Elsőéves hallgatók pandémia előtti és alatti bemeneti adatainak elemzése modern adattudományi eszközökkel
Az elsőéves hallgatók felmérése a Science, Technology, Engineering and Mathematics (STEM) területeken tanulmányaikat megkezdők esetén mind a hazai, mind a nemzetközi oktatási intézményekben kiemelt fontosságú. Ezeken a területeken ui. a lemorzsolódás nagyobb mértékű, többen hagyják el diploma nélkül a megkezdett képzéseket, mint a felsőoktatás egyéb területein. Ennek következtében a munkaerőpiacon hiány tapasztalható az ezen a területen végzett szakemberekből.
Jóideje már, hogy a Műegyetemen tanítók egyre nagyobb különbségeket érzékelnek a beérkezők tudásában, képességeiben. Egy ilyenfajta heterogenitás a differenciált oktatás szükségességét hozza. A csoportok kialakításához azonban szükségünk van a beérkezők tudásának feltérképezésére.
Kutatócsoportunk évek óta készít komplex bemeneti teszteket. A korábbi mérések fontosságát felértékelte a pandémia. Az online oktatás eredményességéről vagy éppen eredménytelenségéről már több publikáció született. A Covid járvány hatásait tekintve mindezidáig példa nélküli a modern oktatásban, viszont feltételezések szerint nem lesz egyedülálló, így fokozott figyelmet érdemes fordítani a jelenlegi helyzet pontos dokumentálására. A most szerzett tapasztalatok hasonló helyzetek kialakulásakor nyújthatnak segítséget. A Memory of the World (MoW) program keretében az UNESCO (2020) felhívta a tagországok figyelmét a Coviddal kapcsolatos információk fokozott dokumentálására, valamint azok megőrzésére. Négy kulcsfontosságú területet jelöltek meg: oktatási, társadalmi, tudományos és művészeti értékeken alapuló dokumentumok.
Pályamunkánkban a 2019-2021-es időszak mérési eredményeinek elemzését és összevetését végezzük el. A dolgozat első felében a két év adatain végzett feltáró adatelemzés kerül bemutatásra, ahol a többféle bemeneti adat és mérőszám egymáshoz való viszonyát, valamint az adatrekordok klaszterezhetőségét vizsgáljuk és hasonlítjuk össze. A dolgozat második felében prediktív analitikával foglalkozunk, ahol gépi tanulás segítségével első félév végi teljesítménymutatók prediktálhatóságát vizsgáljuk, illetve azt, hogy a predikciót végző algoritmusok és modellek esetén mely változók milyen mértékben befolyásolják a jósolt eredményt.
szerzők
-
Köller Donát Ákos
Matematikus mesterképzési szak (MSc)
mesterképzés (MA/MSc) -
Vlaszov Artúr
Matematikus mesterképzési szak (MSc)
mesterképzés (MA/MSc)
konzulens
-
Dr. Szilágyi Brigitta
egyetemi docens, Geometria Tanszék