داده‎‌کاوی؛ دانشی در خدمت سنجش

الگوهـای کشـف‌شـده، نـظام‌هـای آمـوزشـی مدرسـه‌های آموزش‌وپرورش را در تصمیـم‌گیـری بهتـر و داشتـن طـرح پیشرفتـه‌تری در هـدایت دانش‌آموزان یاری می‌رساند. کمک به پیشرفت تحصیلی دانش‌آموزان و عملکرد درسی بهتر آنان یکی از هدف‌ها و طرح‌های مهم نظام آموزش‌وپرورش است که می‌تواند از نتایج این الگوها و دانش استخراج‌شده از آن‌ها بهره گیرد. در این پژوهش ضمن معرفی داده‌کاوی، به تعریف داده‌کاوی آموزشی، فرایند کشف دانشِ ‌آموزشی، انواع روش‌های داده‌کاوی آموزشـی و کاربـرد این روش در سنجش و ارزشیابی پرداخته شده است. 

مفهوم داده‌کاوی

داده‌کاوی پل ارتباطی میان علم آمار، علم رایانه، هوش مصنوعی، الگوشناسی، «فراگیـری ماشیـن» و «بازنمـایی بصری داده» است. داده‌کاوی فرایندی پیچیده برای شناسایی الگوها و مدل‌های صحیح و بالقوه مفید در حجم وسیعـی از داده است، به‌‌طـوری ‌کـه این الگوها و مدل‌ها برای انسان‌ها قابل‌‌درک باشنـد. داده‌کاوی یک محصول قابل خریداری نیست، بلکه ‌رشته‌ای علمی و فرایندی است که باید به‌صورت یک پروژه پیاده‌سازی شود (لمای، بیک و دولک، ۲۰۲۱).

داده‌کاوی آموزشی چیست؟

یکی از شاخه‌های جالب داده‌کاوی، «داده‌کاوی آموزشی»  است که به تجزیه‌وتحلیل داده‌های تولیدشده از هر نوع نظام اطلاعاتی می‌پردازد که پشتیبان یادگیری یا آموزش است. این داده‌ها به ارتباط فردفرد دانش‌آموزان محدود نمی‌شود، بلکه شامل چنین داده‌هایی است: داده‌های نظام‌های آموزشی (مثل پیگیری عملکرد، آزمون‌های ورودی و تمرین‌های جمعـی)، داده‌هایی از همـکاری دانش‌آمـوزان (مانند «چت» متنی)، داده‌های اداری (مدرسه، محدوده مدرسه و معلم)، داده‌های آماری (جنس، سن و نمره‌های تحصیلی)، داده‌های مربوط به عواطف دانش‌آموزان (مانند انگیزه و حالات هیجانی) و ... .

ویژگـی‌های این داده‌هـا عبـارت‌اند از: سـطح‌های متفاوت (مثل موضوع، تکلیف و سطح سؤال)، زمینه (یک دانش‌آموز خاص در یک کلاس خاص در یک ‌زمان خاص در تاریخ خاص)، دانه‌بندی (ضبط داده در دقت‌های متفاوت به‌منظور تسهیل در تجزیه‌وتحلیل‌های گوناگون) و طولی (مقدار داده‌های ثبت‌شده طی جلسه‌ها برای یک دوره طولانـی از زمـان، مثلاً داده‌های ایجادشده در یک‌ نیم‌سال و یا یک سال تحصیلی).

داده‌کاوی آموزشـی را می‌توان با سه زمینـه اصلی رسم کرد (شکل 1): علوم رایانه، آمـوزش و آمار. تقاطع این سه حوزه نیز زیرحوزه‌های نزدیک به هـم را تشکیـل می‌دهـد که وابستـه به داده‌کاوی آموزشی هستند؛ از جمـله آمـوزش مبتنـی بر رایانـه، ماشیـن یادگیـری، و تجزیه‌وتحلیل آموزشی (هرناندز، مندز و کچینال، ۲۰۲۱).

