Automatic Analysis of Learner Behavior on the Moodle Platform / Amar Mouaissi

Public ISBD Titre : Automatic Analysis of Learner Behavior on the Moodle Platform Type de document : texte imprimé Auteurs : Amar Mouaissi, Auteur ; Aimen Abdel Malek Hamadou ; Harbouche,Khadidja, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (52 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : E-learning Learner modeling Educational Data Mining , Moodle platform Cosine silmilarity K-means clustering Index. décimale : 004 - Informatique Résumé : The thesis focuses on using educational data mining techniques to analyze student behavior on the Moodle platform. A system was designed and implemented to collect and analyze student data from Moodle using the K-means algorithm for clustering. This enables detailed insights into student interaction with educational content. Python was the primary programming language used for tool development, with data cleaning and extraction of important behavioral parameters for each student. The study also demonstrates the use of the Elbow method to determine the optimal number of clusters in K-means clustering. The thesis emphasizes data analysis and pattern extraction through data mining techniques, aiming to enhance understanding of student educational behavior on the platform. Note de contenu : Sommaire 0.1 Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 0.2 Dedication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 0.3 General introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1 E-Learning 11 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.2 History of E-learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.2.1 Early Beginnings (1728-1858) . . . . . . . . . . . . . . . . . . . . . 11 1.2.2 Emergence of Technological Innovations (1892-1986) . . . . . . . . . 12 1.2.3 Learning Management Systems or LMS (1990) . . . . . . . . . . . . 12 1.2.4 Explosion of Online Learning (2012 and Beyond) . . . . . . . . . . 12 1.3 E-Learning Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.2 The Basics of E-learning . . . . . . . . . . . . . . . . . . . . . . . . 13 1.3.3 The Typology of E-learning . . . . . . . . . . . . . . . . . . . . . . 13 1.3.4 Approaches to E-learning . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4 E-learning in Algeria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.2 E-learning During the COVID-19 Pandemic . . . . . . . . . . . . . 15 1.5 Online Training Platforms . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.2 Platforms : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.3 Learning Management System (LMS) . . . . . . . . . . . . . . . . . 16 1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2 Educational data mining 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.1 Definition 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.2 Definition 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.3 Extraction of knowledge from Data . . . . . . . . . . . . . . . . . . 20 2.3 Educational data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.1 What is educational data mining? . . . . . . . . . . . . . . . . . . . 21 2.3.2 Learning analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.3.3 Educational Data Mining Environments . . . . . . . . . . . . . . . 22 2.4 The EDM process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.1 Educational Environnent . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.3 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.4 Interpretation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3 Desgin 26 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2 Working framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2.1 System architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.3 approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.3.1 Simulation in Moodle . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.3.2 Collecting learner records . . . . . . . . . . . . . . . . . . . . . . . 30 3.3.3 Create summary table . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.3.4 The application of Data Mining techniques to Moodle data . . . . . 31 3.3.5 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3.6 Flowchart of the k-means algorithm . . . . . . . . . . . . . . . . . . 32 3.4 Modeling of our tool . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.1 Use case diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.2 Sequence diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.5 Learner-to-learner similarity measure . . . . . . . . . . . . . . . . . . . . . 35 3.6 The cosine method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.7 K-means method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4 Realization 39 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2 The tools used for develop our application . . . . . . . . . . . . . . . . . . 39 4.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2.2 Moodle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.3 Presentation our application . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.3.1 First step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.3.2 Second step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.3.3 THIRD step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.3.4 Fourthly step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.3.5 Fifth Step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5 General Conclusion 45 6 ANNEXE : Sample of python code 46 6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 6.2 Libraries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 6.3 Dataset and Matrix Initialization . . . . . . . . . . . . . . . . . . . . . . . 46 6.4 Cosine Similarity Calculation . . . . . . . . . . . . . . . . . . . . . . . . . 47 6.5 Libraries for K-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . 47 6.6 Display Similarity Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 6.7 Elbow Method for Optimal Clusters . . . . . . . . . . . . . . . . . . . . . . 48 6.8 K-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 6.9 PCA and Cluster Visualization . . . . . . . . . . . . . . . . . . . . . . . . 