Manažérske rozhodovanie vo vzdelávaní s využitím dátovej analytiky
Školitel
doc. Ing. Viliam Lendel, PhD.
Školitel špecialista
Ing. Lucia Pančíková, PhD.
Študijný program
Manažment
Študijný odbor
Ekonómia a manažment
Detailnejší opis problému
Veľké spoločnosti ako Google, Facebook či IBM každoročne investujú miliardy dolárov do dátovej analytiky. Uvedomujú si, že ignorancia dát v procese riadenia môže byť fatálna. Rovnako zmýšľajú aj iné, menšie firmy, ktoré vidia v dátach veľké aktívum. Firmy sa preto snažia tieto dáta zbierať a následne analyzovať a modelovať. Ich cieľom je získať konkurenčnú výhodu z dát, vďaka ktorej sa odpútajú od konkurencie. Účelom je využiť obrovský potenciál dát pre účely zlepšenia manažmentu v rôznych hľadiskách. V rámci práce sa študent sústredí na aplikáciu poznatkov dátovej analytiky a strojového učenia do procesu manažérskeho rozhodovania vo vzdelávaní. V súčasnej dobe, s rozvojom strojového učenia, neurónových sietí, predikčných modelov a iných prostriedkov umelej inteligencie, čoraz viac firiem a inštitúcií zameriava svoju pozornosť práve na využitie dát pre optimalizáciu riadenia. Dáta predstavujú obrovský potenciál pre podniky či inštitúcie. Avšak, len malé percento firiem vie, ako tieto dáta využiť. Súvisí to s komplexnosťou dát a obťažnosťou ich systematického praktického využitia. Cieľom práce je navrhnúť a implementovať riešenia pre systematické využitie dát za účelom zlepšenia jednotlivých procesov v manažérskom rozhodovaní vo vzdelávaní. Uvedené riešenie bude realizované prostredníctvom štatistickej analýzy dát, resp. supervizovaného a nesupervizovaného strojového učenia. V rámci štatistickej analýzy dát budú implementované rôzne typy dátových analýz, ako je deskriptívna analýza dát, exploratórna analýza dát, či konfirmačná analýza pre generalizácie záverov. V prípade predikčných modelov budú využívané viaceré dnes používané modely, ktoré sú schopné riešiť vybrané problémy efektívne. Čiastkové ciele: osvojiť si znalosti dátovej analytiky a strojového učenia, využiť potenciál dát pre účely zlepšenia manažérskeho rozhodovania vo vzdelávaní, navrhnúť a implementovať efektívne modely dátovej analytiky pre účely manažérskeho rozhodovania vo vzdelávaní.
Predpokladaný vedecký prínos (algoritmy, metodológie, ...)
• sumarizácia poznatkov z oblasti využívania dát v procese manažérskeho rozhodovania vo vzdelávaní • extrakcia znalostí z dát pre zefektívnenie manažérskeho rozhodovania vo vzdelávaní • návrh dátových modelov vhodných pre zefektívnenie manažérskeho rozhodovania vo vzdelávaní • návrh dátovo-orientovanej metodiky manažérskeho rozhodovania vo vzdelávaní • návrh súboru odporúčaní pre manažérske rozhodovanie vo vzdelávaní s využitím dát
Odporučány postup vedeckého bádania
Systemizácia základných pojmov a riešení v skúmanej problematike. Poznatky o efektívnych riešeniach z praxe. Výsledky prieskumu v prostredí SR. Vypracovanie autorsky pôvodného riešenia pre systematické využitie dát za účelom zlepšenia jednotlivých procesov v manažérskom rozhodovaní vo vzdelávaní. Vypracovanie ucelenej metodiky zahrňujúcej súbor efektívnych modelov dátovej analytiky pre účely manažérskeho rozhodovania vo vzdelávaní.
Druh výskumu
aplikovaný výskum
Výskumná úloha, ktorej súčasťou bude riešená téma
výskumné projekty riešené na Katedre manažérskych teórií grantový systém UNIZA grantový systém FRI UNIZA
Doterajšie výsledky riešenia na školiacom pracovisku, vrátane odkazov na dostupné zdroje
Siráňová, L. (2018). Identifikácia faktorov vplývajúcich na študijné výsledky študentov FRI, bakalárska práca, Fakulta riadenia a informatiky, Žilinská univerzita, 60s. Papierniková, K. (2019). Podpora rozhodovania študentov stredných škôl pri výbere vysokej školy založená na štatistickom učení, bakalárska práca, Fakulta riadenia a informatiky, Žilinská univerzita, 91s. Piscová, T. (2021). Identifikácia faktorov vplývajúcich na študijné výsledky študentov FRI, bakalárska práca, Fakulta riadenia a informatiky, Žilinská univerzita, 99s. Kardošová, D. (2020), Štatistické modelovanie dát v oblasti vzdelávania, bakalárska práca, Fakulta riadenia a informatiky, Žilinská univerzita. Zámečníková, V. (2020), Predikčné modelovanie pre podporu rozhodovania vo vybranom sektore, diplomová práca, Fakulta riadenia a informatiky, Žilinská univerzita. Aldowah, H., Al-Samarraie, H., Mohamad Fauzy, W. (2019). Educational data mining and learning analytics for 21st century higher education: A review and synthesis. Telematics and Informatics, 37(2019), 13-49. Guo, B., Zhang, R., Xu, G., Shi, C. and L. Yang. (2015). Predicting Students Performance in Educational Data Mining. 2015 International Symposium on Educational Technology (ISET), 2015, 125-128. Waheed, H., Hassan, S., Aljohani, N.R., Hardman, J., Alelyani, S., & Nawaz, R. (2020). Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior, 104, 106189. Rovira S, Puertas E, Igual L (2017) Data-driven system to predict academic grades and dropout. PLoS ONE, 12(2): e0171207. Cen, L., Ruta, D., Powell, L., Hirsch, B., & Ng, J. (2016). Quantitative approach to collaborative learning: Performance prediction, individual assessment, and group composition. International Journal of Computer-Supported Collaborative Learning, 11(2), 187-225. Chui, K.T., Fung, D., Lytras, M.D., & Lam, T.M. (2020). Predicting at-risk university students in a virtual learning environment via a machine learning algorithm. Computers in Human Behavior, 107, 105584. Xu, X., Wang, J., Peng, H., & Wu, R. (2019). Prediction of academic performance associated with internet usage behaviors using machine learning algorithms. Computers in Human Behavior, 98, 166-173. Villegas-Ch, W., Román-Cañizares, M., Palacios-Pacheco, X. (2020). Improvement of an Online Education Model with the Integration of Machine Learning and Data Analysis in an LMS. Applied Sciences, 10(2020), 5371. Zeineddine, H., Braendle, U.C., & Farah, A. (2021). Enhancing prediction of student success: Automated machine learning approach. Computers and Electrical Engineering, 89, 106903. James, G., Witten, D., Hastie, T., Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R, Springer, 426p, ISBN 978-1461471370
V prípade otázok sa obráťte na vedúceho témy:
Viliam.Lendel@fri.uniza.sk