Сегодня онлайн-обучение становится все более популярным. Многие курсы и образовательные программы реализуются исключительно онлайн. Однако этот формат обучения остается пока мало изученным. Между тем, знание факторов, влияющих на результаты обучения онлайн, могло бы помочь выстроить это формат учебы наиболее эффективно и повысить успехи обучающихся.
Для изучения проблемы я решил выбрать данные для обработки на эту тему. На kaggle.com я нашел датасет Online Learning & Course Consumption Dataset.
Для анализа данных в датасете я использовал виды диаграмм: линейную и столбчатую гистограмму, диаграмму рассеивания, скрипичную диаграмму и график. Каждый вид диаграммы подбирался в зависимости от характера анализируемых данных.
Для визуализации данных я использовал палитру контрастных цветов, совпадающих с палитрой стикеров-закладок, используемых при обучении.
Я выбрал данный датасет, так как он включает как образовательные (связанные с самой онлайн-программой, например, продолжительность, вовлеченность обучающихся), так и поведенческие (связанные с действиями обучающихся) характеристики и позволяет отследить их влияние на завершение программы и удовлетворенность ею, то есть на показатели, относящиеся к эффективности программы.
Данные датасета:
- уровень профессионального опыта обучающихся;
- затрачиваемое время;
- успешность прохождения курсов;
- причины отказа от обучения и факт отказа;
- уровень удовлетворённости обучением.
Этапы работы
В рамках своего исследования я хотел понять:
- Кто чаще доходит до завершения онлайн-курсов?
- Как время, которое обучающийся тратит на обучение, влияет на завершение курса?
- Каковы основные причины отказа от дальнейшего обучения?
- Какой уровень удовлетворённости обучающихся от программы?
- Наиболее распространенные поведенческие паттерны в отношении в онлайн-образования.
Каково распределение опыта обучающихся?
Но прежде всего я хотел посмотреть на характер самих данных в датасете. Первый мой график относится к изучающему формату визуализации. Он был необходим для того, чтобы понять, насколько репрезентативной является мой датасет с точки зрения представленности разных категорий обучающихся. В основу деления на группы в датасете положен уровень профессионального опыта обучающегося. С моей точки зрения, это важный параметр, так как именно в процессе освоения профессии люди обращаются к онлайн-обучению. Все респонденты в датасете были разделены на три категории: новички, студенты, работающие специалисты.
Отдельно я настроил визуальный стиль диаграмм
Вывод: датасет содержит представителей всех ключевых категорий, что делает анализ репрезентативным для учащихся с разным уровнем профессионального опыта.
Влияние уровня профессионального опыта на завершаемость программ
Вывод: наличие профессионального опыта напрямую влияет на вероятность успешного завершения онлайн-обучения. Пользователи с более высоким уровнем опыта чаще завершают курсы, а новички чаще бросают учиться.
Влияние времени обучения на завершаемость курсов
Вывод: анализ данных показал, что учащиеся, тратящие больше времени в неделю, демонстрируют более высокий процент завершения, а низкая вовлечённость по времени часто связана с незавершенностью программы.
Это подтверждает гипотезу о том, что, чем больше мы вовлечены в обучение, тем меньше вероятность, что мы его бросим. Регулярность и временные инвестиции — ключевой фактор успеха.
Количество часов в неделю и статус завершения
Вывод: Анализ показал, что большая часть завершивших программу достигает высокого процента выполнения. У незавершивших пользователей процент выполнения существенно ниже. На мой взгляд,, можно сделать вывод о том, что даже при отказе от курса пользователи часто проходят значительную часть материала.
Сколько программы освоили до завершения