فرایند کشف دانش در ارزشیابی یک نظام آموزشی

روند استفاده از داده‌کاوی در ارزشیابـی یک نظام آموزشی را می‌توان از دیـدگاه‌های متفاوت تفسیـر کرد. از یک سو، داده‌کاوی را می‌توان به‌عنوان چرخه‌ای تکراری از تشکیل فرضیه، آزمایش و پالایش دید. در این فرایند، هدف تنها تبدیل داده به دانش نیست، بلکه هدف پالایش دانش استخراج‌شده برای تصمیم‌گیری در مورد این موضوع است که چگونه محیط آموزشی را می‌توان تغییر داد تا یادگیری دانش‌آموز را بهبود بخشد. این کار نوعـی ارزشیابـی تکوینی از برنامه‌های آموزشی است که هدف آن بهبود مداوم برنامه است. تجزیه‌وتحلیل اینکه چگونه دانش‌آموز از این نظام استفاده کند، یک راه ارزیابی طراحی آموزشی از نظر شیوه شکل‌گیـری است و امکان دارد به طراحان آموزشی در بهبود مطالب آموزشی کمک کند. برای ‌مثال، تکنیک‌های داده‌کاوی آموزشـی مـدل‌ها یا الگـوهایی را کشف می‌کنند که طراحان آموزشی می‌توانند از آن‌ها برای ایجاد مبنای آموزشی، تصمیم‌گیری هنگام طراحی و یا اصلاح رویکرد آموزشی استفاده کنند.

انواع روش‌های داده‌کاوی آموزشی

روش‌های پرکاربـرد داده‌کـاوی آمـوزشی که به‌صورت گستـرده‌ای در سراسر جهان مورد استفاده قرار می‌گیرند عبارت‌اند از: پیش‌بینی، خوشه‌بندی، کشف دورافتاده‌ها، استخراج رابطه‌ها، استخراج فرایند، استخـراج متن، استخـراج چکیده داده‌ها برای قضاوت انسان، کشف مدل‌ها و ردیابی دانـش. در ادامـه هـر مـورد را به‌طور مختصـر شـرح می‌دهیم و هدف‌های آن را بیان می‌کنیم.

پیش‌بینی: هـدف از پیش‌بینـی، پـی‌بردن به ویژگی‌های هدف (پیش‌بینی متغیر) است. این روش به‌گونه‌ای عمیق‌تر، به دسته‌بندی رویدادها در آینده می‌پردازد و می‌کوشد نتایج ناشناخته را پیشاپیش برآورد کند. در داده‌کاوی آموزشی، از پیش‌بینی برای تخمین عملکرد دانش‌آموز و تشخیص رفتار او استفاده می‌شود.

خوشه‌بندی: هدف از خوشه‌بندی، شناسایی گره‌هایی است که در برخی از زمینه‌ها مشابه هستند. در داده‌کاوی آموزشـی از خوشه‌بندی می‌توان برای گروه‌بندی مواد درسی مشابه با گروه‌بندی دانش‌آموزان، بر اساس یادگیری‌شان و الگوهای اثر متقابلشان استفاده کرد.

کشف دورافتاده‌ها: هدف از تشخیص دورافتاده‌ها، کشف نقاطی از داده‌هاست که به میزان قابل‌‌توجهی متفاوت از داده‌های مفیدند. در داده‌کاوی آموزشـی از تشخیص دورافتـاده‌ها می‌توان برای شناسایی مشکلات یادگیـری دانش‌آموزان، انحراف در رفتارها یا فعالیت‌های یادگیرنده و تشخیص فرایند یادگیری نامنظم استفاده کرد.

استخـراج رابطه‌ها: هـدف از استخـراج رابطـه‌ها، شناسایی رابطه‌های بین متغیرها به‌منظور رمـزگذاری آن‌ها برای استفاده‌های بعـدی است. در داده‌کاوی آمـوزشی، از استخـراج رابطـه‌ها بـرای شناسایی ارتباط الگوهای رفتاری یادگیرندگان با مشکلات یادگیری و اشتباهـات دانش‌آمـوزان که به‌طـور مکـرر و هم‌زمان رخ می‌دهند، استفاده می‌‌شود.

