{"id":91,"date":"2023-11-30T17:30:24","date_gmt":"2023-11-30T17:30:24","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/chapter\/235\/"},"modified":"2024-01-31T11:47:35","modified_gmt":"2024-01-31T11:47:35","slug":"235","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/chapter\/235\/","title":{"raw":"U\u010dna analitika in rudarjenje podatkov v izobra\u017eevanju","rendered":"U\u010dna analitika in rudarjenje podatkov v izobra\u017eevanju"},"content":{"raw":"<h3 style=\"text-align: left\">Kaj je u\u010dna analitika?<\/h3>\n<p class=\"no-indent\">Vedno ve\u010d organizacij, ustanov in podjetij uporablja analizo podatkov za re\u0161evanje te\u017eav in za sprejemanje kakovostnih odlo\u010ditev, povezanih z dejavnostmi, ki jih opravljajo. Sektor izobra\u017eevanja pri tem ni izjema, saj so s pojavom virtualnih u\u010dnih okolij in sistemov za upravljanje u\u010denja (LMS) danes na voljo velike koli\u010dine podatkov, ki se bele\u017eijo v dnevni\u0161kih datotekah ob vsaki interakciji u\u010dencev s temi orodji.<\/p>\n<p class=\"indent\">U\u010dna analitika vklju\u010duje merjenje in zbiranje podatko, ki nastajajo tekom izobra\u017eevanja ter njihovo analiziranje z uporabo \u017ee uveljavljenih metod in tehnik preiskovanja masovnih podatkov, z ustreznimi prilagoditavmi izobra\u017eevalnemu okolju tako, da se z njimi lahko opredelijo procesi u\u010denja in pou\u010devanja.<\/p>\n<p class=\"indent\">V splo\u0161nem lo\u010dimo \u0161tiri tipe u\u010dne analitike glede na vpra\u0161anje, ki nas zanima:<\/p>\n\n<ul>\n \t<li>Opisna (deskriptivna) analitika: Kaj se je zgodilo?<\/li>\n \t<li>Diagnosti\u010dna analitika: Zakaj se je zgodilo?<\/li>\n \t<li>Napovedna (prediktivna) analitika: Kaj se bo najverjetneje zgodilo v prihodnosti?<\/li>\n \t<li>Predpisovalna analitika: Kaj narediti, \u010de \u017eelimo vplivati na rezultate?<\/li>\n<\/ul>\n<h3 style=\"text-align: left\">Orodja u\u010dne analitike<\/h3>\n<p class=\"no-indent\">Izobra\u017eevalna orodja, ki temeljijo na u\u010dni analitiki, so zelo raznolika, od nadzornih plo\u0161\u010d za vizualizacijo podatkov, do sistemov za izdelavo priporo\u010dil. Na tem podro\u010dju danes poteka ogromno \u0161tevilo raziskav.\u00a0V priro\u010dniku opisujemo le nekatere najpogosteje uporabljene sklope orodij, namenjenih u\u010dencem in u\u010diteljem, torej kon\u010dnim uporabnikom aplikacij, zasnovanih na u\u010dni analitiki.<\/p>\n\n<h3 style=\"text-align: left\">Predvidevanje in izbolj\u0161anje u\u010dnih rezultatov u\u010dencev<\/h3>\n[caption id=\"attachment_90\" align=\"alignright\" width=\"200\"]<img class=\"size-medium wp-image-88\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2023\/11\/ch3-page-2-Purdue-LA-200x300.jpg\" alt=\"\" width=\"200\" height=\"300\"> Figure 1: Purdue University dashboard for students[\/caption]\n<p class=\"no-indent\">Ena od najzna\u010dilnej\u0161ih funkcionalnosti u\u010dne analitike je napovedovanje osipni\u0161tva.<\/p>\n<p class=\"indent\">U\u010dni kazalniki so izra\u010dunani samodejno na podlagi digitalnih sledi in so neposredno dostopni u\u010dencem, ki lahko na ta na\u010din prilagodijo svoje u\u010dne strategije.<\/p>\n<p class=\"indent\">Na Univerzi Purdue v ZDA so med prvimi na tem podro\u010dju razvili mobilno aplikacijo, v kateri je nadzorna plo\u0161\u010da zasnovana v obliki semaforja<sup>1<\/sup>.