Друзья, мы запускаем несколько проектов, посвященных аналитике и культуре данных в мире, госсекторе и образовательных организациях.
Канал Data-Driven Education – важная часть этого проекта. Здесь мы будем делать анонсы лекций и вебинаров, обсуждать новые технологии и полезные кейсы, публиковать EdTech новости. Обещаем, это будет интересно и полезно не только аналитикам и людям из «мира data».
Присоединяйтесь!
Канал Data-Driven Education – важная часть этого проекта. Здесь мы будем делать анонсы лекций и вебинаров, обсуждать новые технологии и полезные кейсы, публиковать EdTech новости. Обещаем, это будет интересно и полезно не только аналитикам и людям из «мира data».
Присоединяйтесь!
#словоэксперту
Анализ ответов или действий обучающихся, распределенных по времени - один из давних подходов в анализе образовательных данных
Предположение состоит в том, что есть некоторые паттерны обучения и преподавания, которые скрыты в образовательных данных, упорядоченных по времени. Новая статья в Journal of Educational Data Mining посвящена исследованию разных алгоритмов анализа процессов для моделирования и прогнозирования поведения учащихся при сдаче тестов.
Учащиеся взаимодействуют с цифровой системой оценивания. Для того, чтобы спрогнозировать их дальнейшие ответы, обычно достаточно от 10 до 30 минут наблюдения за их работой над решениями. Помимо индивидуальных стратегий можно выделить студентов с эффективными и неэффективными стилями выполнения заданий.
«Это, кстати, напомнило стили, которые мы обнаружили с @EkaterinaChmykhova при временном анализе результатов SPM Равена на всероссийской выборке. Журнал Journal of Educational Data Mining это издание одноименного международного научного общества. Наблюдаю за журналом с надеждой, хотя каких-либо прорывных исследований я там пока не видел 🧐. Эта публикация интересна перебором разных моделей и их открытым кодом. Результаты так себе. Но, если у вас завалялись данные тестов с временными метками ответов, может у вас получится вытянуть их них что-нибудь полезное».
Анализ ответов или действий обучающихся, распределенных по времени - один из давних подходов в анализе образовательных данных
Предположение состоит в том, что есть некоторые паттерны обучения и преподавания, которые скрыты в образовательных данных, упорядоченных по времени. Новая статья в Journal of Educational Data Mining посвящена исследованию разных алгоритмов анализа процессов для моделирования и прогнозирования поведения учащихся при сдаче тестов.
Учащиеся взаимодействуют с цифровой системой оценивания. Для того, чтобы спрогнозировать их дальнейшие ответы, обычно достаточно от 10 до 30 минут наблюдения за их работой над решениями. Помимо индивидуальных стратегий можно выделить студентов с эффективными и неэффективными стилями выполнения заданий.
«Это, кстати, напомнило стили, которые мы обнаружили с @EkaterinaChmykhova при временном анализе результатов SPM Равена на всероссийской выборке. Журнал Journal of Educational Data Mining это издание одноименного международного научного общества. Наблюдаю за журналом с надеждой, хотя каких-либо прорывных исследований я там пока не видел 🧐. Эта публикация интересна перебором разных моделей и их открытым кодом. Результаты так себе. Но, если у вас завалялись данные тестов с временными метками ответов, может у вас получится вытянуть их них что-нибудь полезное».
#словоэксперту
Образовательный анализ данных
Образовательный анализ данных (англ. Educational Data Mining) – относительно новое понятие, хотя соответствующей международной организации в этом году исполнилось 10 лет. У Data Mining нет однозначного перевода на русский язык.
«Для своей статьи мы, с некоторыми сомнениями, взяли следующий вариант - интеллектуальный анализа данных образовательной среды. Хотя мне больше нравится ассоциация с mining как добычей руды. Мол, когда у тебя горы данных, которые сами по себе бесполезны, но из них можно намайнить крупицы чего-то ценного».
📘Рекомендация: статья «Educational Data Mining: введение»
Образовательный анализ данных
Образовательный анализ данных (англ. Educational Data Mining) – относительно новое понятие, хотя соответствующей международной организации в этом году исполнилось 10 лет. У Data Mining нет однозначного перевода на русский язык.
«Для своей статьи мы, с некоторыми сомнениями, взяли следующий вариант - интеллектуальный анализа данных образовательной среды. Хотя мне больше нравится ассоциация с mining как добычей руды. Мол, когда у тебя горы данных, которые сами по себе бесполезны, но из них можно намайнить крупицы чего-то ценного».
📘Рекомендация: статья «Educational Data Mining: введение»
#курсаналитикаданных
Курс «Основы data-driven подхода в образовании»
Что такое аналитика? Какие инструменты существуют? И зачем это все вообще нужно? Ответы - в нашем новом курсе «Основы data-driven подхода в образовании», который заботливо разработала для вас наша команда аналитиков.
