is Íslenska en English

Lokaverkefni (Bakkalár)

Háskólinn í Reykjavík > Tæknisvið / School of Technology > BSc Tölvunarfræðideild / Department of Computer Science >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/37534

Titill: 
  • Exploring student course selection through educational data mining: community detection for student interests
Námsstig: 
  • Bakkalár
Útdráttur: 
  • Námsval nemenda felur í sér verðmætar upplýsingar fyrir háskóla, sérstaklega þá sem miða að því að gera námið sitt sveigjanlegt og vilja aðlagast hratt að breytilegum vinnumarkaði. Það hefur hinsvegar ekki verið lögð mikil áhersla á að nýta þau stafrænu gögn sem skólar safna til að skilja námsval nemenda enn frekar. Við notum gagnanám með áherslu á menntun (e. Educational data mining, EDM) og einbeitum okkur sérstaklega að netagreiningu og hvernig samfélög innan neta myndast. Gagnasafn okkar náði yfir alla þá nemendur (N = 11207) sem innrituðu sig í nám á síðustu fimm árum við Háskólann í Reykjavík (HR). Með þessum aðferðum viljum við skoða námsval nemenda og bera kennsl á áhugasvið þeirra. Það var gert með því að beita Louvain samfélagsgreiningu (e. community detection) á net námskeiða. Netið var þannig sett upp að tengingar á milli nóða táknuðu fjölda nemenda sem höfðu lokið báðum námskeiðum. Við byrjuðum á að fjarlægja mest tengdu nóðurnar úr netinu þar sem þær táknuðu yfirleitt skyldufög frekar en frjálst val, en við vildum skoða frjálst val til að skilja áhugasvið nemenda betur. Niðurstöðurnar voru svo bornar saman við þær áherslulínur sem eru í boði innan Tölvunarfræðideildar HR. Í ljós kom að samfélögin sem við fundum endurspegluðu helst þær áherslulínur sem flestir nemendur taka, sem ýtir undir að tekist hafi að bera kennsl á raunveruleg áhugasvið. Til samanburðar við áhugasviðin þá notuðum við einnig áttuð net til að skoða “meðalnemandann” við HR út frá algengustu samsetningu áfanga fyrir hverja önn. Meðalnemandinn var mun skýrari á fyrri en seinni önnum námsins, þar sem skipulag námsleiða verður opnara með tímanum. Út frá þessum niðurstöðum væri mögulega hægt að innleiða nýjar áherslulínur og skoða viðbrögð nemenda til að sannreyna hagnýtingu þessarar aðferðar. Vonandi bætist þessi aðferð í hóp annarra EDM aðferða, sem saman verða nýttar til að bjóða upp á sérhæfðara og sveigjanlegra nám sem hægt er að sníða betur að þörfum nemenda. Þetta myndi hjálpa nemendum að fylgja sínu áhugasviði og geta brugðist hraðar við breytingum á kröfum vinnumarkaðsins.

  • Útdráttur er á ensku

    Gaining insight into student course choices can hold enormous value for universities, especially those who aim for flexibility in their programs and those who wish to adapt quickly to changing demands of the job market. However, little emphasis has been put on utilizing the large amount of administrative educational data to understand these student choices. Here, we use educational data mining, focusing on network analysis with community detection, on data from all students who have enrolled at Reykjavík University in the past five years (N = 11207). With these methods, we aimed to explore student choices and identify their distinct fields of interest. This was done by applying the Louvain community detection algorithm to a network of courses, where two courses were connected if a student had taken both. We first removed hubs from the network to give higher weight to students’ direct choices rather than mandatory courses. We compared our community detection results with actual major specializations within the Computer Science department and found an overlap. As expected, these similarities were only present for specializations taken by more students. To provide a foundation for this analysis, we also used directed networks to identify the typical Reykjavík University student, by looking at students’ general course choices by semesters. We found that the existence of a typical student was less clear as for students’ later semesters. Looking at how students respond as their general interests are actually implemented to guide their studies would be the final important step in validating these findings. Hopefully, this and other research in the field can be used to offer more tailored and student-led education, which in turns allows students to follow their interests and easily adapt to the ever-changing career market.

Samþykkt: 
  • 26.1.2021
URI: 
  • http://hdl.handle.net/1946/37534


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
Network Analysis Final Thesis.pdf1.13 MBOpinnHeildartextiPDFSkoða/Opna