<\/p>\n<p class=\"indent\">U\u010denci lahko spremljajo kazalnike svojega napredka.<\/p>\n<p class=\"indent\">Posnetek zaslona nadzorne plo\u0161\u010de je prikazan na sliki.<\/p>\n<p class=\"indent\">Dolo\u010deni kazalniki so namenjeni u\u010diteljem, na primer sistemi zgodnjega opozarjanja.<\/p>\n<p class=\"indent\">Uporabljajo jih tudi v francoskem centru za u\u010denje na daljavo (CNED), kjer so predmet obravnave v \u0161tudiji, ki trenutno \u0161e poteka<sup>2<\/sup>.<\/p>\n<p class=\"indent\">Cilj sistemov zgodnjega opozarjanja je prepoznati zgodnje znake stiske pri u\u010dencih, dijakih ali \u0161tudentih in zagotoviti pravo\u010dasno ukrepanje za zmanj\u0161evanje zgodnjega opu\u0161\u010danja \u0161olanja.<\/p>\n\n<h3 style=\"text-align: left\">Analiza\u00a0u\u010dnega procesa<\/h3>\n[caption id=\"attachment_90\" align=\"alignleft\" width=\"404\"]<img class=\" wp-image-89\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-efran-300x225.jpg\" alt=\"\" width=\"404\" height=\"303\"> Figure 2: METAL project dashboard[\/caption]\n<p class=\"no-indent\">Tehnike u\u010dne analitike lahko pomagajo pri modeliranju u\u010dnega vedenja u\u010denca ali skupine u\u010dencev (razreda). Modeli se nato uporabijo za nazornej\u0161i prikaz u\u010dnih procesov, kar zagotavlja dodatne informacije in u\u010diteljem omogo\u010da odkrivanje pomanjkljivosti, to pa lahko pripomore k izbolj\u0161anju u\u010dnih gradiv in metod. Analiza u\u010dnega procesa je tudi na\u010din za opazovanje stopnje aktivnosti (anaga\u017eiranosti) u\u010dencev. V projektu e-FRAN METAL so, na primer, nadzorno plo\u0161\u010do s kazalniki (na sliki) sooblikovali skupaj s skupino srednje\u0161olskih u\u010diteljev<sup>3<\/sup>.<\/p>\n\n<h3 style=\"text-align: left\">Personalizacija u\u010dnih poti<\/h3>\n<p class=\"no-indent\">Namen sistemov za ustvarjanje priporo\u010dil in prilagodljivih u\u010dnih sistemov je tudi personalizacija u\u010dnih poti. Predlagana priporo\u010dila na osnovi zbranih podatkov u\u010dence usmerjajo k tistim u\u010dnim virom ali k dolo\u010denemu vedenju, ki lahko pripomore k u\u010dinkovitemu doseganju njihovih izobra\u017eevalnih ciljev.<\/p>\n<p class=\"indent\">Nekateri sistemi najprej prika\u017eejo predlagana priporo\u010dila u\u010diteljem, ki jih lahko potrdijo ali ne. Prilagodljivi u\u010dni sistemi omogo\u010dajo u\u010dencu, da razvija ve\u0161\u010dine in znanje na bolj personaliziran in bolj samostojen na\u010din, z nenehnim prilagajanjem u\u010dne poti glede na izku\u0161nje posameznega u\u010denca.<\/p>\n\n<h3 style=\"text-align: left\">Ali u\u010dna analitika zares deluje?<\/h3>\n<p class=\"no-indent\">Raziskave u\u010dne analitike najve\u010dkrat opisujejo rezultate na podlagi povratnih informacij u\u010dencev (oz. \u0161tudentov, \u010de govorimo o visokem \u0161olstvu). V splo\u0161nem ka\u017eejo trend izbolj\u0161anja uspe\u0161nosti u\u010dencev (npr. za 10 % bolj\u0161e rezultate so dosegli \u0161tudenti na Univerzi Purdue). Veliko bolj zahtevno pa je oceniti vpliv sistemov u\u010dne analitike na u\u010ditelje. \u0160tudije, ki temeljijo na <em>modelu sprejemanja tehnologije<\/em> (Technology Acceptance Model - TAM) sicer ka\u017eejo, da u\u010ditelji pozitivno dojemajo uporabo orodij u\u010dne analitike. Na sliki spodaj si oglejte kon\u010dno SWOT analizo, izdelano za enega izmed sistemov u\u010dne analitike<sup>5<\/sup>.