| Kods | RTC403 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | E-izglītības datu pētījumi un analītika | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Augstākā līmeņa, Akadēmiskais | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Atis Kapenieks, Žanis Timšāns, Bruno Žuga, Kristaps Kapenieks, Viktors Zagorskis, Ieva Vītoliņa | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 5.0 (7.5 ECTS) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Paātrinoties e-izglītības vadības sistēmu, lietojumprogrammu un iesaistīto mobilo ierīču nemitīgai atjaunināšanai un straujai iekārtu paaudžu nomaiņai šo procesu analīze, novērtēšana un nākotnes prognozēšana kļūst par izaicinājumu procesu optimizācijā, kas saistās ar (1) e-studiju biznesu, (2) e-izglītības pētniecību un (3) e-studiju satura radīšanu, pārvaldību un piemērošanu jauniem apstākļiem. Studiju kurss “E-izglītības datu pētījumi un analītika” ir ieskats atbildē uz šo izaicinājumu.. Kursa gaitā paredzēts: (1) iepazīt datu analītikas teorētiskos pamatjēdzienus, (2) veidot priekšstatu par datu izaicinājumiem e-studiju ietvarā, (3) praktiski piedalīties e-studiju datu izgūšanā un sagatavošanā, (4) gūt priekšstatu par praktisku datu analīzi, (5) iepazīties ar mūsdienās lietojamiem programmēšanas ietvariem un vadošajām industrijas valodām (piemēram, JAVA, SCALA, KOTLIN, R un PYTHON). Papildus paredzēts (6) apskatīt datu izgūšanu no mobilajām ierīcēm un novērtēšanu, kā arī (7) apskatīt datu izguvi e-studiju mākoņos izplatītajās vidēs. Kursa saturu noslēdzošā tēma ir (8) ieskats mākslīgā intelekta un mašīnmācīšanās uzdevumos un risinājumos e-studijās.. Kursa laikā studenti tiks aicināti iepazīties ar datu analītikas zinātnes sasniegumiem. Studenti piedalīsies klātienes pārrunās, patstāvīgā izstrādē un tiks iedrošināti praksē risināt e-studiju datu izguves, analīzes un vizualizācijas problēmas.. Darba rezultāts par katru apskatīto tēmu tiks vērtēts pēc studenta spējām iesaistīties vienā no četriem aktivitāšu līmeņiem: (1) ar e-tehnoloģijām realizēts atstāsts par apskatāmo tēmu, (2) tēmas padziļināts pētījums ar tematiku izejošu ārpus kursa kontaktstundās apskatītā materiāla, (3) praktiskā datu apstrādē ievirzīts darbs ar ietvertiem programmēšanas elementiem par kursa ietvarā apskatīto tēmu un (4) praktiskā datu apstrādē ievirzīts darbs ar ietvertiem programmēšanas elementiem, rīkiem un valodām par ārpus kursa ietvara attīstīto tēmu.. Darbs tiek vērtēts pēc līmeņa un lietojamības kvalitātes, pēc integrācijas pakāpes dažādās IT infrastruktūrās, disciplīnās, moduļos un mācību vidēs.. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Kursa laikā paredzēts sasniegt šādus formalizētus studiju rezultātus: 1) priekšstats par teorētiskajiem datu analītikas zinātnes pamatjēdzieniem; 2) priekšstats par datu izgūšanas un sagatavošanas izaicinājumiem e-studiju jomā; 3) prasmes organizēt e-studiju datu izgūšanu, sagatavošanu un uzglabāšanu; 4) spējas praktiski organizēt e-studiju datu analīzi instrukcionālā līmenī; 5) elementāras prasmes, rīkojoties ar mūsdienās lietojamiem brīvpieejas un komerciāliem programmēšanas ietvariem, valodām un rīkiem; 6) priekšstats par e-studiju datu izgūšanu un novērtēšanu no mobilajām ierīcēm, mākoņpakalpojumiem e-studiju vidēm, mākslīgo intelektu un mašīnmācīšanos. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Priekšstats par teorētiskajiem datu analītikas zinātnes pamatjēdzieniem. - Kursa gaitā izpildīto testu un uzdevumu vērtēšana 10 ballu skalā Priekšstats par datu izgūšanas un sagatavošanas izaicinājumiem e-studiju ietvarā. - Kursa gaitā izpildīto testu un uzdevumu vērtēšana 10 ballu skalā Prasmes organizēt e-studiju datu izgūšanu un sagatavošanu. - Kursa gaitā izpildīto testu un uzdevumu vērtēšana 10 ballu skalā Spējas praktiski organizēt e-studiju datu analīzi organizatoriskā līmenī. - Kursa gaitā izpildīto testu un uzdevumu vērtēšana 10 ballu skalā Pamatprasmes, rīkojoties ar mūsdienās lietojamiem brīvpieejas un komerciāliem programmēšanas ietvariem, valodām un rīkiem. - Kursa gaitā izpildīto testu un uzdevumu vērtēšana 10 ballu skalā Pamatprasmes e-studiju datu izgūšanā no mobilajām ierīcēm un ar mākoņpakalpojumiem nodrošinātām e-studiju vidēm un novērtēšanā. - Kursa gaitā izpildīto testu un uzdevumu vērtēšana 10 ballu skalā Priekšstats par mākslīgā intelekta un mašīnmācīšanās problēmām, uzdevumiem un lietojumiem saistībā ar e-studijām. - Kursa gaitā izpildīto testu un uzdevumu vērtēšana 10 ballu skalā Spēj argumentēti izskaidrot un diskutēt par e-studiju tehnoloģiju aspektiem saistībā ar kursa tematiku gan ar speciālistiem, gan citām iesaistītajām pusēm. - Individuālais darbs, Iesk/Neiesk Spēj patstāvīgi virzīt savu un padoto kompetenču pilnveidi, uzņemties atbildību par savu un padoto darbu, kā arī plānot un ieviest inovācijas e-studiju tehnoloģijās saistībā ar kursa tematiku. - Individuālais darbs, Iesk/Neiesk |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Darbs studiju laikā - 50%
Eksāmens - 50% |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Datorprasmes, iemaņas darbā ar mākoņa pakalpojumiem un internetu. Programmēšanas pamatprasmes. Kiberdrošības aspektu izpratne un datu apstrādes pamatprasmes. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||