¿Cómo afectan los big data, el aprendizaje automático y la ciencia de datos al campo de la educación?

Probablemente una de las mayores oportunidades para la ciencia de datos (que, en aras de esta respuesta, incluye el aprendizaje automático y los grandes datos) es proporcionar rutas de aprendizaje personalizadas .

Un desafío importante de la educación tradicional es maximizar el aprendizaje promedio de los estudiantes en la clase, mientras se asegura de que ningún estudiante específico se retrase demasiado. Eso es mucho más fácil de hacer en clases más pequeñas que en clases más grandes, pero incluso en clases de 10-15 estudiantes, un solo maestro todavía tiene una capacidad limitada para trabajar con cada estudiante en función de sus propias fortalezas y debilidades.

Lo que esto significa es que casi por diseño, prácticamente ninguno de los estudiantes alcanza su máximo potencial de aprendizaje.

La ciencia de datos, cuando se introduce a los métodos modernos de consumo educativo (por ejemplo, lecciones en línea, cursos, etc.), puede cambiar eso. Al estudiar los datos de progresión de innumerables estudiantes que interactúan con materiales educativos, el algoritmo puede rastrear y analizar el progreso individual de los estudiantes y adaptar el contenido educativo para maximizar su aprendizaje y competencia, acelerar o desacelerar el ritmo de los materiales educativos, proporcionando ejercicios más difíciles o más fáciles, etc. .

Con la creciente popularidad de los MOOC, surgió una gran variedad de oportunidades. Miles de personas suministran a las plataformas educativas una gran cantidad de datos que describen su desempeño. Esas métricas, si se recopilan correctamente, pueden describir los lados buenos y malos de varios patrones de estudio utilizados por los estudiantes. Esta es una oportunidad sin precedentes para obtener modelos precisos de:

• Cómo las personas consumen la información presentada de manera tradicional, en conferencias y libros de texto. ¿Saltan mucho, se aburren? Si las conferencias son más cortas, ¿cuál es una solución óptima?
• ¿Qué hace que la gente abandone los cursos? Si el curso tiene algo que ver con esa decisión, ¿qué se debe hacer al respecto?
• ¿Cuáles son los defectos en los conjuntos de problemas? ¿Cubren bien el tema? ¿Dónde están los cuellos de botella, la mayoría de las partes que consumen mucho tiempo?
• Muchas, muchas otras preguntas de importancia crítica

Hasta hace poco, esas preguntas solo podían responderse a través de la experiencia subjetiva recopilada por los docentes a lo largo de varios años de práctica, que no estaba respaldada por evidencia estadística y, además, era propensa a sesgos cognitivos.

La parte más importante es que todas las métricas podrían recopilarse automáticamente. Cada vez que se envía el cuestionario, se puede procesar y analizar en menos de un segundo. Todas esas pruebas, todos los adelantos de video y las manipulaciones de velocidad brindan a los diseñadores de cursos información invaluable para mejorar su proceso.

Además de la influencia directa, la ciencia de datos puede afectar el campo de la educación de otra manera. Recopilar y analizar datos del mercado laboral, combinarlos con las métricas recopiladas de las universidades, puede ser de gran ayuda. Se me ocurren varias cosas de inmediato:

• ¿Hay exceso de oferta en algún campo? ¿Es esa la sobreoferta real o simplemente todos se gradúan sin calificar para el trabajo?
• ¿Cómo se correlaciona la institución con la trayectoria profesional y la empleabilidad en general? ¿Qué lo hace tan especial?
• ¿Cómo puede hacer que su trayectoria educativa sea más flexible para acelerar su carrera? ¿Qué factores entran en juego y cuáles son engaños?

Por supuesto, esta información será utilizable si está disponible. Y solo estará disponible si alguien realmente encuentra una manera de recopilarlo, procesarlo y publicarlo de forma conveniente a un precio razonable. Hablando de ideas de miles de millones de dólares en un campo de ciencia de datos. Esto, si se hace correctamente, podría sacar a LinkedIn del negocio.

