This site requires Javascript to be turned on. Please enable Javascript and reload the page.

Umetna inteligenca za učitelje: interaktivni spletni priročnik za učitelje

Več o masovnih podatkih

Masovni podatki¹ so definirani kot 'obsežna podatkovna zbirka kompleksnih in navadno nestrukturiranih podatkov iz medsebojno neodvisnih podatkovnih virov'. Takšno zbiranje in shranjevanje podatkov danes omogočajo relativno nizke cene storitev, zmogljivi procesorji in algoritmi (zlasti obdelava naravnega jezika in strojno učenje) pa olajšajo njihovo analizo.²

Kot je razloženo v videoposnetku, so za masovne podatke značilni ogromen obseg (volume), hitro ustvarjanje (velocity) in raznolikost (variety) podatkov, ustvarjenih iz več virov. Tako zbrani podatki so ponavadi nepopolni in nenatančni (verodostojnost / veracity), njihova ustreznost pa se sčasoma spreminja (nestanovitnost / volatility). Za združevanje, obdelavo in vizualizacijo te vrste podatkov so potrebni sofisticirani algoritmi. Kljub temu so lahko zaključki, pridobljeni iz njih, zlasti v kombinaciji s tradicionalnimi podatki, zelo prepričljivi in zato vredni vloženega truda.²

Določeni strokovnjaki razmišljajo izven okvirjev 3 oz. 5 V-jev² in poudarjajo, da so tri osi, na katerih slonijo masovni podatki, naslednje:

Tehnologija, ki omogoča zbiranje, analiziranje, povezovanje in primerjanje velikih zbirk podatkov.
Analiza, ki omogoča identifikacijo vzorcev v velikih zbirkah podatkov in s tem oblikovanje ekonomskih, družbenih, tehničnih in pravnih zahtev.
Prepričanje, da "velike zbirke podatkov omogočajo višjo obliko inteligence in znanja, ki lahko pripomore k razumevanju na način, ki pred tem ni bil mogoč, v atmosferi resnice, objektivnosti in natančnosti".³

Analiza masovnih podatkov "lahko potencialno identificira posamezna področja, na katerih učenci šepajo ali cvetijo, razume individualne potrebe učencev in razvija strategije za personalizirano učenje."

------------------------------------------------------------------------------------------------------
¹ Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, W. W. Norton & Company, 2015
² Kelleher, J.D, Tierney, B, Data Science, London, 2018
³ D’Ignazio, C., Bhargava, R., Approaches to Building Big Data Literacy, Bloomberg Data for Good Exchange, New York, 2015
General Data Protection Regulation (GDPR), European Union, April 2016
⁴ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022

This page is referenced by:

Govorica UI: Sistemi, ki temeljijo na podatkih - 1. del 8 plain 2023-03-04T15:03:42+00:00
Odločanje v razredu
Kot učitelj imate dostop do številnih vrst podatkov, ki so bodisi oprijemljivi, npr. redovalnice ali razne evidence prisotnosti, bodisi neoprijemljivi, npr. telesna govorica učencev. Razmislite o odločitvah, ki jih sprejemate v svojem poklicnem življenju: kateri podatki vam pomagajo pri sprejemanju teh odločitev?

Danes so na voljo številne aplikacije, ki vam lahko pomagajo pri vizualizaciji ali obdelavi podatkov. Sistemi UI uporabljajo podatke za personaliziranje učenja ter za napovedovanje in sprejemanje odločitev, ki vam lahko pomagajo pri poučevanju in upravljanju razreda kot celote. Ali mislite, da lahko na nekatere vaše zahteve/potrebe odgovori tehnologija? Če je odgovor pritrdilen, razmislite o tem, katere podatke bi takšen sistem potreboval za izvedbo naloge.
Izobraževalni sistemi so od nekdaj zbirali in obdelovali določene podatke - osebne podatke učencev, podatke o akademskih (učnih) dosežkih, podatke o prisotnosti itd. Z digitalizacijo in razmahom aplikacij UI v izobraževanju (AIED) se danes beležijo in shranjujejo še veliko večje količine podatkov: število klikov, število odprtih strani, časovni žigi in število pritiskov na tipkovnico.¹Dandanes se vse vrti okrog podatkov, kar je postalo svojevrstna norma v družbi, zato se ob tem upravičeno sprašujemo, kako ravnati z vsemi temi podatke tako, da bi ustvarili nekaj zares pomembnega in koristnega. Na primer, ali lahko učencem zagotovimo bolj personalizirane povratne informacije? Ali lahko oblikujemo boljša orodja za vizualizacijo, obveščanje o spremembah ipd.?²