📊Рекомендация: лекция «Основы data-driven подхода в образовании»
P.S. Гордимся коллегами. Обязательно посмотрите лекции.
Курс «Основы data-driven подхода в образовании»
Что такое аналитика? Какие инструменты существуют? И зачем это все вообще нужно? Ответы - в нашем новом курсе «Основы data-driven подхода в образовании», который заботливо разработала для вас наша команда аналитиков.
📊Рекомендация: лекция «Основы data-driven подхода в образовании»
P.S. Гордимся коллегами. Обязательно посмотрите лекции.
Дашборды, графики, диаграммы
Алена Царькова, куратор команды в программе «Реализация проектов цифровой трансформации, собрала для вас очень полезную памятку. В ней - пять вопросов, которые нужно задать себе при выборе диаграммы, ошибки при построении графиков, инструменты для визуализации данных и многое другое.
📊Рекомендация: памятка по визуализации данных
P.S. Все, что подчеркнуто - кликабельно.
Алена Царькова, куратор команды в программе «Реализация проектов цифровой трансформации, собрала для вас очень полезную памятку. В ней - пять вопросов, которые нужно задать себе при выборе диаграммы, ошибки при построении графиков, инструменты для визуализации данных и многое другое.
📊Рекомендация: памятка по визуализации данных
P.S. Все, что подчеркнуто - кликабельно.
Коллеги из замечательных каналов "Я у мамы аналитик" и "LEFT JOIN" предлагают принять участие в исследование онлайн-курсов по аналитике. Если есть интерес и такой опыт - Wellcome!
Telegram
Я у мамы аналитик
Как могу анализирую материалы на тему работы с данными:
- инфраструктура и инструменты;
- роли и компетенции аналитиков;
- продуктовый подход к аналитике;
- роль аналитики в создании и развитии продуктов.
Обратная связь @s_valuev, рекламу не размещаю
- инфраструктура и инструменты;
- роли и компетенции аналитиков;
- продуктовый подход к аналитике;
- роль аналитики в создании и развитии продуктов.
Обратная связь @s_valuev, рекламу не размещаю
Forwarded from LEFT JOIN
⚡️Масштабное независимое исследование онлайн-курсов по аналитике ⚡️
Мы с моими коллегами из компании твердо решили узнать все-все самое важное об онлайн образовании по теме аналитики и data science. Об онлайн образовании говорят повсеместно, курсы чрезвычайно распространены, ведь профессии в IT-сфере сейчас очень популярны. Думаю, что огромная часть аудитории данного канала либо прошла, либо собирается пройти курсы, связанные с анализом данных.
Прошу вас пройти опрос и оставить ваше искреннее мнение о той школе, курс в которой вы прошли. Хорошее, плохое, главное, не безразличное!
Буду признателен коллегам владельцам каналов по аналитике за репост. Разумеется, результатами опроса мы вскоре с вами поделимся в виде симпатичного дашборда 🤓
➡️ Ссылка на опрос
p.s. Любые комменты по опросу тоже приветствуются
Мы с моими коллегами из компании твердо решили узнать все-все самое важное об онлайн образовании по теме аналитики и data science. Об онлайн образовании говорят повсеместно, курсы чрезвычайно распространены, ведь профессии в IT-сфере сейчас очень популярны. Думаю, что огромная часть аудитории данного канала либо прошла, либо собирается пройти курсы, связанные с анализом данных.
Прошу вас пройти опрос и оставить ваше искреннее мнение о той школе, курс в которой вы прошли. Хорошее, плохое, главное, не безразличное!
Буду признателен коллегам владельцам каналов по аналитике за репост. Разумеется, результатами опроса мы вскоре с вами поделимся в виде симпатичного дашборда 🤓
➡️ Ссылка на опрос
p.s. Любые комменты по опросу тоже приветствуются
Аналитики бывают разные//источник @analysis_it
Тем, кто начинает работать с аналитиками или сам задумался о карьере аналитика, расскажем, кто же на самом деле чем занимается.
🔹Бизнес-аналитик. Собирает требования со стороны бизнеса к будущему продукту или функциям системы, выявляет потребности для изменений, обобщает их, фиксирует, классифицирует и принимает решения об изменении процессов. После чего переводит их на понятный язык для инженеров.
📘Бизнес-аналитики в IT: кто они и что делают
🔹 Системный аналитик. Это ИТ-специалист широкого профиля, который отвечает за сбор требований к системе, занимается проектированием технического решения и ставит задачи команде разработки.
📘Системный аналитик: что делает, сколько получает и как им стать
🔹UX-Аналитик. Специалист на этой позиации обычно собирает и анализирует данные о том, как пользователи взаимодействуют с сайтом, приложением или другим продуктом.