استخراج فرایند: هدف از استخراج فرایند، استخراج دانش مربوط به فراینـدهای هـر عملیـات ثبت‌شده توسط نظام اطلاعاتی است که در واقع نمـایش و تصویـری روشـن از کل فراینـدهاست. در داده‌کاوی آموزشی، استخراج فرایندها برای منعکس‌کردن رفتار دانش‌‌آموزان در دوره‌های تحصیلی متشکل از ترتیب دوره‌ها، نمره‌ها و برچسب‌های زمانی برای هر دانش‌آموز است.

استخراج متن: هدف از استـخراج متن که به استخراج داده‌های متن به وسیله تجزیه‌وتحلیل متن ‌بازمی‌گردد، استخراج اطلاعات با کیفیـت بالاسـت. در داده‌کـاوی آمـوزشی، از استخراج متن بـرای تجزیه‌و‌تحلیل محتـوای تابلـوهای بحث و گفت‌وگوی انجمـن‌ها، گپ‌ها، صفحه‌های وب و ... استفاده می‌شود.

استخراج چکیده داده‌ها بـرای قضـاوت انسان: هدف از این کار ارائه داده‌هـا به شکلی قابل‌فهم با استفاده از خلاصـه‌سازی، تجسم‌سازی و رابطه‌های تعاملی است تا اطلاعات مفید را برجسته و تصمیـم‌گیـری‌ها را پشتیبانـی کند. از این روش بـرای کمک به آموزشگـران استفاده می‌شـود تا فعالیت‌های درسـی دانش‌آموزان و اطلاعات مفید را تجسم و تجزیه‌وتحلیل کنند.

کشف مدل‌ها: هدف از کشـف مـدل‌ها این است که از مدل‌های معتبر قبلـی یک پدیده، به‌عنـوان بخشی مفید برای تجزیه‌وتحلیل استفاده کنیم. خصـوصیت برجسته داده‌کاوی آموزشـی، پشتیبانـی از شناسایـی روابط بین رفتارهـا و ویژگـی‌های دانش‌آموزان با متغیرهای وابسته به آن است.

ردیابی دانش: ردیابی دانش روشی محبوب برای برآورد تسلط دانش‌آموز  در یک مهارت است که در معرفی مـؤثر نظام‌های آموزشی مورد استفاده قرار می‌گیرد (دابهاده و همکاران، ۲۰۲۱).

استفاده از داده‌کاوی برای ارزشیابی

موضوع بررسـی عملکرد تحصیـلی، از جمـله مبـاحث مهم آموزشی به شمـار مـی‌رود که یکـی از جنبـه‌های آن پیش‌بینی درست عملکرد تحصیلی یادگیرندگان و اقدام به‌موقع و دادن مشاوره به دانش‌آموزان در معرض خطر افت تحصیلی است. از سوی دیگر، با الکترونیکی‌شدن بسیاری از مدرسه‌ها و مؤسسه‌های آموزشی پایگاه‌داده‌های متعددی در اختیار دارند که حاوی حجم بالایی از داده‌های مربوط به سوابق آموزشی، تحصیلی و ... است. داده‌کاوی آموزشی روش‌هایی را برای تحلیل این داده‌های انبوه نظام‌های آموزشی توسعه می‌دهد تا بتوان الگوهایی را برای بهبود وضعیت آموزشی و تصمیم‌گیری‌ها ارائه داد. نتایج حاصل از داده‌کاوی فرایند آمـوزش و یادگیـری را برای طراحی یا بازطراحی محیط آموزشی به‌خوبی بهبود می‌دهد. زیرا این نتایج می‌تواند نظام‌های آموزشی را در تصمیم‌گیری بهتر و داشتن طرح پیشرفته‌تر در هدایت و مشاوره یادگیرندگان یاری کند.

یک کاربرد کلیدی و عمده پیش‌بینی در داده‌کاوی آموزشی، پیش‌بینی خروجی‌های آموزشی یادگیرندگان است. پژوهش‌ها در این حوزه در چند سطح مختلف انجام‌ شده‌اند: در سطح نظام آموزش‌وپرورش، در سطح دوره، در سطح درجه تحصیلی و غیره. دانش قابـل‌‌کشف از طریق داده‌کاوی آموزشی در امر ارزشیابی نه‌‌تنها برای صاحبان نظام (مدرسان و مسئولان آموزشی) بلکه برای کاربران نظام (دانش‌آموزان و معلمان) نیز قابل‌استفـاده است. بدین‌صورت که به یادگیـرندگان کمک می‌کند تا در فرایند یادگیری از بازخوردهای داده‌کاوی آموزشی بهره بگیرند و موفق عمل کنند.