<\/p>\n\n\n[caption id=\"attachment_90\" align=\"aligncenter\" width=\"1024\"]<img class=\"wp-image-90 size-large\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-swot-1024x203.jpg\" alt=\"\" width=\"1024\" height=\"203\"> Figure 3: SWOT analysis of LA acceptance<sup>5<\/sup>[\/caption]\n<p class=\"no-indent\">Na podlagi nekaterih izpostavljenih slabosti in nevarnosti so v dru\u0161tvu za raziskovanje u\u010dne analitike SoLAR predlagali razmislek o eti\u010dnem pristopu k zasnovi in oblikovanju aplikacij u\u010dne analitike. Njihova priporo\u010dila so povzeta na seznamu osmih klju\u010dnih besed: Determine, Explain, Legitimate, Involve, Consent, Anonymize, Technical, External (DELICATE), kar bi v sloven\u0161\u010dino lahko prevedli z naslednjimi glagoli in pridevniki: dolo\u010diti, razlo\u017eiti, legitimen, vklju\u010diti, privoliti, anonimizirati, tehni\u010den in zunanji.<\/p>\n\n<h3 style=\"text-align: left\">Viri<\/h3>\n\n<hr>\n<p class=\"hanging-indent\"><sup>1<\/sup> Arnold, K. and Pistilli, M<em>., Course signals at Purdue: Using learning analytics to increase student success<\/em>, LAK2012, ACM International Conference Proceeding Series, 2012.<\/p>\n<p class=\"hanging-indent\"><sup>2<\/sup> Ben Soussia, A., Roussanaly, A., Boyer, A., <em>Toward An Early Risk Alert In A Distance Learning Context<\/em>, ICALT, 2022.<\/p>\n<p class=\"hanging-indent\"><sup>3<\/sup> Brun, A., Bonnin, G., Castagnos, S., Roussanaly, A., Boyer, A., <em>Learning Analytics Made in France: The\u00a0 ,<\/em> IJILT, 2019.<\/p>\n<p class=\"hanging-indent\"><sup>4<\/sup> Long, P., and Siemens, G., 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, February 27\u2013March 1, 2011.<\/p>\n<p class=\"hanging-indent\"><sup>5<\/sup> Mavroudi, A., <em>Teachers\u2019 Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model<\/em>, TechTrends. 65, 2021.<\/p>","rendered":"<h3 style=\"text-align: left\">Kaj je u\u010dna analitika?<\/h3>\n<p class=\"no-indent\">Vedno ve\u010d organizacij, ustanov in podjetij uporablja analizo podatkov za re\u0161evanje te\u017eav in za sprejemanje kakovostnih odlo\u010ditev, povezanih z dejavnostmi, ki jih opravljajo. Sektor izobra\u017eevanja pri tem ni izjema, saj so s pojavom virtualnih u\u010dnih okolij in sistemov za upravljanje u\u010denja (LMS) danes na voljo velike koli\u010dine podatkov, ki se bele\u017eijo v dnevni\u0161kih datotekah ob vsaki interakciji u\u010dencev s temi orodji.<\/p>\n<p class=\"indent\">U\u010dna analitika vklju\u010duje merjenje in zbiranje podatko, ki nastajajo tekom izobra\u017eevanja ter njihovo analiziranje z uporabo \u017ee uveljavljenih metod in tehnik preiskovanja masovnih podatkov, z ustreznimi prilagoditavmi izobra\u017eevalnemu okolju tako, da se z njimi lahko opredelijo procesi u\u010denja in pou\u010devanja.<\/p>\n<p class=\"indent\">V splo\u0161nem lo\u010dimo \u0161tiri tipe u\u010dne analitike glede na vpra\u0161anje, ki nas zanima:<\/p>\n<ul>\n<li>Opisna (deskriptivna) analitika: Kaj se je zgodilo?<\/li>\n<li>Diagnosti\u010dna analitika: Zakaj se je zgodilo?<\/li>\n<li>Napovedna (prediktivna) analitika: Kaj se bo najverjetneje zgodilo v prihodnosti?