út Az önértékeléshez és önfejlesztéshez
5. források további tájékozódáshoz
Jelen keretek között az adatintenzív kutatáshoz kapcsolódó eredményeknek csak töredé-ke töredé-került áttekintésre. A területet virágzó, aktív kutatás jellemzi. Új analitikai eszközö-ket kezdenek el alkalmazni, és a pedagógia egyre újabb problémái esetén kezdik ezeeszközö-ket használni. Papamitsiou és economides (2014) összefoglalójukban 2008 és 2013 között 209 releváns munka megjelenéséről számolt be. két európai kutató, cristobal romero és sebastian Ventura (2007, 2010, 2013) rendszeresen szemlézik a kutatási terület új eredmé-nyeit. Hasznos tájékozódási pontok az érdeklődők számára az egyes tudományos társasá-gok honlapjai: Society for Learning Analytics Research (solAr, https://solaresearch.org/) és az International Educational Data Mining Society (http://www.educationaldatamining.
org/). ezekről a megfelelő társasági szakmai folyóiratok is elérhetők: a Journal of Learning Analytics és a Journal of Educational Data Mining. emellett megtalálhatók itt a korábbi és aktuális konferenciák anyagai is. Az érdeklődők számos szerkesztett tanulmánykötetből is tájékozódhatnak (pl. Pene-Ayala 2014; larusson–White 2014; romero et al. 2010).
Juhász levente zsolt
Ha valaki analitikus tudását pedagógiai adatokon szeretné fejleszteni, azoknak a Pittsburghi egyetem nyilvános és ingyenes hozzáférést biztosít ilyen forrásokhoz (pslcdatashop.web.
cmu.edu). ryan Baker MOOc-kurzusa informatív és élvezetes módon vezet be a témá-ba (http://www.columbia.edu/~rsb2162/bigdataeducation.html). Az adatbányászatról több könyv is megjelent magyarul; talán a legátfogóbbak Han és kamber (2004) és tan, steinbach és kumar (2012) munkái. Az interneten azonban számos hasznos anyag magya-rul is hozzáférhető a témában.
hivAtkozások
Amershi, s. – conati, c. (2009): combining unsupervised and supervised machine learning to build user models for exploratory learning environments. Journal of Educational Data Mining, 1(1), 71–81.
Arnold, k. e. – Pistilli, M. D. (2012): course signals at Purdue: Using learning analy-tics to increase student success. in: shum, s. B. – Gasevic, D. – Fergusson, r.
(eds.): LAK ‚12 Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. AcM, New York. 267–270.
Baepler, P. – Murdoch, c. J. (2010): Academic analytics and data mining in higher education. International Journal for the Scholarship of Teaching and Learning, 4(2), 17.
Baker, r. (2010): Mining data for students models. in: Nkambou, r. (eds.): Advances in intelligent tutoring systems. sci, 308, 323–337.
Baker, r. s. J. – corbett, A. t. – roll, i. – koedinger, k. r. (2008): Developing a generalizable detector of when students game the system. User Modeling and User
Adapted Interaction, 18(3), 287–314.
Baker, r. s. J. – Gowda, s. M. (2010): An analysis of the differences in the frequency of students’ disengagement in urban, rural, and suburban high schools. Proceedings of the 3rd International Conference on Educational Data Mining. 11–20.
Beal, c. r. – Qu, l. – lee, H. (2006): classifying learner engagement through integ-ration of multiple data sources. Proceedings of the 21st National Conference on Artificial Intelligence, 151–156.
Benedek A. (szerk.) (2008): Digitális pedagógia. typotex kiadó, Budapest.
Benedek A. (szerk.) (2013): Digitális pedagógia 2.0. typotex kiadó, Budapest.
Ben-Naim, D. – Bain, M. – Marcus, N. (2009): A user-driven and data-driven approach for supporting teachers in reflection and adaptation of adaptive tutorials. Proceedings of the 2nd International Conference on Educational Data Mining, 21–30.
Beyer, M. A. – laney, D. (2012): The importance of big data: A definition. stamford, ct:
Gartner.
