Learning analytics for higher education: Proposal of big data ingestion architecture

Zobrazit minimální záznam

dc.contributor.author Amare, Meseret Yihun cze
dc.contributor.author Šimonová, Stanislava cze
dc.date.accessioned 2022-06-03T12:06:33Z
dc.date.available 2022-06-03T12:06:33Z
dc.date.issued 2021 eng
dc.identifier.issn 2261-2424 eng
dc.identifier.uri https://hdl.handle.net/10195/78986
dc.description.abstract Research background: Higher education institutions are generating multiple formats of data from diverse sources across the globe. The data ingestion layer is responsible for collecting data and transform for analysis. Learning analytics plays a vital role in providing decision-making support and selection of suitable timely intervention. The lack of tailored big-data ingestion architectures for academics led to several implementation challenges. Purpose of the article: The purpose of this article is to propose data ingestion architecture enabled for big data learning analytics. Methods: The study reviews existing literature to examine big-data ingestion tools and frameworks; and identify big-data ingestion challenges. An optimized framework for the real world learning analytics application was not yet in place at global higher educations. Consequently, the big-data ingestion pipeline is experiencing challenges of inefficient and complex data access, slow processing time, and security issues associated with transferring data to the system. The proposed data ingestion architecture is based on review of recent literature and adapts best international practices, guidelines, and techniques to meet the demand of current big-data ingestion issues. Findings & Value added: This study identifies the current global challenges in implementing learning analytics projects. Review of recent big data ingestion techniques has been done based on defined metrics tuned for learning analytics purposes. The proposed data ingestion framework would increase the effectiveness of collecting, importing, processing and storing of learning data. Besides, the proposed architecture contributes to the construction of full-fledged big-data learning analytics ecosystem of higher educations. eng
dc.format p. 1-6 eng
dc.language.iso eng eng
dc.publisher EDP Sciences - Web of Conferences eng
dc.relation.ispartof SHS Web of Conferences. Volume 92 (2021) eng
dc.rights open access eng
dc.rights.uri https://creativecommons.org/licenses/by/4.0/
dc.subject big data architecture eng
dc.subject data ingestion eng
dc.subject learning analytics eng
dc.subject globalization eng
dc.subject higher education
dc.title Learning analytics for higher education: Proposal of big data ingestion architecture eng
dc.type ConferenceObject eng
dc.description.abstract-translated Research background: Vysokoškolské instituce generují více formátů dat z různých zdrojů. Vrstva pro příjem dat je zodpovědná za sběr dat a transformaci pro analýzu. Learning analytics hraje zásadní roli při poskytování podpory rozhodování a výběru vhodného včasného zásahu. Nedostatek přizpůsobených architektur big data pro akademické pracovníky vedl k několika výzvám implementace. Účel článku: Účelem tohoto článku je navrhnout architekturu dat umožňující pro big data learning analytics. Metody: Studie hodnotí stávající literaturu a zkoumá nástroje a rámce big data; a identifikuje problémy s big data. Na vysokých školách dosud nebyl zaveden optimalizovaný rámec pro aplikaci learning analytics ve skutečném světě. V důsledku toho příjem velkých dat čelí výzvám neefektivního a komplexního přístupu k datům, pomalé doby zpracování a bezpečnostním problémům spojeným s přenosem dat do systému. Navrhovaná architektura přijímání dat je založena na přehledu nedávné literatury a přizpůsobuje nejlepší mezinárodní postupy, pokyny a techniky tak, aby vyhovovaly poptávce po současných problémech s přijímáním velkých dat. Zjištění a přidaná hodnota: Tato studie identifikuje současné globální výzvy při implementaci výukových analytických projektů. Revize nedávných technik přijímání velkých dat byla provedena na základě definovaných metrik vyladěných pro účely učení analytických údajů. Navrhovaný rámec pro příjem dat by zvýšil efektivitu sběru, importu, zpracování a ukládání dat z učení. Kromě toho navrhovaná architektura přispívá ke konstrukci plnohodnotného analytického ekosystému pro učení velkých objemů dat vysokých škol. cze
dc.event 20th International Scientific Conference Globalization and its Socio-Economic Consequences 2020 (20.10.2020 - 21.10.2020, ONLINE) eng
dc.peerreviewed yes eng
dc.publicationstatus published eng
dc.identifier.doi 10.1051/shsconf/20219202002 eng
dc.rights.licence CC BY 4.0
dc.project.ID SGS_2020_018/Informační prostředí chytrých měst a regionů z hlediska konkurenceschopnosti, efektivity a bezpečnosti eng
dc.identifier.obd 39884641 eng


Tento záznam se objevuje v následujících kolekcích

Zobrazit minimální záznam

open access Kromě případů, kde je uvedeno jinak, licence tohoto záznamu je open access

Vyhledávání


Rozšířené hledání

Procházet

Můj účet