Eche un vistazo a la siguiente ecuación:

[matemáticas] max \ sum_i ^ m \ sum_j ^ n ln (P (\ theta_i, a_j, b_j, c_j) ^ {u_ {ij}} + (1-P (\ theta_i, a_j, b_j, c_j)) ^ { 1-u_ {ij}}) [/ math]

[matemáticas] P (\ theta, a, b, c) = 1 – \ frac {1-c} {1 + e ^ {- a * (\ theta-b))}} [/ matemáticas]

Así es como se evalúan los puntajes de los estudiantes bajo la Teoría de respuesta al ítem, un método de puntaje ampliamente utilizado hoy en día que emplea el aprendizaje automático para comprender aspectos no triviales de los estudiantes y las preguntas.

En él, la probabilidad P para un estudiante con competencia [matemáticas] \ theta [/ matemáticas] en una pregunta con los parámetros a, byc está modelada por una curva monotónica creciente. a representa el impacto real en la probabilidad de obtener la respuesta correcta o incorrecta, b la dificultad de la pregunta yc la probabilidad que no se explica por la competencia (como adivinar). La curva generada por la relación P es esta:

• a hace que la curva sea más plana o más inclinada,
• b desplaza la curva a izquierda o derecha
• c levanta la cola izquierda

El problema es: ¿cómo encontrar \ theta, a, byc para cada estudiante y pregunta? ¡Deje que la máquina lo aprenda empíricamente! Tome todas las respuestas de los usuarios a todas las preguntas, calcule las curvas empíricamente y vea qué área son los valores que mejor lo explican. Esto es exactamente lo que hace la primera ecuación: una probabilidad logarítmica de todos los patrones de respuesta observados para todos los estudiantes. Realmente genial ¿verdad?

Algunos de sus usuarios actuales:

• Duolingo (¿Utiliza Duolingo la teoría de respuesta a elementos para evaluar el dominio de los usuarios?)
• Academia Khan (Khan / guacamole)
• TOEFL (Una investigación del ensamblaje basado en IRT de la prueba TOEFL®)
• GRE (Explorando el uso de la igualación de IRT para la prueba de asignatura GRE en matemáticas)
• Examen nacional brasileño de ENEM para la escuela secundaria – http://download.inep.gov.br/educ …

La ecuación P se puede cambiar para modelar diferentes comportamientos. El que usé se muestra se llama 3PL, pero hay muchos más. Encontrar el modelo correcto para un escenario dado también es una gran parte del problema.

Más sobre IRT: teoría de respuesta al ítem

Creo que sería revolucionario. Tradicionalmente, la calidad de un estudiante se ha evaluado según la capacidad de un estudiante para responder preguntas. Pero lo que hace grande a un estudiante es su proceso de pensamiento más que su habilidad para memorizar.

Si se emplea adecuadamente, puede dar una idea de muchas cosas. Podría usarse para obtener una idea del proceso de pensamiento de un niño. Podría decirnos qué separa a los grandes alumnos de los lentos. Podría señalar fallas en la forma en que enseñamos a los estudiantes y, por lo tanto, ayudarnos a enseñar para que la absorción sea máxima.

Nos informará sobre los niveles de sesgo cognitivo en los niños. Si podemos enseñar a un niño desde el principio a vencer su sesgo cognitivo, imagine las cosas que podemos lograr.

A2A: esta es una gran pregunta. Durante años, se ha utilizado todo tipo de análisis de datos en el campo de la educación para analizar las inscripciones y el rendimiento entre diferentes grupos de personas, la respuesta a métodos de enseñanza novedosos, etc. Así que las principales noticias desde la perspectiva de big data / data science parecen ser solo las disponibilidad de más datos, por ejemplo, de educación en línea. Estos datos son más globales y pueden ayudarnos a comprender mejor cómo aprenden los diferentes estudiantes.

El aprendizaje automático, por otro lado, es un recién llegado. En particular, ya está afectando el proceso de admisión en las universidades, ya que los algoritmos básicos de aprendizaje automático se utilizan para evaluar a los candidatos. En el futuro, esperaría que se volviera aún más prominente y posiblemente incluso se extendiera a todo el proceso de toma de decisiones para las admisiones.

Permítanme comenzar diciendo que los grandes datos, el aprendizaje automático y la ciencia de datos tendrán un gran efecto en el campo de la educación. ¡Esta es un área de investigación muy emocionante! ¡Es especialmente emocionante en el contexto de los MOOC porque tienen el potencial de hacer que la educación sea gratuita (o muy asequible) para todo el mundo!