<\/li>\n<li>Predpisovalna analitika: Kaj narediti, \u010de \u017eelimo vplivati na rezultate?<\/li>\n<\/ul>\n<h3 style=\"text-align: left\">Orodja u\u010dne analitike<\/h3>\n<p class=\"no-indent\">Izobra\u017eevalna orodja, ki temeljijo na u\u010dni analitiki, so zelo raznolika, od nadzornih plo\u0161\u010d za vizualizacijo podatkov, do sistemov za izdelavo priporo\u010dil. Na tem podro\u010dju danes poteka ogromno \u0161tevilo raziskav.\u00a0V priro\u010dniku opisujemo le nekatere najpogosteje uporabljene sklope orodij, namenjenih u\u010dencem in u\u010diteljem, torej kon\u010dnim uporabnikom aplikacij, zasnovanih na u\u010dni analitiki.<\/p>\n<h3 style=\"text-align: left\">Predvidevanje in izbolj\u0161anje u\u010dnih rezultatov u\u010dencev<\/h3>\n<figure id=\"attachment_90\" aria-describedby=\"caption-attachment-90\" style=\"width: 200px\" class=\"wp-caption alignright\"><img loading=\"lazy\" decoding=\"async\" class=\"size-medium wp-image-88\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2023\/11\/ch3-page-2-Purdue-LA-200x300.jpg\" alt=\"\" width=\"200\" height=\"300\" srcset=\"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch3-page-2-Purdue-LA-200x300.jpg 200w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch3-page-2-Purdue-LA-65x97.jpg 65w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch3-page-2-Purdue-LA-225x337.jpg 225w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch3-page-2-Purdue-LA.jpg 351w\" sizes=\"(max-width: 200px) 100vw, 200px\" \/><figcaption id=\"caption-attachment-90\" class=\"wp-caption-text\">Figure 1: Purdue University dashboard for students<\/figcaption><\/figure>\n<p class=\"no-indent\">Ena od najzna\u010dilnej\u0161ih funkcionalnosti u\u010dne analitike je napovedovanje osipni\u0161tva.<\/p>\n<p class=\"indent\">U\u010dni kazalniki so izra\u010dunani samodejno na podlagi digitalnih sledi in so neposredno dostopni u\u010dencem, ki lahko na ta na\u010din prilagodijo svoje u\u010dne strategije.<\/p>\n<p class=\"indent\">Na Univerzi Purdue v ZDA so med prvimi na tem podro\u010dju razvili mobilno aplikacijo, v kateri je nadzorna plo\u0161\u010da zasnovana v obliki semaforja<sup>1<\/sup>.<\/p>\n<p class=\"indent\">U\u010denci lahko spremljajo kazalnike svojega napredka.<\/p>\n<p class=\"indent\">Posnetek zaslona nadzorne plo\u0161\u010de je prikazan na sliki.<\/p>\n<p class=\"indent\">Dolo\u010deni kazalniki so namenjeni u\u010diteljem, na primer sistemi zgodnjega opozarjanja.<\/p>\n<p class=\"indent\">Uporabljajo jih tudi v francoskem centru za u\u010denje na daljavo (CNED), kjer so predmet obravnave v \u0161tudiji, ki trenutno \u0161e poteka<sup>2<\/sup>.<\/p>\n<p class=\"indent\">Cilj sistemov zgodnjega opozarjanja je prepoznati zgodnje znake stiske pri u\u010dencih, dijakih ali \u0161tudentih in zagotoviti pravo\u010dasno ukrepanje za zmanj\u0161evanje zgodnjega opu\u0161\u010danja \u0161olanja.