Ανάλυση δεδομένων μάθησης
| Τίτλος | Ανάλυση δεδομένων μάθησης / Learning analytics |
| Κωδικός | IHST207 |
| Σχολή | Θετικών Επιστημών |
| Τμήμα | Πληροφορικής |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή |
| Υπεύθυνος/η | Σταύρος Δημητριάδης |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 600016392 |
Πρόγραμμα Σπουδών: ΠΜΣ ΤΕΧΝΟΛΟΓΙΕΣ ΔΙΑΔΡΑΣΤΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ (2018 έως σήμερα) ΠΦ
Εγγεγραμμένοι φοιτητές: 4
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΚΟΡΜΟΣ | Επιλογής | 1 | 1 | 7,5 |
| Τίτλος | Ανάλυση δεδομένων μάθησης |
| Ακαδημαϊκό Έτος | 2025 – 2026 |
| Περίοδος Τάξης | Χειμερινή |
| Διδάσκοντες μέλη ΔΕΠ |
|
| Ώρες Εβδομαδιαία | 3 |
| Class ID | 600288860
|
Τύπος Μαθήματος
Ειδικού Υποβάθρου
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
- Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600288860
- eLearning (Moodle): https://elearning.auth.gr/course/view.php?id=11451
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία, Εξέταση)
- Αγγλικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Οι φοιτητές/τριες που επιλέγουν το μάθημα αναμένεται να έχουν μια γενική εκπαίδευση θετικής κατεύθυνσης (από Τμήματα Σχολής Θετικών Επιστημών, Πολυτεχνείο, κλπ.) και να έχουν βασική εμπειρία προγραμματισμού (σε οποιαδήποτε γλώσσα) ώστε να κατανοούν τί σημαίνει κώδικας και προγραμματισμός. Εμπειρία σε προγραμματισμό με Python είναι σημαντική και βοηθά να προχωρήσει κανείς γρήγορα χωρίς να είναι απαραίτητη καθώς ο διδάσκων έχει ετοιμάσει ειδικό MOOC εισαγωγής στην Python το οποίο καθοδηγούνται να παρακολουθήσουν οι φοιτητές/τριες.
Μαθησιακά Αποτελέσματα
Μετά την επιτυχή παρακολούθηση του μαθήματος οι φοιτητές/-τριες θα μπορούν να:
α) Εξηγούν τις βασικές έννοιες του πεδίου και τις μεταξύ τους σχέσεις
β) Εξηγούν τις διάφορες μεθόδους ανάλυσης δεδομένων μάθησης και το είδος προβλημάτων στα οποία εφαρμόζονται (γενικότερα και όχι μόνο σε δεδομένα μάθησης)
γ) Εφαρμόζουν τεχνικές ανάλυσης δεδομένων (επεξηγηματικής όσο και προγνωστικής) σε περιβάλλον Python γράφοντας κώδικα όπου θα χρησιμοποιούν βιβλιοθήκες όπως: numpy, scipy, matplotlib, statsmodels, scikit.
δ) Ολοκληρώνουν ένα έργο ανάλυσης δεδομένων ερμηνεύοντας τα αποτελέσματα ώστε να καταλήξουν σε χρήσιμα συμπεράσματα
ε) Εφαρμόζουν ένα πλαίσιο ηθικά ορθής πρόσκτησης και αξιοποίησης δεδομένων (ethics)
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Προσαρμογή σε νέες καταστάσεις
- Λήψη αποφάσεων
- Αυτόνομη εργασία
- Ομαδική εργασία
- Εργασία σε διεθνές περιβάλλον
- Εργασία σε διεπιστημονικό περιβάλλον
- Παραγωγή νέων ερευνητικών ιδεών
- Σχεδιασμός και διαχείριση έργων
- Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα
- Σεβασμός στο φυσικό περιβάλλον
- Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου
- Άσκηση κριτικής και αυτοκριτικής
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Το μάθημα παρουσιάζει τη Θεωρία και Πρακτική του καινοτόμου ερευνητικού πεδίου της Ανάλυσης Δεδομένων Μάθησης (ή Μαθησιακή Αναλυτική, στα Αγγλικά: Learning Analytics) που εφαρμόζει μεθόδους ανάλυσης σε δεδομένα διαδράσεων οι οποίες συμβαίνουν σε περιβάλλοντα μάθησης (learning interactions). Οι φοιτητές/-τριες:
- α) Θα γνωρίσουν τις κύριες μεθόδους της Ανάλυσης Δεδομένων Μάθησης με έμφαση στους στόχους που θέτει η καθεμιά και το είδος των προβλημάτων που αντιμετωπίζει. Ακόμη θα γνωρίσουν τεχνικές για τη σχεδίαση διεπαφών τύπου "Πίνακα Ελέγχου" (Dashboard) για τα δεδομένα της ανάλυσης.
