Research Article
BibTex RIS Cite

Big Data Technology in Today’s Education Systems: Learning Analytics

Year 2020, Ejosat Special Issue 2020 (ISMSIT), 353 - 361, 30.11.2020
https://doi.org/10.31590/ejosat.824182

Abstract

The concept of learning analytics emerges as a reflection of big data technology in the field of education to improve the quality of learning. Students leave large amounts of data from digital traces, especially during e-learning activities. These data can be processed to facilitate e-learning processes or to use for other educational and administrative purposes. Techniques such as predictive modeling, social network analysis (SNA), user, usage tracking, content analysis, semantic analysis, suggestion systems are among learning analytics techniques and learning analytics are used to identify and improve current learning process performance. Due to today's learning environments are digitalized, students are more lonely, their motivation is lower during e-learning activities, so managing the learning process is more difficult. Therefore, learning analytics applications come to the fore in today's education systems, just like virtual mentors. It will be easier to improve and manage the e-learning process, which has become more individualized through virtual mentors, compared to traditional education. In this study, an application study done before will be discussed in terms of how learning analytics can be adapted to educational institutions, and the adaptation of learning analytics application design (Learning Analytics Application Design, LAID) principles will be discussed with research questions. LAID consists of conceptual and logistical coordination, as well as the principle of coordination, comparison, and customization. The application data consists of the answers given to the learning tests applied in the Mathematics course by Sakarya University Electronic Technology distance education students at the associate degree level in the fall semester of the 2010-2011 academic year. The developed learning tests were first applied to Computer Programming students with similar characteristics, and after the item analysis was completed, updated tests consisting of the best questions were applied to the Electronic Technology students. Since participation in the tests is not compulsory, students who want to learn about their own learning performance participated in the published tests, and the number of participants varies between 88 and 107. Respectively, 107 students participated in sets tests, 93 students participated in numbers test, 101 students in algebra tests, 89 students in inequalities and equations tests, 105 students in functions tests, and 88 students participated in logarithm and trigonometry tests. Findings obtained, evaluation of the application in terms of learning analytics perspective, suggestions for improvement are given in the results section.

References

  • Benesova A., Tupa J. (2017). “Requirements for Education and Qualification of People in Industry 4.0, 27th International Conference on Flexible Automation and Intelligent Manufacturing, Italy
  • Bernon M, Mena C. (2013). "The evolution of customised executive education in supply chain management", Supply Chain Management: An International Journal, Vol. 18 Issue: 4, pp.440-453, https://doi.org/10.1108/SCM-07-2012-0262
  • Brown, M. (2012). "Learning Analytics: Moving from Concept to Practice", ELI Briefs, Educase Learning Initiative, https://library.educause.edu/resources/2012/7/learning-analytics-moving-from-concept-to-practice, Access date: 05.06.2020
  • Bozkurt, A. (2016). “Öğrenme analitiği: e-öğrenme, büyük veri ve bireyselleştirilmiş öğrenme”. AUAd, 2(4), 55-81.
  • Clow, D. (2013). “An overview of learning analytics”. Teaching in Higher Education, 18(6) pp. 683–695.
  • Dursun T, Oskaybas K, Gokmen C. 2013. “The Quality Of Service Of The Distance Education.” 13th International Educational Technology Conference. Procedia - Social and Behavioral Sciences. 103: 1133 – 1151 doi: 10.1016/j.sbspro.2013.10.441
  • Dülger E., (2012). “Yükseköğretimde uzaktan eğitim performansinin ölçme ve değerlendirilmesi için bir model önerisi”, Doktora tezi, Sakarya University, Turkey
  • Dülger, E., Merrell C. (2017) “Evaluation of the Mathematics Performance of Distance Education Students with Rasch Model in Higher Education: Sakarya University Case Study.”, 11th Annual Rasch User Group Meeting, University of Warwick, UK.
  • Educase Horizon Report. (2020). Teaching and Learning Edition, https://library.educause.edu/resources/2020/3/2020-educause-horizon-report-teaching-and-learning-edition, Access date: 15.09.2020
  • Grajek, S. (2016). “Digital Capabilities in Higher Education, 2015: E-Learning” Research repor, Louisville, CO: ECAR. https://library.educause.edu/~/media/files/library/2016/8/ers1606.pdf, Access date: 01.04.2017
  • OECD Report. 2012. Assessment Of Higher Education Learning Outcomes. AHELO Feasibility Study Report. Vol 1. Design and Implementation.
  • Shum, B. (2012). Learning Analytics. UNESCO Policy Brief.http://iite.unesco.org/files/policy_briefs/pdf/en/learning_analytics.pdf (Access date: 05.10.2016)
  • Society for Learning Analytics Research (SOLAR), https://www.solaresearch.org/core/, Access date: 15.08.2019
  • Tomlinson, C.A. (2014), “Öğrenci Gereksinimlerine Göre Farklılaştırılmış Eğitim”, Sev Yayınları
  • Wiley K.J., Bradford A., Dimitriadis Y., Linn M.C. (2020). "From Theory to Action: Developing and Evaluating Learning Analytics for Learning Design", LA and Knowledge (LAK ’20), March 23–27, 2020, Frankfurt, Germany.
  • Wu, Jen-Her, Robert D. Tennyson and Tzyh-Lih Hsia. 2009. “A study of student satisfaction in a blended e-learning system environment.” Computers & Education 55: 155-164, doi: 10.1016/j.compedu.2009.12.012