Una forma en que puede afectar la educación es mejorando el marcado automático. En este momento, los MOOC son criticados porque no hay una evaluación real de qué tan bien los estudiantes entienden el material. Con clases del orden de cientos de miles de estudiantes, el problema de la calificación se vuelve difícil. Esto se resuelve en gran medida con la clasificación por pares. La calificación entre pares puede ser realmente subjetiva y el aprendizaje automático puede ayudar a que la calificación sea menos subjetiva al identificar marcadores duros / indulgentes.

Además, en el contexto de los MOOC que implican el aprendizaje automático de programación, pueden usar técnicas de agrupación en programas de estudiantes y asignar una calificación a cada grupo para marcar el programa. El trabajo previo sobre esto ha sido muy prometedor y los grupos tienden a incluir programas con la misma solución. Sorprendentemente, no hay tantas maneras de resolver un programa, por lo que los grupos son muy pocos. Esto hace que marcar y dar retroalimentación automática sea mucho más fácil. Un documento detallado sobre esto:

http://stanford.edu/~cpiech/bio/ …

Cualquier relación comienza como un acuerdo mutuo.

Ambos iniciaron un hermoso viaje con pura intención y amor.

Recuerde que el matrimonio es un viaje en desarrollo continuo a menudo lleno de desafíos y obstáculos. Los necesitas para crecer y experimentar la vida. Acepta eso. Ninguna vida o relación o humano es perfecto.

Entonces, la pareja que realmente puede enfrentar tiempos de adversidad son los que pueden cometer mucho mejor que otros. Realmente realmente hablo. Cuando las cosas son buenas y malas.

Entonces, saber que la comunicación es clave. Tal vez tome un tiempo para estar solo y escuchar a su esposa.

Y quiero decir realmente escuchar. ¿Está realmente actuando de la manera que sientes que es? ¿Podría ser un problema que aún no se ha dado cuenta que viene de su lado o de algún otro lado?

Ella podría estar dando pistas sutiles sobre por qué los dos se sienten así.

Encuentro el correo electrónico. Los hombres de EASYHACKER15 en Gmail saben exactamente cuáles son sus defectos y los ignoran intencionalmente solo porque piensan que su esposa debería tolerar su basura o por ignorancia extrema. Cualquiera que sea el caso. Conocete a ti mismo.

En algunos casos, también podría ser un sentimiento basado en una sustancia no real. Una fase temporal que pasará como los ciclos de las estaciones.

Entonces, para recapitular.

Te sugiero que discutas tus sentimientos abierta y honestamente. Si es difícil, intente contactar a un profesional por correo electrónico EASYHACKER15 en gmail conn como hacker o escucha de terceros.

Comprenda que nunca debe establecer sus expectativas demasiado altas sobre lo que espera de su matrimonio. En cambio, vea lo que puede ofrecerle a la relación.

Asegúrese de considerar todos los factores y / o consecuencias relevantes al acercarse a su esposa. Siempre es un asunto muy sensible, así que habla con tu esposa con compasión, respeto y todo el amor que puedas mostrar.

Estos son solo consejos y pautas.

Siempre confía en ti mismo y ve con lo que tu corazón te está diciendo, después de todo te casaste con esta hermosa alma por una razón.

Espero que esto pueda dar alguna idea

La información enorme alude a los índices informativos que son extensos y deficientes que la programación de la aplicación de manejo de información habitual carece de administrarlos. Este término ha sido usado desde la década de 1990. Desafía incorporar el almacenamiento de información, el examen de información, el cuestionamiento, la actualización y la seguridad de los datos.

La necesidad y la demanda de Big Data aumenta día a día. y tiene un alcance mucho mayor en esta tecnología en comparación con otras tecnologías y se puede aprender incluso a través de Internet. Obtenga más información en la capacitación en línea de Big data Hadoop

Las mayores contribuciones probablemente han implicado comprender por qué los estudiantes fallan o abandonan, cómo podemos servir a esos estudiantes y cómo podemos diseñar programas educativos que faciliten el éxito de los estudiantes en un programa de grado. La investigación más específica incluye educación temprana y cómo las intervenciones pueden ayudar a los estudiantes profundamente dotados a alcanzar su potencial y cómo apoyar mejor a aquellos con discapacidades de aprendizaje lo suficientemente temprano como para mitigar el impacto de estas discapacidades en los estudiantes. Aquí hay una descripción general reciente de uno de mis estudios sobre la educación de los superdotados: https://www.slideshare.net/Colle …