Исследование паттернов поведения студентов через их цифровые следы
DOI:
https://doi.org/10.26577/JMMCS-2019-3-25Ключевые слова:
цифровые следы, интеллектуальный анализ данных, кластеризация, метод главных компонент, язык RАннотация
В этой экспериментальной работе набор методов Data Mining использовался для выявления паттернов поведения студентов путем анализа их цифровых следов в социальных сетях. Данные были собраны из открытых социальных профилей студентов, обучающихся в одном из вузов Казахстана. Для данного исследования были отобраны 25 публикаций, попавших в социальные ленты студентов, и по каждой публикации были зафиксированы цифровые следы студентов (а именно, информация об отметках «Нравится», которыми студенты выделяли понравившиеся публикации). Паттерны, извлеченные с помощью интеллектуального анализа этих цифровых следов, сравнивались с результатами психологических тестов, которые были проведены ранее, и в конечном итоге была оценена степень, в которой оба этих результаты подтверждали и дополняли друг друга. Таким образом, проведенные эксперименты, обеспеченные инфраструктурой языка R, продемонстрировали высокий потенциал предлагаемых методов в целях образовательной аналитики. Несмотря на то, что использовался очень небольшой набор данных, результаты исследования оказались достаточно показательными.
Библиографические ссылки
[2] Weaver S.D. and Gahegan M., "Constructing, visualizing, and analyzing a digital footprint." , Geographical Review vol. 97, no 3 (2007): 324-350.
[3] Kosinski M., et al., "Mining big data to extract patterns and predict real-life outcomes." , Psychological methods vol. 21, no 4 (2016): 493.
[4] Ledovaya Ya., Tikhonov R., Bogolyubova O., "Sotsialnyye seti kak novaya sreda dlya mezhdistsiplinarnykh issledovaniy povedeniya cheloveka [Social networks as a new medium for interdisciplinary research of human behavior]" , Vestnik Sankt-Peterburgskogo universiteta. vol 16. Psihologiya. Pedagogika. vol. 7, no 3 (2017).
[5] Kosinski M., Stillwell D. and Graepel T., "Private traits and attributes are predictable from digital records of human behavior" , Proceedings of the National Academy of Sciences (PNAS). vol. 110, no 15 (2013): 5802-5805.
[6] Hinds J. and Joinson A., "Human and computer personality prediction from digital footprints" , Current Directions in Psychological Science. vol. 2, no 8(2) (2018): 204-211.
[7] McCrae R. R. and Costa P. T., "A five-factor theory of personality. In L. A. Pervin & O. P. John (Eds.)" , Handbook of personality theory and research vol. 2 (1999): 139-153.
[8] Hall J. A., Pennington N. and Lueders A, "Impression management and formation on Facebook: A lens model approach" , New Media & Society. vol. 16, no 6 (2014): 958-982.
[9] Youyou W., Kosinski M. and Stillwell D., "Computer-based personality judgments are more accurate than those made by humans" , Proceedings of the National Academy of Sciences. vol. 112, no 4 (2015): 1036-1040.
[10] Azucar D., Marengo D. and Settanni M., "Predicting the Big 5 personality traits from digital footprints on social media: A meta-analysis" , Personality and individual differences. vol. 124 (2018): 150-159.
[11] Krainikovsky S., Melnikov M. Y. and Samarev R., "Estimation of psychometric data based on image preferences" , WEI. (2019): 75.
[12] Hinds J. and Joinson A.N., "What demographic attributes do our digital footprints reveal? A systematic review" , PloS one. vol. 13, no 11 (2018): e0207112.
[13] Chen Y. J. et al., "Predicting Consumers’ Decision-Making Styles by Analyzing Digital Footprints on Facebook" , International Journal of Information Technology & Decision Making (IJITDM). vol. 18, no 02 (2019): 601-627.
[14] Bechmann A. and Vahlstrup P.B., "Studying Facebook and Instagram data: The Digital Footprints software" , First Monday. vol. 20, no 12 (2015).
[15] Sciandra A., "Social media big data: state of the art of some methodological challenges" , Data Science & Social Research Book of Abstracts. (2019): 117.
