MoodleMiner: Data Mining Analysis Tool for Moodle Learning Management System

MoodleMiner: Moodle Öğrenme Yönetim Sistemi için Veri Madenciliği Analiz Aracı

Abstract

The purpose of this study is to develop a tool by which non-experts can carry out basic datamining analyses on logs they obtained via the Moodle learning management system. The study alsoincludes findings obtained by applying the developed tool on a data set from a real course. The developedtool automatically extracts features regarding student interactions with the learning system by usingtheir click-stream data, and analyzes these data by using the data mining libraries available in the Rprogramming language. The tool has enabled users who do not have any expertise in data mining orprogramming to automatically carry out data mining analyses. The information generated by the tool willhelp researchers and educators alike in grouping students by their interaction levels, determining at-riskstudents, monitoring students' interaction levels, and identifying important features that impactstudents’ academic performances. The data processed by the tool can also be exported to be used invarious other analyses.

Özet

Bu çalışmanın amacı, uzman olmayan kişiler için Moodle öğrenme yönetim sisteminden elde ettikleri log kayıtları üzerinde temel veri madenciliği analizleri yapabilecekleri bir araç geliştirmektedir. Aynı zamanda geliştirilen aracın gerçek bir derse ilişkin veri seti üzerinde uygulanması sonucu elde edilen bulgulara da yer verilmiştir. Geliştirilen araç, öğrencilerin tıklama verilerinden öğrenme sistemi ile etkileşimlerine yönelik değişkenleri otomatik olarak oluşturmakta ve arka planda R programlama dilinde yer alan veri madenciliği kütüphanelerini kullanarak bu verileri analiz etmektedir. Araç sayesinde veri madenciliği ya da programlama konusunda uzman olmayan kullanıcıların veri madenciliği analizlerini otomatik olarak gerçekleştirmesi olanaklı hale gelmiştir. Araç tarafından üretilen bilgiler, öğrencilerin etkileşim düzeylerine göre gruplara ayrılmasında, risk altındaki öğrencilerin belirlenmesinde, öğrencilerin etkileşim düzeylerinin izlenmesinde ve öğrencilerin akademik performansları üzerinde etkisi olan önemli değişkenlerin belirlenmesinde araştırmacılara ve eğiticilere yardımcı olacaktır. Aynı zamanda araç tarafından işlenen veriler farklı analizlerde kullanılmak üzere dışarıya aktarılabilmektedir.