Bögel Gy. (2015): A Big Data ökoszisztémája. typotex kiadó, Budapest.
Bohannon, t. (2007): Predictive modeling in higher education. sAs Global Forum 2007.
http://www2.sas.com/proceedings/forum2007/074-2007.pdf (Letöltés ideje: 2017. ja
nuár 29.)
Akadémiai analitika, tanulási analitika és edukációs adatbányászat campbell, J. P. – DeBlois, P. B. – Oblinger, D. G. (2007): Academic analytics: A new
tool for a new era. Educause Review, 42(4), 40–42.
campbell, J. P. – Oblinger, D. G. (2007): Academic analytics. educause Article.
corbett, A. t. – Anderson, J. r. (1995): knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and UserAdapted Interaction, 4(4), 253–278.
Dawson, s. (2008): A study of the relationship between student social networks and sense of community. Educational Technology & Society, 11(3), 224–238.
Dekker, G. – Pechenizkiy, M. – Vleeshouwers, J. (2009): Predicting students drop out: a case study. Proceedings of 2nd International Conference on Educational Data Mining. 41–50.
Desmarais, M. – Beheshti, B. – Naceur, r. (2012): item to skills mapping: deriving a conjunctive q-matrix from data. Intelligent tutoring systems. Lecture notes in computer science, 7315, 454–463.
edutech Wiki (2016): http://edutechwiki.unige.ch/en/learning_analytics. (Letöltés ide
je: 2016. december 15.)
Fajszi B. – cser l. – Fehér t. (2010): Üzleti haszon az adatok mélyén. Alinea kiadó, Budapest.
Fancsali, s. (2012): Variable construction and causal discovery for cognitive tutor log data: initial results. Proceedings of the 5th International Conference on Educational Data Mining. 238–239.
Fayyad, U. – Piatetsky-shapiro, G. – smyth, P. (1996): From data mining to know-ledge discovery in databases. AI Magazine, 17(3), 37–54.
Ferguson, r. (2012): learning analytics: drivers, developments and challenges. Inter
national Journal of Technology Enhanced Learning, 4(5/6), 304–317.
Fletcher, s. (2013): Machine learning. Adaptive technology. Scientific American (August), 309, 62–68.
Goldstein, P. J. – katz, r. N. (2005): Academic analytics: The use of management infor
mation and technology in higher education—Key findings. Boulder, cO: eDUcAUse center for Applied research.
Halász G. (2007): Tényekre alapozott oktatáspolitika. kézirat. http://halaszg.ofi.hu/
download/evidence_based_study.pdf (Letöltés ideje: 2016. december 15.) Han, J. – kamber, M. (2004): Adatbányászat. Panem kft., komárom.
Hershkovitz, A. – Nachmias, r. (2008): Developing a log-based motivation measuring tool. Proceedings of the 1st International Conference on Educational Data Mining. 226–233.
HVG extra (2015): Business 11. 2015/11.
kantrowitz, B. (2014): The science of learning. Scientific American, 311, 68–73.
lAk (2011): Definition of learning analytics from the 1st international conference on learning Analytics and knowledge. https://tekri.athabascau.ca/analytics/call-papers.
(Letöltés ideje: 2016. december 15.)
laney, D. (2001): 3D Data management: Controlling data volume, velocity and variety.
https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management- controlling-Data-Volume-Velocity-and-Variety.pdf (Letöltés ideje: 2016. december 15.)
Juhász levente zsolt
larusson, J. A. – White, B. (eds.) (2014): Learning analytics: From research to practice.
springer, New York.
long, P. – siemens, G. (2011): Penetrating the fog. Analytics in learning and education.
eDUcAUse review. http://net.educause.edu/ir/library/pdf/eli7079.pdf (Letöltés ideje: 2016. december 15.)
lukoianova, t. – rubin, V. l. (2014): Veracity roadmap: is big data objective, truthful and credible? Advances in Classification Research Online, 24(1), 4–15.
Mayer-schönberger, V. – cukier, k. (2014): Big data. HVG könyvek, Budapest.
