Data mining tools have a recognized

Data mining tools have a recognized status as a part of modern learning environments. Most of the work in data mining in
educational systems contributes to student assessment and course adaptation (for example [2] and [3]). Clustering and classification are mostly used data mining techniques in learning environments because of the nature of the problems. However, learning environments where data mining processes and results would be explicitly visible to the users are rarely reported in the research literature. Rather than that, the data mining takes place in a black box. Systems presented in literature are usually based on approach where a domain expert manually labels data sets and builds models describing the learning activities in advance. This is a time-consuming and error prone process especially in exploratory
learning environments with open-ended problems, because prior definitions of relevant behaviors are necessarily not available for labeling data and training the model [1], and a substantial amount of data may be required to build a model. We have shown in our previous research that the OME produces valuable insight into the progress of the learning activity even on relatively small datasets

ผลลัพธ์ (ไทย) 1:

เครื่องมือการทำเหมืองข้อมูลมีสถานะเป็นที่ยอมรับเป็นส่วนหนึ่งของสภาพแวดล้อมการเรียนรู้ที่ทันสมัย ส่วนใหญ่ของการทำงานในเหมืองข้อมูลในระบบการศึกษาก่อให้เกิดการปรับหลักสูตรและการประเมินนักเรียน (ตัวอย่างเช่น [2] และ [3]) คลัสเตอร์และการจำแนกประเภทมีเทคนิคเหมืองข้อมูลที่ใช้ส่วนใหญ่ในการเรียนรู้ลักษณะของปัญหา อย่างไรก็ตาม สภาพแวดล้อมการเรียนรู้ที่กระบวนการทำเหมืองข้อมูลและผลลัพธ์ที่จะให้ผู้ใช้มองเห็นอย่างชัดเจนไม่ค่อยมีรายงานวรรณกรรมวิจัย แทนที่ การทำเหมืองข้อมูลที่เกิดขึ้นในกล่องสีดำ ระบบในวรรณกรรมมักจะอยู่กับวิธีที่ผู้เชี่ยวชาญโดเมนด้วยตนเองป้ายชื่อชุดข้อมูล และสร้างแบบจำลองที่อธิบายกิจกรรมการเรียนรู้ล่วงหน้า นี้เป็นกระบวนการมีแนวโน้มใช้เวลานานและผิดพลาดโดยเฉพาะอย่างยิ่งในสำรวจเรียนรู้สภาพแวดล้อม มีปัญหาปลายเปิด เพราะไม่จำเป็นต้องมีก่อนนิยามของพฤติกรรมที่เกี่ยวข้องสำหรับติดฉลากข้อมูล และฝึกอบรมแบบ [1], และจำนวนข้อมูลพบอาจจะต้องสร้างแบบจำลอง เราได้แสดงให้เห็นในงานวิจัยก่อนหน้านี้ว่า OME ความคืบหน้าของกิจกรรมการเรียนรู้บนชุดข้อมูลขนาดเล็กค่อนข้างลึกซึ้งมีคุณค่า

ผลลัพธ์ (ไทย) 2:

เครื่องมือการทำเหมืองข้อมูลมีสถานะการยอมรับว่าเป็นส่วนหนึ่งของการเรียนรู้สภาพแวดล้อมที่ทันสมัย ที่สุดของการทำงานในการทำเหมืองข้อมูลใน
ระบบการศึกษาก่อให้เกิดการศึกษาการประเมินและการปรับตัวแน่นอน (ตัวอย่าง [2] และ [3]) การจัดกลุ่มและการจำแนกส่วนใหญ่จะใช้เทคนิคการทำเหมืองข้อมูลในสภาพแวดล้อมการเรียนรู้เพราะธรรมชาติของปัญหา แต่สภาพแวดล้อมการเรียนรู้ที่กระบวนการทำเหมืองข้อมูลและผลจะสามารถมองเห็นได้อย่างชัดเจนให้กับผู้ใช้ไม่ค่อยจะมีการรายงานในวรรณคดีวิจัย มากกว่านั้นการทำเหมืองข้อมูลจะเกิดขึ้นในกล่องสีดำ ระบบที่นำเสนอในวรรณคดีมักจะขึ้นอยู่กับวิธีการที่ผู้เชี่ยวชาญโดเมนด้วยตนเองป้ายชุดข้อมูลและสร้างรูปแบบการอธิบายกิจกรรมการเรียนรู้ล่วงหน้า นี้เป็นเวลานานและมีข้อผิดพลาดในขั้นตอนง่ายโดยเฉพาะอย่างยิ่งในการสำรวจ
สภาพแวดล้อมการเรียนรู้ที่มีปัญหาปลายเปิดเพราะคำจำกัดความก่อนพฤติกรรมที่เกี่ยวข้องจำเป็นไม่สามารถใช้ได้สำหรับการติดฉลากข้อมูลและการฝึกอบรมรุ่น [1] และจำนวนมากของข้อมูลที่อาจจะ จำเป็นในการสร้างแบบจำลอง เราได้แสดงให้เห็นในการวิจัยก่อนหน้านี้ว่า OME ผลิตข้อมูลเชิงลึกที่มีคุณค่าในความคืบหน้าของกิจกรรมการเรียนรู้แม้กระทั่งในชุดข้อมูลที่ค่อนข้างเล็ก

ผลลัพธ์ (ไทย) 3:

เครื่องมือการทำเหมืองข้อมูลมีการยอมรับสถานะเป็นส่วนหนึ่งของการเรียนรู้ที่ทันสมัย สภาพแวดล้อม ส่วนใหญ่ทำงานในเหมืองแร่ ข้อมูลในระบบการศึกษามีส่วนช่วยประเมินนักเรียนและหลักสูตรการปรับตัว ( เช่น [ 2 ] และ [ 3 ] ) การจัดกลุ่มและการจำแนกส่วนใหญ่ใช้เทคนิคการทำเหมืองข้อมูลในสภาพแวดล้อมการเรียนรู้ เพราะลักษณะของปัญหา อย่างไรก็ตาม การเรียนรู้สภาพแวดล้อมที่กระบวนการการทำเหมืองข้อมูลและผลลัพธ์จะชัดเจนมองเห็นผู้ใช้ไม่ค่อยรายงานในวรรณกรรมการวิจัย มากกว่านั้น , Data Mining ใช้สถานที่ในกล่องสีดำ ระบบที่นำเสนอในวรรณคดีมักจะขึ้นอยู่กับวิธีการที่ผู้เชี่ยวชาญโดเมนด้วยตนเองป้ายชื่อชุดข้อมูลและสร้างแบบจำลองอธิบายกิจกรรมการเรียนล่วงหน้า นี้เป็นข้อผิดพลาดที่มักจะใช้เวลานาน และขั้นตอนโดยเฉพาะอย่างยิ่งในการสำรวจสภาพแวดล้อมที่มีปัญหาปลายเปิด เพราะพฤติกรรมที่เกี่ยวข้องจะต้องนิยามก่อนไม่สามารถใช้ได้สำหรับการติดฉลากข้อมูลและการฝึกอบรมแบบ [ 1 ] และจํานวนของข้อมูลที่อาจจะต้องใช้ในการสร้างรูปแบบ ที่เราได้แสดงในงานวิจัยของเราก่อนว่า โอม ผลิตข้อมูลเชิงลึกที่มีคุณค่าในความคืบหน้าของกิจกรรมการเรียนรู้ในชุดข้อมูลขนาดเล็ก