📘Кто такой UX-аналитик, чем он занимается и какие инструменты использует
🔹 Аналитик данных обычно собирает, обрабатывает, изучает и интерпретирует данные.
📘Чем занимается аналитик данных и как им стать
🔹 Web-аналитик - занимается сбором и анализом информации о посетителях сайта и их поведении. Он взаимодействует с разными системами аналитики (например, Google Analytics), определяет важные для того или иного бизнеса параметры и интерпретирует их
📘Кто такой веб-аналитик
🔹 Продуктовый аналитик - ищет точки роста в продукте и данные о поведении пользователя.
📘Кто такие продуктовые аналитики и зачем они нужны в команде
Тем, кто начинает работать с аналитиками или сам задумался о карьере аналитика, расскажем, кто же на самом деле чем занимается.
🔹Бизнес-аналитик. Собирает требования со стороны бизнеса к будущему продукту или функциям системы, выявляет потребности для изменений, обобщает их, фиксирует, классифицирует и принимает решения об изменении процессов. После чего переводит их на понятный язык для инженеров.
📘Бизнес-аналитики в IT: кто они и что делают
🔹 Системный аналитик. Это ИТ-специалист широкого профиля, который отвечает за сбор требований к системе, занимается проектированием технического решения и ставит задачи команде разработки.
📘Системный аналитик: что делает, сколько получает и как им стать
🔹UX-Аналитик. Специалист на этой позиации обычно собирает и анализирует данные о том, как пользователи взаимодействуют с сайтом, приложением или другим продуктом.
📘Кто такой UX-аналитик, чем он занимается и какие инструменты использует
🔹 Аналитик данных обычно собирает, обрабатывает, изучает и интерпретирует данные.
📘Чем занимается аналитик данных и как им стать
🔹 Web-аналитик - занимается сбором и анализом информации о посетителях сайта и их поведении. Он взаимодействует с разными системами аналитики (например, Google Analytics), определяет важные для того или иного бизнеса параметры и интерпретирует их
📘Кто такой веб-аналитик
🔹 Продуктовый аналитик - ищет точки роста в продукте и данные о поведении пользователя.
📘Кто такие продуктовые аналитики и зачем они нужны в команде
Как выбрать палитру для визуализации данных?//источник https://news.1rj.ru/str/analyst_club
Основное правило: данные упрощаются до трех типов: последовательные, расходящиеся и качественные. И для каждого типа данных используют свою палитру.
🔹Расходящаяся палитра. Применяется, когда нужно показать два направления данных: например, слева – положительные, справа – отрицательные значения. Среднее (нулевое) значение указывают светлым, а самыми темными будут наибольшее и наименьшее значение. Палитра темнеет в левую и правую сторону.
🔹Последовательная палитра. Подходит для данных, которые располагаются в определенном порядке, от наименьшего к наибольшему. Для визуализации наименьших значений используют самые светлые тона, а для наибольших – самые темные.
🔹Качественная палитра. Используется для отдельных категорий данных: одна категория – один цвет. Чтобы обратить внимание на отдельные показатели, их выделяют другим цветом. Если нужно выделить парные показатели, тогда для их выделения используют одни определенный цвет.
📊Рекомендация: программа для подбора палитры визуализации данных
Основное правило: данные упрощаются до трех типов: последовательные, расходящиеся и качественные. И для каждого типа данных используют свою палитру.
🔹Расходящаяся палитра. Применяется, когда нужно показать два направления данных: например, слева – положительные, справа – отрицательные значения. Среднее (нулевое) значение указывают светлым, а самыми темными будут наибольшее и наименьшее значение. Палитра темнеет в левую и правую сторону.
🔹Последовательная палитра. Подходит для данных, которые располагаются в определенном порядке, от наименьшего к наибольшему. Для визуализации наименьших значений используют самые светлые тона, а для наибольших – самые темные.
🔹Качественная палитра. Используется для отдельных категорий данных: одна категория – один цвет. Чтобы обратить внимание на отдельные показатели, их выделяют другим цветом. Если нужно выделить парные показатели, тогда для их выделения используют одни определенный цвет.
📊Рекомендация: программа для подбора палитры визуализации данных
#курсаналитикаданных
Можно ли взглянуть на мир глазами аналитика?
Ответ простой: конечно! У нас на канале уже готова новая мини-лекция, в которой мы разбираем, что есть данные и что есть аналитика.
📘Рекомендация: лекция «Измерение: мир глазами аналитика»
Можно ли взглянуть на мир глазами аналитика?
Ответ простой: конечно! У нас на канале уже готова новая мини-лекция, в которой мы разбираем, что есть данные и что есть аналитика.