از سـوی دیگـر، مدرسـان می‌تواننـد کارایـی فرایند یادگیری را ارتقا دهنـد و مسئـولان آمـوزشی منابـع سازمانی، اعـم از مـادی و انسـانی را به نحو منـاسب‌تری تخصیـص دهند. برای ‌مثـال، اگر در یک مدل پیش‌بینی برای یادگیرنده‌ای نمره پایین پیش‌بینی شود، آن دانش‌آموز به‌طور بالقـوه ضعیف شناختـه می‌شـود و با راهکارهایی از قبیل مسائل فنـی، انسانی و بازنگری درس‌های قبلی می‌توان عملکرد وی را بهبـود داد. بر این اساس، شخصـی‌سازی آموزش، بیشینه‌کردن کارایی نظام آموزشی و کاهش هزینه‌ها از قواعد داده‌کاوی آموزشی است (قدوسی، میرسعیدی و کوشا، 1398).

نتیجه‌گیری

به‌کارگیری فناوری اطلاعات توسط یک سازمان در عمل فرایندی هموار نیست. برای دانشـگاه‌ها، مدرسـه‌ها و مؤسسـه‌های آموزش از راه دور که بانک‌های اطلاعاتـی عظیمـی دارند، ابزارهای داده‌کاوی می‌تواند الگوها و روابطی را که خیلی عیان نیستند، آشکار کند. این نتایج ممکن است به طراحی دوباره فرایندها و رویه‌های مرتبط منجر شود. تحلیل‌های پشتیبانی‌شده توسط داده‌کاوی در کل مؤسسه‌ها و محیط‌ها می‌تواند مسائل متنوع مدیریت آموزشی، از جمله درک بهتر مشخصه‌های اقتصادی- اجتماعی دانش‌آموزان، مندرجات رشته‌ها و ساختار هزینه را مخاطب قرار دهد. بهبود کیفیت برنامه‌های آموزشی امری واجب و حیـاتی است، چـرا که معلمـان و دانش‌آموزان به‌عنوان سرمـایه‌های اجتمـاعی نقش بزرگـی را در توسعه ملی بر عهده ‌دارند. راه‌حل‌های ارتقای کیفیت برنامه‌های آموزشـی را می‌تـوان در ادغام فناوری‌های اطلاعاتی در برنامه‌های آموزش جست‌وجو کرد و استفاده از نیروی متخصص آموزشی به بهره‌وری بیشتر در نظام آموزش منجر خواهد شد. داده‌کاوی به‌عنوان یک رشته علمی نوین در زمینه بازیابی و استخراج اطلاعات می‌تواند نقش مهمی در جهت دستیابی به این هدف‌ها داشته باشد.

منابع

1. قدوسی، محمد؛ میرسعیدی، فاطمه؛ کوشا، حمیدرضا (1398). «پیش‌بینی و تحلیل عملکرد دانش‌آموزان به کمک تکنیک‌های داده‌کاوی به منظور بهبود عملکرد تحصیلی». نشریه علمی فناوری آموزش. شماره 14.

2. Bai, X., Zhang, F., Li, J., & Guo, T. (2021). Educational Big Data: Predictions, Applications and Challenges. Big Data Research, 26(15).

3. Dabhade, P., Agrawal, R., Alameen, K., Fathima, A., Sridharan, R., & Gopakumar, G. (2021). Educational data mining for predicting students’ academic performance using machine learning algorithms. Materials Today: Proceedings, 5(12), 31-45.

4. Hernandez, E., Mendez, N., & Cechinal, C. (2021). Unveiling educational patterns at a regional level in Colombia: data from elementary and public high school institutions. Journal Pre-proof, 13(4), 43-57.

5. Lemay, D., Beak, C., & Doleck, T. (2021). Comparison of learning analytics and educational data mining: A topic modeling approach. Computers and Education: Artificial Intelligence, 2(11), 23-34.