Günümüz Eğitim Sistemlerinde Büyük Veri Teknolojisi: Öğrenme Analitiği

Year 2020, Ejosat Special Issue 2020 (ISMSIT), 353 - 361, 30.11.2020
https://doi.org/10.31590/ejosat.824182

Abstract

Öğrenme analitiği kavramı, öğrenmenin kalitesini artırmak için eğitim alanında büyük veri teknolojisinin bir yansıması olarak ortaya çıkmaktadır. Öğrenciler, özellikle e-öğrenme etkinlikleri sırasında dijital izlerden büyük miktarda veri bırakırlar. Bu veriler, e-öğrenme süreçlerini kolaylaştırmak veya diğer eğitimsel ve idari amaçlar için kullanmak için işlenebilir. Tahmine dayalı modelleme, sosyal ağ analizi (SNA), kullanıcı, kullanım takibi, içerik analizi, anlam analizi, öneri sistemleri gibi teknikler öğrenme analitiği teknikleri arasında yer alırken, mevcut öğrenme süreci performansını belirlemek ve iyileştirmek için öğrenme analitiği kullanılır. Günümüz öğrenme ortamlarının dijitalleşmesi nedeniyle öğrenciler daha yalnızdır, e-öğrenme etkinlikleri sırasında motivasyonları daha düşüktür, bu nedenle öğrenme sürecini yönetmek daha zordur. Bu nedenle öğrenme analitiği uygulamaları tıpkı sanal mentorlar gibi günümüz eğitim sistemlerinde ön plana çıkmaktadır. Sanal mentorlarla daha bireyselleşen e-öğrenme sürecini geleneksel eğitime göre iyileştirmek ve yönetmek daha kolay olacak. Bu çalışmada, öğrenme analitiğinin eğitim kurumlarına nasıl uyarlanabileceği açısından daha önce yapılan bir uygulama çalışması tartışılacak ve öğrenme analitiği uygulama tasarımı (Learning Analytics Application Design, LAID) ilkelerinin uyarlanması araştırma soruları ile tartışılacaktır. LAID, kavramsal ve lojistik koordinasyonun yanı sıra koordinasyon, karşılaştırma ve özelleştirme ilkesinden oluşur. Uygulama verileri, Sakarya Üniversitesi Elektronik Teknolojisi uzaktan öğretim öğrencilerinin 2010-2011 eğitim öğretim yılı güz döneminde ön lisans düzeyinde Matematik dersinde uyguladıkları öğrenme testlerine verdikleri cevaplardan oluşmaktadır. Geliştirilen öğrenme testleri önce benzer özelliklere sahip Bilgisayar Programlama öğrencilerine uygulanmış ve madde analizi tamamlandıktan sonra Elektronik Teknolojisi öğrencilerine en iyi sorulardan oluşan güncelleştirilmiş testler uygulanmıştır. Testlere katılım zorunlu olmadığı için yayınlanan testlere kendi öğrenme performansları hakkında bilgi edinmek isteyen öğrenciler katılmıştır ve katılımcı sayısı 88 ile 107 arasında değişmektedir. Sırasıyla 107 öğrenci kümeler testine, 93 öğrenci sayılar testine, 101 öğrenci cebir testine, 89 öğrenci eşitsizlikler ve denklemler testine, 105 öğrenci fonksiyonlar testine ve 88 öğrenci logaritma ve trigonometri testine katılmıştır. Elde edilen bulgular, uygulamanın öğrenme analitiği perspektifi açısından değerlendirilmesi, geliştirme önerilerine sonuçlar bölümünde yer verilmiştir.