<\/p>\n<h3 style=\"text-align: left\">Analiza\u00a0u\u010dnega procesa<\/h3>\n<figure id=\"attachment_90\" aria-describedby=\"caption-attachment-90\" style=\"width: 404px\" class=\"wp-caption alignleft\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-89\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-efran-300x225.jpg\" alt=\"\" width=\"404\" height=\"303\" srcset=\"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-efran-300x225.jpg 300w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-efran-1024x767.jpg 1024w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-efran-768x575.jpg 768w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-efran-1536x1150.jpg 1536w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-efran-65x49.jpg 65w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-efran-225x169.jpg 225w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-efran-350x262.jpg 350w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-efran.jpg 2012w\" sizes=\"(max-width: 404px) 100vw, 404px\" \/><figcaption id=\"caption-attachment-90\" class=\"wp-caption-text\">Figure 2: METAL project dashboard<\/figcaption><\/figure>\n<p class=\"no-indent\">Tehnike u\u010dne analitike lahko pomagajo pri modeliranju u\u010dnega vedenja u\u010denca ali skupine u\u010dencev (razreda). Modeli se nato uporabijo za nazornej\u0161i prikaz u\u010dnih procesov, kar zagotavlja dodatne informacije in u\u010diteljem omogo\u010da odkrivanje pomanjkljivosti, to pa lahko pripomore k izbolj\u0161anju u\u010dnih gradiv in metod. Analiza u\u010dnega procesa je tudi na\u010din za opazovanje stopnje aktivnosti (anaga\u017eiranosti) u\u010dencev. V projektu e-FRAN METAL so, na primer, nadzorno plo\u0161\u010do s kazalniki (na sliki) sooblikovali skupaj s skupino srednje\u0161olskih u\u010diteljev<sup>3<\/sup>.<\/p>\n<h3 style=\"text-align: left\">Personalizacija u\u010dnih poti<\/h3>\n<p class=\"no-indent\">Namen sistemov za ustvarjanje priporo\u010dil in prilagodljivih u\u010dnih sistemov je tudi personalizacija u\u010dnih poti. Predlagana priporo\u010dila na osnovi zbranih podatkov u\u010dence usmerjajo k tistim u\u010dnim virom ali k dolo\u010denemu vedenju, ki lahko pripomore k u\u010dinkovitemu doseganju njihovih izobra\u017eevalnih ciljev.<\/p>\n<p class=\"indent\">Nekateri sistemi najprej prika\u017eejo predlagana priporo\u010dila u\u010diteljem, ki jih lahko potrdijo ali ne. Prilagodljivi u\u010dni sistemi omogo\u010dajo u\u010dencu, da razvija ve\u0161\u010dine in znanje na bolj personaliziran in bolj samostojen na\u010din, z nenehnim prilagajanjem u\u010dne poti glede na izku\u0161nje posameznega u\u010denca.<\/p>\n<h3 style=\"text-align: left\">Ali u\u010dna analitika zares deluje?<\/h3>\n<p class=\"no-indent\">Raziskave u\u010dne analitike najve\u010dkrat opisujejo rezultate na podlagi povratnih informacij u\u010dencev (oz. \u0161tudentov, \u010de govorimo o visokem \u0161olstvu). V splo\u0161nem ka\u017eejo trend izbolj\u0161anja uspe\u0161nosti u\u010dencev (npr. za 10 % bolj\u0161e rezultate so dosegli \u0161tudenti na Univerzi Purdue). Veliko bolj zahtevno pa je oceniti vpliv sistemov u\u010dne analitike na u\u010ditelje. \u0160tudije, ki temeljijo na <em>modelu sprejemanja tehnologije<\/em> (Technology Acceptance Model &#8211; TAM) sicer ka\u017eejo, da u\u010ditelji pozitivno dojemajo uporabo orodij u\u010dne analitike. Na sliki spodaj si oglejte kon\u010dno SWOT analizo, izdelano za enega izmed sistemov u\u010dne analitike<sup>5<\/sup>.