Qisman o'qitish masalalarini yechish uchun klasterizatsiya algoritmlarini moslashtirish

MAVZU: QISMAN O'QITISH MASALALARINI YECHISH UCHUN KLASTERIZATSIYA ALGORITMLARINI MOSLASHTIRISH.

Raqamli o'quv muhitida izlarni tahlil qilish sohasida bir qancha tadqiqotlar olib borildi. Elektron ta'lim platformasidan foydalanish foydalanuvchi tomonidan amalga oshirilgan turli harakatlar natijasida katta hajmdagi foydalanish izlarini keltirib chiqaradi. Biroq, ushbu ma'lumotlardan foydalanish, ishlashni taqqoslash va yaxshilash uchun bir nechta muammolar ko'tarilmoqda, buni bartaraf etish uchun bugungi kunda ushbu muammo bilan shug'ullanadigan bir nechta ishlar mavjud.

Ushbu tadqiqot qayta ishlanadigan ma'lumotlarning formati va tavsifiga oid bir qator savollarni o'rganib chiqdi. Maqsadimiz - kuzatuvga asoslangan jurnal fayllarini tahlil qilish bo'yicha tajribamizni taqdim etish orqali ushbu masalalar bo'yicha fikr almashish, elektron o'quv platformalarida qo'llaniladigan avtomatik nazoratsiz tasniflashda qo'llaniladigan bir nechta yondashuvlarni solishtirishdir. Natijalar va foydalanilgan model taqdim etiladi va muhokama qilinadi. Nihoyat, duch kelgan qiyinchiliklar taqdim etiladi.

1.KIRISH
Internetdan va aniqrog'i elektron platformalardan foydalanishning o'sishi foydalanuvchilarga yaxshiroq xizmat ko'rsatish va moslashtirilgan kontentni taqdim etish uchun ma'lumotlarni tahlil qilishga alohida qiziqish bilan birga keldi.
So'nggi yillarda elektron ta'lim sohasidagi tadqiqotlar sezilarli darajada oshdi, shu nuqtai nazardan, bu ish elektron ta'lim platformasida qo'llaniladigan ba'zi klasterlash algoritmlarini o'rganishdan iborat.
Foydalanuvchining veb-saytdagi xatti-harakati klaviaturada sichqonchani bosish va turlar seriyasi bilan ifodalanadi. Ushbu harakatlar sahifalar ko'rinishiga olib keladigan so'rovlarni ishga tushiradi. Ushbu so'rovlar jurnal faylida qayd etiladi. Jurnal fayllarini tahlil qilish, masalan, qanday so'rovlar muvaffaqiyatli bo'lmasligini (yo'qolgan sahifa, buzilgan havola, sahifaga kirishda xatolik va boshqalar) yoki ma'lum bir sahifaning chastotasini aniqlashga imkon beradi. Biroq, bu faqat ushbu faylning tuzilishi va mazmuni standartlashtirilgan rasmiyatchilikka mos keladigan bo'lsa mumkin.
Ushbu faylning har bir satrida foydalanuvchi, so'rovning sanasi va vaqti, sahifa yoki kurs talablari, amalga oshirilgan harakatlar va tashrif buyurilgan sahifaga tegishli ba'zi ma'lumotlar mavjud.
Ushbu ishning yakuniy maqsadi ushbu platforma foydalanuvchilarini oldindan ma'lum bo'lgan sinflarsiz tasniflashdir; bu tasnif tashrif buyurilgan sahifalarning birlamchi tasnifiga asoslanadi. Ammo bizda hali ham bu borada ba'zi savollar mavjud: shaxs qanday qilib ma'lum bir sinfga tayinlangan va tasniflash qarorining ahamiyati va foydaliligi nimada? Ushbu savollarga javob berish uchun ushbu mavzuda bir nechta tadqiqot loyihalari boshlanadi: MULCE, KTBS, (TATANIA, UTL) [9], [11], [3] va [6].
Klasterlash usullarini taqqoslaydigan bir qancha ishlar mavjud, masalan, [4] va [12] ishlari. Ushbu taqqoslashlar muayyan mezonlarga asoslanadi.
Biz “Ierarxiyalardan foydalangan holda toifali maʼlumotlarni klasterlash” asarida muallif katta massali maʼlumotlarga ishlov berish uchun xos algoritmlarni tanlaganligini taʼkidlaymiz, shundan kelib chiqadiki, CLARA algoritmi katta massalarni davolash uchun qayin algoritmi bilan solishtirganda yaxshi natijalar beradi. ma'lumotlar.
Bizning tajribamiz izlari bo'yicha ba'zi algoritmlarni qo'llashdir elektron ta'lim platformasi bilan o'zaro aloqada va ayniqsa Bechar universitetining elektron o'quv platformasidan olingan jurnal faylida.