دانلود ترجمه مقاله آنالیز رفتار دانشجویان به واسطه یک چارچوب کلان داده

1. مقدمه 2. کارهای مرتبط 3. چارچوبی مبتنی بر کلان داده برای آنالیز داده های ساکایی 4. مطالعه موردی 5. نتیجه گیری و پژوهش های آتی

نتیجه گیری و کارهای آتی: هدف اصلی این مقاله، رسیدن به دانش داده های ذخیره شده در یک پلتفرم یادگیری الکترونیکی، مانند LMS ساکایی می باشد. ما استفاده از تکنولوژی های کلان داده و نیز چارچوبی را پیشنهاد داده ایم که تلاش دارد تا الگوهای رفتاری دانشجویان را به دست آورده و قادر به ارائه نتیجه گیری هایی در راستای افزایش عملکرد و بهره وری دانشجویان از طریق بهبود فرآیندهای یادگیری آنها باشد. ما رویکرد کلان داده مبتنی بر Azure HDInsight را با استفاده از پیاده سازی HDFS آنها انتخاب کرده ایم. ابزار مورد استفاده برای انتقال داده ها از دیتابیس ساکایی، Sqoop بود و این داده ها در یک انبار داده ای Hive ذخیره شدند [22]. علاوه بر این، ما الگوریتم آپریوری را در ادامه چارچوب نگاشت کاهشی هادوپ به منظور به دست آوردن قواهد مرتبط برای رویدادهای انجام شده توسط دانشجویان در LMS ساکایی، پیاده سازی کردیم. با استفاده از این تکنولوژی ها و چارچوب کلان داده، ما دیتابیسی شامل هفتاد گیگابایت اطلاعات مربوط به رفتار دانشجویان UCAM که شامل همه داده های موجود مربوط به سال تحصیلی آنها بود را آنالیز و مورد مطالعه قرار دادیم. نتایج به دست آمده به منظور تفسیر آسان تر توسط افرادی که ارتباطی با زمینه پژوهشی کلان داده ها نداشتند، به صورت بصری به تصویر کشیده شده و مورد بحث و بررسی قرار گرفتند. نتایج نشان دادند که دانشجویان در همه روش ها از ابزار فروم قبل و بعد از اصلاح منابع و مواد دانشگاهی استفاده می کنند. بنابراین دانشجویان، فرآیندهای یادگیری شان را به طور غیر مستقیم با استفاده از این فروم ها تقویت می کنند. این استدلال، جالب توجه است چرا که فروم ها در حالت درون دانشگاهی استفاده شده و انتظار می رود که استفاده از ابزارهای خاص به صورت چهره به چهره در کلاس ها مورد توجه کمی قرار بگیرد. با این حال، حتی در این روش ها نیز، این موضوع به عنوان تقویت فرآیندهای یادگیری دانشجویان قلمداد می شود. بنابراین، اساتید باید استفاده از این فرآیندها و چالش های اضافی را به منظور افزایش بهره وری در بین دانشجویان، ترغیب نمایند.

Conclusion and future work: The main goal of this paper resided in obtaining knowledge from data stored in an e-learning platform, such as the Sakai LMS. We have proposed the use of big data technologies and a framework to attempt to obtain student behavior patterns and be able to provide conclusions to increase student performance by improving their learning process. We selected a big data solution based on Azure HDInsight using its HDFS implementation. The tool used to transfer data from Sakai database was Sqoop, and these data were stored in a Hive [22] data warehouse. Moreover, we implemented the Apriori algorithm following the Hadoop MapReduce framework in order to obtain association rules for the events performed by students in the Sakai LMS. Using these technologies and the big data framework, we studied and analyzed a database containing 70 GB of information regarding the behavior of UCAM students, including all of the available data on degrees and master’s. The obtained results have been discussed, translated, and visually depicted visually in order to be easily interpreted by people who are not related to the big data field, such as degree coordinators, lecturers or students. The results demonstrate that students for all modalities used the Forum tool before/after revising the resources and academic materials when posting and reading on it. Therefore, students reinforce their learning process indirectly by using the forums. This arrangement is surprising, as the forums are used even in the on-campus mode, where the use of certain tools is expected to be lower owing to the face-to-face interactions in the classroom. However, even for this modality, this is a reinforcement of the student learning process. Thus, lecturers should encourage the use of these and propose additional challenges to increase and encourage their use.