Ne glede na to, kakšno tehnologijo uporabljajo učitelji v učilnicah, mora ta izpolnjevati dejanske, čisto konkretne zahteve. Ko identificiramo določeno potrebo, lahko pregledamo razpoložljive podatke in se vprašamo, kaj je pomembno za želeni rezultat. To vključuje odkrivanje tudi tistih dejavnikov, ki učiteljem omogočajo sprejemanje zelo natančnih, prilagojenih odločitev. Ali razpoložljivi podatki omogočajo upoštevanje teh dejavnikov? Ali so podatki in sistemi, ki temeljijo na podatkih, najboljši možni način za obravnavanje konkretne zahteve/potrebe? Kakšne so lahko neželene posledice takšne uporabe podatkov? ³

Strojno učenje nam omogoča, da številna od teh vprašanj "preložimo" na podatke same.⁴ Aplikacije strojnega učenja se učijo s pomočjo podatkov. Delujejo tako, da obdelujejo podatke. Iščejo vzorce in splošne zakonitosti ter jih shranjujejo kot modele - modeli pa niso nič drugega kot podatki, ki se lahko uporabijo za prihodnje situacije.⁴ Tudi odločitve in napovedi, ki jih nato sprejemajo tako ustvarjeni modeli, ter njihov vpliv na učenje - vse to so spet podatki. Prav zato je poznavanje tega, kako programerji, uporabniki in stroji ravnajo s podatki, pomemben del razumevanja delovanja UI.
Več o podatkih
Podatki se v splošnem vedno nanašjo na določeno entiteto iz sveta okrog nas - npr. na osebo, predmet ali dogodek. Vsako entiteto lahko opišemo s številnimi atributi (lastnostmi, značilnostmi ali spremenljivkami).⁵Na primer, ime, starost in razred so nekatere izmed lastnosti vsakega učenca. Celota teh lastnosti predstavlja podatke, ki jih imamo o učencu. Ti podatki sicer niti približno niso enaki entiteti kot takšni (učencu samemu), vendar nam o njej povedo vsaj nekaj. Podatke, ki se zbirajo, uporabljajo in obdelujejo v izobraževalnih sistemih, imenujemo izobraževalni podatki.¹

Podatkovni niz (tudi: nabor podatkov, sklop podatkov) vsebuje podatke o zbirki entitet, pri čemer so ti podatki razporejeni v vrstice in stolpce. Evidenca prisotnosti učencev v razredu je primer podatkovnega niza. Vsaka vrstica vsebuje zapis o enem učencu/učenki. Stolpci pa lahko, na primer, vsebujejo podatke o prisotnosti ali odsotnosti na določen dan v tednu ali na posamezni učni uri. Vsak stolpec torej pomeni določen atribut.

Podatke ustvarimo z izbiro in merjenjem atributov; vsak podatek je rezultat človeških odločitev in izbir. Zato je ustvarjanje podatkov subjektiven, parcialen in neurejen proces, dovzeten za različne tehnične težave.^4,5 Poleg tega ima lahko to, kar merimo in česar ne, bistven vpliv na pričakovane rezultate.
Podatkovne sledi se nanašajo na podatke, ki so ustvarjeni kot rezultat aktivnosti uporabnikov - učencev, npr. število klikov z miško, število odprtih strani, čas interakcij ali število pritiskov na tipkovnico.¹ Metapodatki so podatki, ki opisujejo druge podatke.⁵ Izpeljani podatki so podatki, izračunani ali izpeljani iz drugih podatkov, npr., posamezen rezultat nekega učenca je podatek, povprečje celega razreda pa je izpeljan podatek. Pogosto so izpeljani podatki bolj uporabni pri raznih vpogledih, iskanju vzorcev in napovedovanju. Aplikacije za strojno učenje generirajo izpeljane podatke in jih povežejo z metapodatkovnimi sledmi ter tako ustvarjajo poglobljene učne modele, ki pomagajo pri personalizaciji učenja.¹

