопление большого массива данных об их учебной деятельности – их образовательных результатах. Наличием этого факта обуславливается необходимость в использовании информационных и интеллектуальных информационных систем.
Некоторые образовательные учреждения разрабатывают собственные информационные системы. Одним из примеров таких систем является информационная система (ИС) “Деканат”, являющаяся частью интегрированной системы управления учебным процессом (ИСУП) “Герцен” и разработанная отделом РГПУ им. А. И. Герцена [1]. ИС “Деканат” была разработана в результате потребности в вэб-ресурсах университета, способствующих эффективному обеспечению проектирования и реализации образовательных программ. Данная ИС взаимодействует с данными, передаваемыми другими ИС и веб-ресурсами в рамках ИСУП. ИС “Деканат” позволяет просматривать и редактировать информацию о студентах факультетов, формировать различные документы (ведомости на сдачу и пересдачу экзаменов, стипендиальные приказы, академические справки), а также получать статистическую информацию об успеваемости студентов.
Образовательные организации также используют и сторонние ИС, которые интегрируются в имеющуюся инфраструктуру. Примерами таких систем можно считать образовательную информационную систему Modeus и систему управления обучением Moodle.
Modeus является платформой, обеспечивающую автоматизацию учебного процесса в рамках модульного подхода и предоставляющую возможность управления индивидуальными образовательными траекториями в университетах [2]. С помощью данной системы автоматизируется процесс планирования нагрузки преподавателей и создания расписания. Также в системе ведется учет об успеваемости и результатах образовательной деятельности студентов.
Moodle является открытой системой для создания и управления онлайн- курсами [3]. В пределах курса, данная платформа позволяет формировать тесты и публиковать различные учебные материалы. В Moodle имеются функционал для оценки студентов и отслеживания их прогресса по курсу.
При этом важной частью таких систем являются инструменты анализа и визуализации данных о студентах, их образовательном процессе и результате. Данные инструменты помогают на индивидуальном уровне помочь понять происходящие процессы преподавателям дисциплин, а также администрации этих образовательных учреждений для выбора дальнейших организационных действий.
Для ИС “Деканат” такой инструмент анализа образовательной деятельности студентов реализован в виде отдельного веб-ресурса [4]. Данный инструмент позволяет формировать графики и отчеты по количеству отчисленных студентов в различных разрезах для последующей корректировки образовательного процесса. Например, имеется возможность формирования детальных отчетов об отчисленных студентах различных направлений в разрезе образовательных программ, что используются для выявления сложно осваиваемых дисциплин и отслеживания динамики движения контингента университета по годам.
В Moodle имеется базовый функционал для формирования отчетов об успеваемости и графиков активности на основе прохождения курса студентами. Также Moodle предоставляет возможность установки сторонних плагинов, позволяющих многократно расширить функционал платформы. Среди них есть и плагины, созданные для более детального отслеживания и визуализации данных студентов, например “Analytics graphs” [5] и “Overview statistics” [6]
Целью выпускной квалификационной работы является создание веб-дашборда, позволяющего визуализировать данные мониторинга образовательных результатов студентов дисциплин CORE для их последующей интерпретации.
Исходя из описанной цели были поставлены следующие задачи:
• Изучить предметную область – ознакомиться с существующими программами, позволяющими визуализировать и анализировать результаты образовательной деятельности студентов.
• Получить данные мониторинга образовательных результатов студентов дисциплин CORE.
• Провести предобработку и анализ полученных данных.
• Определить функционал приложения.
• Определить средства разработки для реализации приложения.
• Разработать и протестировать приложение.
Для успешной подготовки и защиты выпускной квалификационной работы обучающимся использовались средства и методы физической культуры и спорта с целью поддержания должного уровня физической подготовленности, обеспечивающую высокую умственную и физической работоспособность. В режим рабочего дня включались различные формы организации занятий физической культурой (физкультпаузы, физкультминутки, занятия избранным видом спорта) с целью профилактики утомления, появления хронических заболеваний и нормализации деятельности различных систем организма.
В рамках подготовки к защите выпускной квалификационной работы автором созданы и поддерживались безопасные условия жизнедеятельности, учитывающие возможность возникновении чрезвычайных ситуаций.

