Såddprojekt: Att undersöka maskininlärningsalgoritmer för att stödja pedagogiskt beslutsfattande i grundskolan

Fakta om projektet

Namn
Att undersöka maskininlärningsalgoritmer för att stödja pedagogiskt beslutfattande i grundskolan
Sökande
Linnéuniversitetet: Italo Masiello, Jonas Nordqvist, Zeynab (Artemis) Mohseni, Karl-Olof Lindahl
Projektperiod
Mars-December 2023
Finansiär
Linnaeus University Centre for Data Intensive Sciences and Applications (DISA)
Huvudsakliga forskningsområde
Datavetenskap, Matematik
Ansökan
Såddansökan DISA.pdf
Forskargrupper
EdTechLnu
Computational Social Sciences (CSS)
Data Intensive Sciences and Applications (DISA)
Data Intensive Software Technologies and Applications (DISTA)

Mer om projektet

Skolor har börjat inse de möjligheter som uppstår genom att analysera digital data som produceras av och relaterar till elever. Därför är syftet med EdTechLnu-gruppen att skapa ett pedagogiskt, juridiskt, etiskt och informationssäkert system med datavisualiseringar som beslutsstöd för lärare, så att de kan fatta pedagogiska och utbildningsrelaterade beslut med hjälp av data.

Forskning visar att datavisualiseringar baserad på maskininlärning (ML) som specifikt riktar sig till grund- och gymnasieutbildning är unik med endast ett fåtal forskargrupper globalt som arbetar med liknande forskning.

Emellertid saknar forskargruppen EdTechLnu kompetens att titta på data som genereras av de olika datamängderna, för att förstå hur de är kodade och hur de kan integreras. Därför kombinerar vi i det här såddprojektet forskare från EdTech med forskare som arbetar med datadriven forskning och utveckling för att samarbeta kring dataaspekten. Finansieringen i såddprojektet kommer att användas av en forskare för att använda ML-algoritmer för att försöka hitta statistiska förhållanden som med hjälp av tillgängliga data kan ge lärare ny kunskap, information insikter genom datavisualisering.

I en tidigare publikation av Mohseni et al (2020) har vi testat sju olika typer av ML-klassificeringsalgoritmer (Linear, k_Nearest Neighbors, Decision tree, Neural Network, Support Vector Machines, Random Forest och XGBoost) för att lära av obalanserade datamängder och upptäckte att Neural Network hade den högsta noggrannheten. I det här såddprojektet kommer vi att göra liknande pilotstudier för att förstå den optimala tillämpningen av ML-algoritmer.

Mål för såddprojektet är:

• att använda ett datacentrerat tillvägagångssätt med olika ML-algoritmer för att empiriskt hitta mönster i elevdata relaterat till inlärning och online-beteenden.
• att använda ML-analyser för att informera pedagogiska datavisualiseringar för lärare.
• att publicera resultaten i minst en vetenskaplig tidskrift.
• att skriva en större forskningsansökan för en fördjupning, först till Vinnova, men andra lämpliga finansiärer kommer att identifieras.

Förväntade resultat:

Det förväntade huvudresultatet av såddprojektet är en bildandet av en tvärvetenskaplig projektgrupp. Huvudsyftet för projektgruppen att säkra finansiering för att utveckla ML- och datavisualiseringar för att tillhandahålla ett beslutsstödsverktyg för lärare som i sin tur kan använda det för att hjälpa elevernas lärande. Sekundära resultat inkluderar en publikation i en referentgranskad tidskrift av relevans.

DISAs såddprojekt

Läs mer om konceptet med såddprojekt och DISAs övriga såddprojekt.