📘Рекомендация: лекция «Измерение: мир глазами аналитика»
#словоэксперту
«Так уж сложилось, что в образовании женщин работает больше, чем мужчин. А в аналитике, наоборот, женщин намного меньше 🤷♀️ В самых продуктивных ИТ-командах, где мне приходилось работать, всегда была хотя бы одна девушка. И я не вижу разницы в уровне решаемых задач или производительностью между мужчинами и женщинами. Но, женщины как-то дотошнее, настойчивей и внимательнее относятся к данным. Короче, девушки – welcome в аналитику!»
📘Рекомендация: сообщество «Женщины в аналитике»
«Так уж сложилось, что в образовании женщин работает больше, чем мужчин. А в аналитике, наоборот, женщин намного меньше 🤷♀️ В самых продуктивных ИТ-командах, где мне приходилось работать, всегда была хотя бы одна девушка. И я не вижу разницы в уровне решаемых задач или производительностью между мужчинами и женщинами. Но, женщины как-то дотошнее, настойчивей и внимательнее относятся к данным. Короче, девушки – welcome в аналитику!»
📘Рекомендация: сообщество «Женщины в аналитике»
#словоэксперту
«Крутая конференция Яндекса о людях и технологиях в образовании состоялась вчера. Много тем про EdTech и кейсов применения данных. Обязательно посмотрите».
📘Рекомендация: онлайн-конференция Яндекса про образование
«Крутая конференция Яндекса о людях и технологиях в образовании состоялась вчера. Много тем про EdTech и кейсов применения данных. Обязательно посмотрите».
📘Рекомендация: онлайн-конференция Яндекса про образование
Что может быть проще среднего значения?
Мы усредняем все подряд и часто делаем это с ошибками:
🔹Во-первых, не всегда у среднего есть реальный смысл. Например, студент выполнял разные задания, каждое за определенное время. Можно сложить затраченное время и разделить на число заданий. Но, в чем смысл полученного среднего, что это может сказать нам о реальности?
🔹Во-вторых, в основе среднего лежит важное допущение о нормальности распределения: наибольшее число наблюдений лежат в середине шкалы, а отклонения в большую/меньшую сторону примерно равны и их частота убывает с увеличением/уменьшением шкалы. А теперь вопрос: как часто вы проверяет форму распределения, прежде чем рассчитать среднее?
В случаях отсутствия нормальности распределения вернее использовать моду и медиану, они дают более верную картину реальности.
🔹И вообще, существует несколько видов средних: среднее геометрическое, среднее гармоническое, среднее хронологическое...
📊Рекомендация: статья, в каком случае какое среднее следует использовать
Мы усредняем все подряд и часто делаем это с ошибками:
🔹Во-первых, не всегда у среднего есть реальный смысл. Например, студент выполнял разные задания, каждое за определенное время. Можно сложить затраченное время и разделить на число заданий. Но, в чем смысл полученного среднего, что это может сказать нам о реальности?
🔹Во-вторых, в основе среднего лежит важное допущение о нормальности распределения: наибольшее число наблюдений лежат в середине шкалы, а отклонения в большую/меньшую сторону примерно равны и их частота убывает с увеличением/уменьшением шкалы. А теперь вопрос: как часто вы проверяет форму распределения, прежде чем рассчитать среднее?
В случаях отсутствия нормальности распределения вернее использовать моду и медиану, они дают более верную картину реальности.
🔹И вообще, существует несколько видов средних: среднее геометрическое, среднее гармоническое, среднее хронологическое...
📊Рекомендация: статья, в каком случае какое среднее следует использовать
#курсаналитикаданных
Может ли 2 ≠ 2?
Интригу раскроем в нашей новой лекции из курса «Аналитика данных». В повестке также: качественные и количественные данные, четыре вида шкал и возможности обработки для каждой из них.
📊Рекомендация: лекция «Аналитика данных: шкалы измерения»
Может ли 2 ≠ 2?
Интригу раскроем в нашей новой лекции из курса «Аналитика данных». В повестке также: качественные и количественные данные, четыре вида шкал и возможности обработки для каждой из них.
📊Рекомендация: лекция «Аналитика данных: шкалы измерения»
Как связаны искусственный интеллект и психология?
Технологии ИИ так или иначе затронут (и уже затрагивают) образование. Лекция немного устаревшая (уже целый год прошел!!!), длинная и для психологов. Но, все применимо и к образованию.
📊Рекомендация: лекция «Применение технологий искусственного интеллекта в психологии»
Технологии ИИ так или иначе затронут (и уже затрагивают) образование. Лекция немного устаревшая (уже целый год прошел!!!), длинная и для психологов. Но, все применимо и к образованию.
📊Рекомендация: лекция «Применение технологий искусственного интеллекта в психологии»