СПИСОК ЛИТЕРАТУРЫ
1. Баранова Е. В., Гизатуллина Г. С. Модель веб-ресурса «Деканат» как компонента интегрированной системы управления учебным процессом // Сборник научных статей по материалам международной научной конференции 1–12 апреля 2019 года. СПб.: Изд-во РГПУ им. А. И. Герцена, 2019. С. 144.
2. Modeus (Модеус) – платформа управления ИОТ: [Электронный ресурс].
3. Moodle – Open-source learning platform: [Электронный ресурс].
4. Баранова Е. В. Цифровые инструменты для анализа учебной деятельности студентов / Е. В. Баранова, Н. О. Верещагина, Г. В. Швецов // Известия Российского государственного педагогического университета им. А.И. Герцена. – 2020. – № 198. – P. 56-65.
5. Moodle plugins directory: Analytics graphs: [Электронный ресурс] // Moodle– Open-source learning platform.
6. Moodle plugins directory: Overview statistics: [Электронный ресурс] // Moodle – Open-source learning platform.
7. Ferguson R. Learning analytics: drivers, developments and challenges // International Journal of Technology Enhanced Learning. – 2012. – Vol. 4. –
№. 5-6. – P. 304-317.
8. Сокольников, А. Н. Математические методы в анализе учебной деятельности студентов / А. Н. Сокольников // Педагогическое образование и наука. – 2022. – № 2. – С. 135-138.
9. Арефьев, В. П. Кластерный анализ результатов оценивания знаний в системе заочного обучения с использованием дистанционных
образовательных технологий / В. П. Арефьев, А. А. Михальчук, Н. М. Филипенко // Современные проблемы науки и образования. – 2013. – № 3.
– С. 428.
10. Akcap?nar G., Altun A., Askar P. Using learning analytics to develop early- warning system for at-risk students //International Journal of Educational Technology in Higher Education. – 2019. – Vol. 16. – №. 1. – P. 1-20.
11. Govaerts S. et al. The student activity meter for awareness and self-reflection // CHI'12 Extended Abstracts on Human Factors in Computing Systems. – 2012.
– P. 869-884.
12. Gutierrez F. et al. LADA: A learning analytics dashboard for academic advising // Computers in Human Behavior. – 2020. – Vol. 107. – P. 105826.
13. Charleer S. et al. Learning analytics dashboards to support adviser-student dialogue // IEEE Transactions on Learning Technologies. – 2017. – Vol. 11. –
№. 3. – P. 389-399.
14. Создай индивидуальный образовательный трек | ТюмГу: [Электронный ресурс] // Тюменский государственный университет.
15. Ahmed M., Seraj R., Islam S. M. S. The k-means algorithm: A comprehensive survey and performance evaluation // Electronics. – 2020. – Vol. 9. – №. 8. – P. 1295.
16. Schubert E. et al. DBSCAN revisited, revisited: why and how you should (still) use DBSCAN //ACM Transactions on Database Systems (TODS). – 2017. – Vol. 42. – №. 3. – P. 1-21.
17. Murtagh F., Contreras P. Algorithms for hierarchical clustering: an overview // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. – 2012. – Vol. 2. – №. 1. – P. 86-97.
18. Van der Maaten, L., & Hinton, G. Visualizing data using t-SNE – Journal of machine learning research, 9(11), 2008. – P. 2580-2605
19. Holland, Steven M. Principal components analysis (PCA). – Department of Geology, University of Georgia, Athens, GA., 2008. – P. 1-11.
20. Tharwat, A., Gaber, T., Ibrahim, A., & Hassanien, A. E. Linear discriminant analysis: A detailed tutorial. – AI communications, 30(2)., 2017. – P. 169-190.
21. Pandas documentation – pandas 1.3.5 documentation: [Электронный ресурс]
// Pandas – Python Data Analysis Library.
22. Statsmodels documentation – Statsmodels v0.13.1 User Guide: [Электронный ресурс] // Statsmodels.
23. Sckit-learn documentation – Sckit-learn 1.2.2 User Guide: [Электронный ресурс] // Sckit-learn.
24. Streamlit documentation – Streamlit Documentation: [Электронный ресурс] // Streamlit.