References

  • Benesova A., Tupa J. (2017). “Requirements for Education and Qualification of People in Industry 4.0, 27th International Conference on Flexible Automation and Intelligent Manufacturing, Italy
  • Bernon M, Mena C. (2013). "The evolution of customised executive education in supply chain management", Supply Chain Management: An International Journal, Vol. 18 Issue: 4, pp.440-453, https://doi.org/10.1108/SCM-07-2012-0262
  • Brown, M. (2012). "Learning Analytics: Moving from Concept to Practice", ELI Briefs, Educase Learning Initiative, https://library.educause.edu/resources/2012/7/learning-analytics-moving-from-concept-to-practice, Access date: 05.06.2020
  • Bozkurt, A. (2016). “Öğrenme analitiği: e-öğrenme, büyük veri ve bireyselleştirilmiş öğrenme”. AUAd, 2(4), 55-81.
  • Clow, D. (2013). “An overview of learning analytics”. Teaching in Higher Education, 18(6) pp. 683–695.
  • Dursun T, Oskaybas K, Gokmen C. 2013. “The Quality Of Service Of The Distance Education.” 13th International Educational Technology Conference. Procedia - Social and Behavioral Sciences. 103: 1133 – 1151 doi: 10.1016/j.sbspro.2013.10.441
  • Dülger E., (2012). “Yükseköğretimde uzaktan eğitim performansinin ölçme ve değerlendirilmesi için bir model önerisi”, Doktora tezi, Sakarya University, Turkey
  • Dülger, E., Merrell C. (2017) “Evaluation of the Mathematics Performance of Distance Education Students with Rasch Model in Higher Education: Sakarya University Case Study.”, 11th Annual Rasch User Group Meeting, University of Warwick, UK.
  • Educase Horizon Report. (2020). Teaching and Learning Edition, https://library.educause.edu/resources/2020/3/2020-educause-horizon-report-teaching-and-learning-edition, Access date: 15.09.2020
  • Grajek, S. (2016). “Digital Capabilities in Higher Education, 2015: E-Learning” Research repor, Louisville, CO: ECAR. https://library.educause.edu/~/media/files/library/2016/8/ers1606.pdf, Access date: 01.04.2017
  • OECD Report. 2012. Assessment Of Higher Education Learning Outcomes. AHELO Feasibility Study Report. Vol 1. Design and Implementation.
  • Shum, B. (2012). Learning Analytics. UNESCO Policy Brief.http://iite.unesco.org/files/policy_briefs/pdf/en/learning_analytics.pdf (Access date: 05.10.2016)
  • Society for Learning Analytics Research (SOLAR), https://www.solaresearch.org/core/, Access date: 15.08.2019
  • Tomlinson, C.A. (2014), “Öğrenci Gereksinimlerine Göre Farklılaştırılmış Eğitim”, Sev Yayınları
  • Wiley K.J., Bradford A., Dimitriadis Y., Linn M.C. (2020). "From Theory to Action: Developing and Evaluating Learning Analytics for Learning Design", LA and Knowledge (LAK ’20), March 23–27, 2020, Frankfurt, Germany.
  • Wu, Jen-Her, Robert D. Tennyson and Tzyh-Lih Hsia. 2009. “A study of student satisfaction in a blended e-learning system environment.” Computers & Education 55: 155-164, doi: 10.1016/j.compedu.2009.12.012
There are 16 citations in total.

Details

Primary Language English
Subjects Engineering
Journal Section Articles
Authors

Elif Dülger 0000-0002-8162-8726

Publication Date November 30, 2020
Published in Issue Year 2020 Ejosat Special Issue 2020 (ISMSIT)

Cite

APA Dülger, E. (2020). Big Data Technology in Today’s Education Systems: Learning Analytics. Avrupa Bilim Ve Teknoloji Dergisi353-361. https://doi.org/10.31590/ejosat.824182