Papamitsiou, z. – economides, A. (2014): learning analytics and educational data mining in practice: A systematic literature review of empirical evidence. Educational Technology & Society, 17(4), 49–64.
Paviotti, G. – lundqvist, k. O. – Williams, s. (2012): Data mining in education.
in: Paviotti, G. – rossi, P. G. – zarka, D. (eds.): Intelligent tutoring systems: An overview. Pensa MultiMedia editore, lecce–Brescia. 85–104.
Pene-Ayala, A. (eds.) (2014): Educational data mining: Applications and trends. springer, Dordrecht.
Perera, D. – kay, J. – koprinska, i. – Yacef, k. – zaïane, O. r. (2009): clustering and sequential pattern min-ing of online collaborative learning data. Knowledge and data engineering, IEEE transactionsion, 21(6), 759–772.
Power, D. J. ( 2007): A brief history of decision support systems, version 4.0. Dssresources.
cOM. (Letöltés ideje: 2016. december 15.)
romero c. – Ventura s. (2007): educational data mining: a survey from 1995 to 2005.
J. Expert Syst Appl, 1, 135–146.
romero, c. – Ventura, s. (2010): educational data mining: a review of the state-of-the-art. IEEE Trans Syst. Man. Cybern. C. Appl. Rev., 40, 601–618.
romero, c. – Ventura, s. (2013): Data mining in education. WIREs Data Mining Knowledge Discovery 3(1), 12–27.
romero, c. – Ventura, s. – Pechenitzky, M. – Baker, r. s. J. (eds.) (2010): Handbook of educational data mining. chapman & Hall/crc Data Mining and knowledge Discovery series. crc Press, Boca raton, Fl.
sawyer, k. (2006): The Cambridge handbook of the learning sciences. cambridge University Press, cambridge.
sawyer, k. (2014): The Cambridge handbook of the learning sciences. 2nd edition. cambridge University Press, cambridge.
shearer, c. (2000): The crisP-DM model: the new blueprint for data mining. J. Data Warehousing, 5, 13–22.
siemens, G. – Baker, r. s. J. (2012): learning analytics and educational data mining: to-wards communication and collaboration. LAK ‚12 Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. 252–254.
straumsheim, k. (2013): Mixed signals. Inside higher ED. https://www.insidehighered.
com/news/2013/11/06/researchers-cast-doubt-about-early-warning-systems-effect-retention (Letöltés ideje: 2016. december 15.)
Akadémiai analitika, tanulási analitika és edukációs adatbányászat synco, t. (2012): Background or experience? Using logistic regression to predict college reten
tion. PhD dissertation. www.mhsl.uab.edu/dt/2012p/synco.pdf (Letöltés ideje: 2017.
január 29.)
tan, P. N. – steinbach, M. – kumar, V. (2012): Adatbányászat. Panem kft., komárom.
tóth e. (2010): tesztalapú elszámolhatóság a közoktatásban. Iskolakultúra, 20(1), 60–78.
Uden, l. – sinclair, J. – tao, Y. H. – liberona, D. (eds.) (2014): Learning technology for education in cloud – MOOC and Big Data. springer, Dordrecht.
Wu, X. – kumar, V. (2009): The top ten algorithms in data mining. chapman & Hall/
crc, Boca raton, Fl.
Yudelson, M. V. – koedinger, k. r. – Gordon, G. J. (2013): individualized bayesian knowledge tracing models. in: lane, H. c. – Yacef, k. – Mostow, J. – Pavlik, P.
(eds.): Artificial Intelligence in Education: 16th International Conference, AIED 2013, Memphis, TN, USA, July 913, 2013. Proceedings. springer-Verlag, Berlin Heidelberg.
171–180.
juhász levenTe zsolT főiskolai docens a Dunaújvárosi egyetemen. Okleveles pszichológus (elte, 1997), PhD (elte Pszichológia Doktori iskola, kognitív pszichológia alprogram, 2007), programozó matematikus (elte, 2008). érdeklődés: kognitív pszichológia, mesterséges intelli-gencia és tanulás, kutatásmódszertan, pszichometria.