<\/p>\n<figure id=\"attachment_90\" aria-describedby=\"caption-attachment-90\" style=\"width: 1024px\" class=\"wp-caption aligncenter\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-90 size-large\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-swot-1024x203.jpg\" alt=\"\" width=\"1024\" height=\"203\" srcset=\"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-swot-1024x203.jpg 1024w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-swot-300x59.jpg 300w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-swot-768x152.jpg 768w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-swot-65x13.jpg 65w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-swot-225x45.jpg 225w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-swot-350x69.jpg 350w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-2-swot.jpg 1385w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption id=\"caption-attachment-90\" class=\"wp-caption-text\">Figure 3: SWOT analysis of LA acceptance<sup>5<\/sup><\/figcaption><\/figure>\n<p class=\"no-indent\">Na podlagi nekaterih izpostavljenih slabosti in nevarnosti so v dru\u0161tvu za raziskovanje u\u010dne analitike SoLAR predlagali razmislek o eti\u010dnem pristopu k zasnovi in oblikovanju aplikacij u\u010dne analitike. Njihova priporo\u010dila so povzeta na seznamu osmih klju\u010dnih besed: Determine, Explain, Legitimate, Involve, Consent, Anonymize, Technical, External (DELICATE), kar bi v sloven\u0161\u010dino lahko prevedli z naslednjimi glagoli in pridevniki: dolo\u010diti, razlo\u017eiti, legitimen, vklju\u010diti, privoliti, anonimizirati, tehni\u010den in zunanji.<\/p>\n<h3 style=\"text-align: left\">Viri<\/h3>\n<hr \/>\n<p class=\"hanging-indent\"><sup>1<\/sup> Arnold, K. and Pistilli, M<em>., Course signals at Purdue: Using learning analytics to increase student success<\/em>, LAK2012, ACM International Conference Proceeding Series, 2012.<\/p>\n<p class=\"hanging-indent\"><sup>2<\/sup> Ben Soussia, A., Roussanaly, A., Boyer, A., <em>Toward An Early Risk Alert In A Distance Learning Context<\/em>, ICALT, 2022.<\/p>\n<p class=\"hanging-indent\"><sup>3<\/sup> Brun, A., Bonnin, G., Castagnos, S., Roussanaly, A., Boyer, A., <em>Learning Analytics Made in France: The\u00a0 ,<\/em> IJILT, 2019.<\/p>\n<p class=\"hanging-indent\"><sup>4<\/sup> Long, P., and Siemens, G., 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, February 27\u2013March 1, 2011.<\/p>\n<p class=\"hanging-indent\"><sup>5<\/sup> Mavroudi, A., <em>Teachers\u2019 Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model<\/em>, TechTrends. 65, 2021.<\/p>\n","protected":false},"author":1,"menu_order":2,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":["azim-roussanaly","anne-boyer","jiajun-pan"],"pb_section_license":""},"chapter-type":[],"contributor":[66,65,67],"license":[],"part":85,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/91"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/91\/revisions"}],"predecessor-version":[{"id":92,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/91\/revisions\/92"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/parts\/85"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/91\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/media?parent=91"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapter-type?post=91"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/contributor?post=91"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/license?post=91"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}