49 Côte titre : MAI/0914 Automatic Analysis of Learner Behavior on the Moodle Platform [texte imprimé] / Amar Mouaissi, Auteur ; Aimen Abdel Malek Hamadou ; Harbouche,Khadidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (52 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : E-learning Learner modeling Educational Data Mining , Moodle platform Cosine silmilarity K-means clustering Index. décimale : 004 - Informatique Résumé : The thesis focuses on using educational data mining techniques to analyze student behavior on the Moodle platform. A system was designed and implemented to collect and analyze student data from Moodle using the K-means algorithm for clustering. This enables detailed insights into student interaction with educational content. Python was the primary programming language used for tool development, with data cleaning and extraction of important behavioral parameters for each student. The study also demonstrates the use of the Elbow method to determine the optimal number of clusters in K-means clustering. The thesis emphasizes data analysis and pattern extraction through data mining techniques, aiming to enhance understanding of student educational behavior on the platform. Note de contenu : Sommaire 0.1 Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 0.2 Dedication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 0.3 General introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1 E-Learning 11 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.2 History of E-learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.2.1 Early Beginnings (1728-1858) . . . . . . . . . . . . . . . . . . . . . 11 1.2.2 Emergence of Technological Innovations (1892-1986) . . . . . . . . . 12 1.2.3 Learning Management Systems or LMS (1990) . . . . . . . . . . . . 12 1.2.4 Explosion of Online Learning (2012 and Beyond) . . . . . . . . . . 12 1.3 E-Learning Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.2 The Basics of E-learning . . . . . . . . . . . . . . . . . . . . . . . . 13 1.3.3 The Typology of E-learning . . . . . . . . . . . . . . . . . . . . . . 13 1.3.4 Approaches to E-learning . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4 E-learning in Algeria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.2 E-learning During the COVID-19 Pandemic . . . . . . . . . . . . . 15 1.5 Online Training Platforms . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.2 Platforms : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.3 Learning Management System (LMS) . . . . . . . . . . . . . . . . . 16 1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2 Educational data mining 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.1 Definition 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.2 Definition 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.3 Extraction of knowledge from Data . . . . . . . . . . . . . . . . . . 20 2.3 Educational data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.1 What is educational data mining? . . . . . . . . . . . . . . . . . . . 21 2.3.2 Learning analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.3.3 Educational Data Mining Environments . . . . . . . . . . . . . . . 22 2.4 The EDM process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.1 Educational Environnent . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.3 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.4 Interpretation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3 Desgin 26 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2 Working framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2.1 System architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.3 approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.3.1 Simulation in Moodle . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.3.2 Collecting learner records . . . . . . . . . . . . . . . . . . . . . . . 30 3.3.3 Create summary table . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.3.4 The application of Data Mining techniques to Moodle data . . . . . 31 3.3.5 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3.6 Flowchart of the k-means algorithm . . . . . . . . . . . . . . . . . . 32 3.4 Modeling of our tool . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.1 Use case diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.2 Sequence diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.5 Learner-to-learner similarity measure . . . . . . . . . . . . . . . . . . . . . 35 3.6 The cosine method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.7 K-means method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4 Realization 39 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2 The tools used for develop our application . . . . . . . . . . . . . . . . . . 39 4.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2.2 Moodle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.3 Presentation our application . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.3.1 First step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.3.2 Second step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.3.3 THIRD step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.3.4 Fourthly step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.3.5 Fifth Step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5 General Conclusion 45 6 ANNEXE : Sample of python code 46 6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 6.2 Libraries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 6.3 Dataset and Matrix Initialization . . . . . . . . . . . . . . . . . . . . . . . 46 6.4 Cosine Similarity Calculation . . . . . . . . . . . . . . . . . . . . . . . . . 47 6.5 Libraries for K-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . 47 6.6 Display Similarity Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 6.7 Elbow Method for Optimal Clusters . . . . . . . . . . . . . . . . . . . . . . 48 6.8 K-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 6.9 PCA and Cluster Visualization . . . . . . . . . . . . . . . . . . . . . . . . 49 Côte titre : MAI/0914

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0914	MAI/0914	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)