- β) Θα μάθουν να υλοποιούν τεχνικές ανάλυσης δεδομένων (επεξηγηματικής και προγνωστικής, πχ. t-test, ANOVA, linear & logistic regression, classification, clustering, κλπ.) σε περιβάλλον Python (θα γίνει χρήση του Jupyter Notebook και βιβλιοθηκών όπως numpy, scipy, matplotlib, pandas, και scikit).Οι τεχνικές αυτές έχουν γενικότερη αξία καθώς μπορούν να εφαρμοστούν σε κάθε περίπτωση ανάλυσης δεδομένων και όχι μόνον μάθησης.
Ιδιαίτερη έμφαση θα δοθεί σε παραδείγματα και ανάλυση δεδομένων που προέρχονται από Ανοικτά Διαδικτυακά Μαθήματα (Massive Open Online Courses, MOOCs). Θα αναλυθούν ακόμη οι διάφορες προκλήσεις από την εφαρμογή τη Μαθησιακής Αναλυτικής (π.χ. ethics).
Πρότερη γνώση της Python είναι σημαντική αλλά στα πρώτα μαθήματα θα γίνει μια σύντομη υπενθύμιση και θα υπάρχει διαθέσιμο οπτικοακουστικό υλικό ώστε και όσοι/-ες δεν γνωρίζουν να μπορούν να παρακολουθήσουν.
Λέξεις Κλειδιά
Ανάλυση δεδομένων μάθησης, Μαθησιακή αναλυτική, Προγνωστική μοντελοποίηση, Python libraries, Ηθική διαχείριση δεδομένων
Τύποι Εκπαιδευτικού Υλικού
- Σημειώσεις
- Διαφάνειες
- Βιντεοδιαλέξεις
- Πολυμεσικό υλικό
- Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
- Χρήση Τ.Π.Ε. στη Διδασκαλία
- Χρήση Τ.Π.Ε. στην Εργαστηριακή Εκπαίδευση
- Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
- Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Περιγραφή
Ως εκ του περιεχομένου του μαθήματος (ψηφιακές εφαρμογές) χρησιμοποιείται συστηματικά ΤΠΕ για την παρουσίαση, εκπαίδευση, επικοινωνία και αξιολόγηση των φοιτητών/τριών
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 27 | ✓ | ✓ | ||
| Σεμινάρια | 6 | ✓ | ✓ | ||
| Εργαστηριακή Άσκηση | 6 | ✓ | ✓ | ✓ | |
| Μελέτη και ανάλυση βιβλίων και άρθρων | 68 | ✓ | ✓ | ✓ | |
| Εκπόνηση μελέτης (project) | 75 | ✓ | ✓ | ✓ | |
| Συγγραφή εργασίας / εργασιών | 40 | ✓ | ✓ | ✓ | |
| Εξετάσεις | 3 | ✓ | ✓ | ✓ | |
| Σύνολο | 225 |
Αξιολόγηση Φοιτητών
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
- Δημόσια Παρουσίαση (Διαμορφωτική, Συμπερασματική)
- Έκθεση / Αναφορά (Διαμορφωτική, Συμπερασματική)
- Εργαστηριακή Εργασία (Διαμορφωτική, Συμπερασματική)
Τελευταία Επικαιροποίηση
21-03-2024