Za uspešno uporabo katerekoli aplikacije, ki temelji na podatkih, je treba atribute skrbno izbrati in jih pravilno meriti. Potrebno je preveriti, ali imajo odkriti vzorci smiselno uporabo v kontekstu izobraževanja. Pravilno zasnovani in vzdrževani sistemi, ki temeljijo na podatkih, so lahko izjemno dragoceno orodje.

V tem poglavju predstavljamo le osnovne informacije o podatkih in tehnologijah, ki temeljijo na uporabi in obdelavi podatkov. S tem je povezana zelo pomembna veščina podatkovne pismenosti, v katero se splača vložiti čas in trud ter jo nenehno posodabljati.¹

Zakonodaja, ki jo morate poznati
Zaradi bistveno nižjih stroškov shranjevanja podatkov se danes shranjuje vse več podatkov in metapodatkov, ki se tudi veliko dlje hranijo.⁶To lahko privede do kršitev zasebnosti in pravic. Zakoni, kot je Splošna uredba o varstvu podatkov (GDPR), odvračajo od takšnih praks in državljanom EU omogočajo večji nadzor nad njihovimi osebnimi podatki. Zagotavljajo pravno izvršljive predpise o varstvu podatkov v vseh državah članicah EU.

V skladu z omenjeno uredbo so osebni podatki vse informacije v zvezi z določeno ali določljivo osebo (osebo, na katero se podatki nanašajo). Šole poleg sodelovanja s podjetji, ki obdelujejo njihove podatke, hranijo ogromne količine osebnih podatkov o učencih, starših, zaposlenih, vodstvu in dobaviteljih. Kot upravljavci podatkov morajo podatke, ki jih obdelujejo, hraniti na zaupen in varen način ter imeti vzpostavljene postopke za varstvo in pravilno uporabo vseh osebnih podatkov.¹

Pravice, določene s Splošno uredbo o varstvu podatkov, vključujejo:
- pravico do dostopa, na podlagi katere morajo biti posamezniki obvezno seznanjeni s tem, kateri podatki se zbirajo o njih;
- pravico do obveščenosti o načinih uporabe njihovih podatkov;
- pravico do izbrisa podatkov, ki posamezniku, katerega podatke je zbrala določena platforma, omogoča, da zahteva odstranitev teh podatkov iz nabora podatkov te platforme (ki so lahko predmet prodje tretjim osebam);
- pravica do pojasnila, pri čemer je treba zagotoviti pojasnilo, kadarkoli je to potrebno, v zvezi z avtomatiziranimi postopki odločanja, ki vplivajo na posameznika.
Uredba sicer dovoljuje zbiranje nekaterih podatkov v okviru zakonitega interesa⁷in uporabo izpeljanih, združenih ali anonimiziranih podatkov za nedoločen čas in brez privolitve.⁵ Novi Akt o digitalnih storitvah omejuje uporabo osebnih podatkov za namene ciljnega oglaševanja.⁷ Omenimo še Zasebnostni ščit EU-ZDA, ki krepi pravice do varstva podatkov za državljane EU v primeru, ko so bili njihovi podatki preneseni zunaj EU.⁵

V članku GDPR for dummies si lahko ogledate analizo, ki so jo opravili neodvisni strokovnjaki iz Odbora za državljanske svoboščine Evropskega parlamenta (LIBE), ki skrbi za varstvo človekovih pravic vseh prebivalcev Evropske unije.

------------------------------------------------------------------------------------------------------
¹Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022
² du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256–285, 2018
³Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021
⁴Barocas, S., Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, yet to be published
⁵Kelleher, J.D, Tierney, B, Data Science, London, 2018
⁶ Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, W. W. Norton & Company, 2015
⁷ Kant, T., Identity, Advertising, and Algorithmic Targeting: Or How (Not) to Target Your “Ideal User.”, MIT Case Studies in Social and Ethical Responsibilities of Computing, 2021

This page references:

Data literacy