Kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin

Koulutusta ja eri ikäisten lasten akateemista suorituskykyä mittaavat tutkimustulokset ovat kiinnostavaa tarkasteltavaa monien alojen työntekijöille ja tutkijoille. Nykyään monet organisaatiot, kuten OECD (Organisation for Economic Co-operation and Development) ja IEA (International Association for...

Full description

Bibliographic Details
Main Author: Wallden, Lasse Juhani
Other Authors: Informaatioteknologian tiedekunta, Faculty of Information Technology, Tietotekniikan laitos, Department of Mathematical Information Technology, University of Jyväskylä, Jyväskylän yliopisto
Format: Master's thesis
Language:fin
Published: 2016
Subjects:
Online Access: https://jyx.jyu.fi/handle/123456789/52308
_version_ 1826225771830575104
author Wallden, Lasse Juhani
author2 Informaatioteknologian tiedekunta Faculty of Information Technology Tietotekniikan laitos Department of Mathematical Information Technology University of Jyväskylä Jyväskylän yliopisto
author_facet Wallden, Lasse Juhani Informaatioteknologian tiedekunta Faculty of Information Technology Tietotekniikan laitos Department of Mathematical Information Technology University of Jyväskylä Jyväskylän yliopisto Wallden, Lasse Juhani Informaatioteknologian tiedekunta Faculty of Information Technology Tietotekniikan laitos Department of Mathematical Information Technology University of Jyväskylä Jyväskylän yliopisto
author_sort Wallden, Lasse Juhani
datasource_str_mv jyx
description Koulutusta ja eri ikäisten lasten akateemista suorituskykyä mittaavat tutkimustulokset ovat kiinnostavaa tarkasteltavaa monien alojen työntekijöille ja tutkijoille. Nykyään monet organisaatiot, kuten OECD (Organisation for Economic Co-operation and Development) ja IEA (International Association for the Evaluation of Educational Achievement), järjestävät tietyin aikavälein kansainvälisiä mittauksia, joissa mitataan tietyn ikäisten lasten akateemisia kykyjä ja kysellään heidän elämästään koulussa ja kotona. Näistä mittauksista syntyvät tietokannat ovat suuria ja ne tarjoavat monipuolista tietoa koulutuksesta ja lasten oppimiseen vaikuttavista tekijöistä. Kaiken tämän lisäksi, nämä tietokannat ovat vapaassa käytössä tutkijoille, mikä puolestaan lisää tietokantojen käytettävyyttä tutkimuksen kentällä. Mitä suuremmaksi tietokannat kasvavat, sitä suuremmalla todennäköisyydellä ne sisältävät tietoa, joka ei paljastu vain datan perinteisellä silmäilyllä tai listauksella. Tällaisten koulutuksellista tietoa sisältävien tietokantojen tutkimiseksi on viimeisten 20 vuoden aikana kehitetty monenlaisia menetelmiä ja työkaluja, joita yhdessä kutsutaan koulutukselliseksi tiedonlouhinnaksi. Koulutuksellisen tiedonlouhinnan tarkoituksena on yleensä löytää tietokannasta uutta tietoa tai tiivistää sen tulokset. Koulutuksellisen tiedonlouhinnan avulla tutkijat ovat onnistuneet löytämään koulutukseen liittyvistä tietokannoista monenlaista kiinnostavaa tietoa, jonka pohjalta ollaan pyritty mm. ennustamaan opiskelijoiden menestystä heidän aikaisempien suoritustensa pohjalta ja etsimään vahvistusta maakohtaisille stereotyypeille. Tässä tutkimuksessa sovellan K-means++ -klusterointialgoritmia vuoden 2012 PISA-aineistoon ja vuoden 2011 yhdistettyyn TIMSS ja PIRLS -aineistoon ja tarkastelen, löytyisikö niistä keskenään samanlaisia oppilasprofiileja. Pitääkseni tutkimuksen pro gradu -tutkielman rajoissa käytän tutkimuksessani vain suomalaisista oppilaista ja kouluista kerättyä dataa. Klusteroinnin tuloksena muodostuneet oppilasprofiilit olivat aineistojen välillä erilaisia, mutta jakoivat keskenään joitakin samoja piirteitä, paljastaen koko tutkimusalan näkökulmasta uutta tietämystä. Research data about education and academic abilities of students of all ages has been an interesting subject for many people in different areas of work. These days there are many organizations, like OECD (Organisation for Economic Co-operation and Development) and IEA (International Association for the Evaluation of Educational Achievement), that organize international measurements of academic skills of children of certain ages on a certain time frame. The databases of these measurements are huge and they can offer versatile knowledge about the education systems and things that can affect student’s ability to learn. On top of that, some of these databases are free to use for the public, increasing their usability in the field of research. The bigger the databases get, the more likely it is for them to contain information that’s not visible with just looking at the results or ranking them. During the past twenty years many methods and tools has been developed to analyze these kind of education oriented databases. All together these kind of methods and tools are called educational data mining. Usually the aim of educational data mining research is to either find new information from the used databases or to summarize the findings. Using educational data mining, researchers have managed to find out all kind of interesting information from the educational databases. Ranging from making predictions on students performance according their past results to figuring out if country stereotypes exists amongst PISA-data. In this study I’m going to apply K-means++ clustering algorithm to the PISA 2012 database and the unified TIMSS and PIRLS 2011 database in order to test if similar student profiles can be found from them. In order to keep the study in the frames of a master’s thesis, I’m going to focus only on the Finnish student results. The student profiles formed with the clustering were different between datasets, but they shared some features between each other and revealed some new knowledge to the field of research.
first_indexed 2023-03-22T09:57:23Z
format Pro gradu
free_online_boolean 1
fullrecord [{"key": "dc.contributor.advisor", "value": "K\u00e4rkk\u00e4inen Tommi", "language": "", "element": "contributor", "qualifier": "advisor", "schema": "dc"}, {"key": "dc.contributor.advisor", "value": "Saarela Mirka", "language": "", "element": "contributor", "qualifier": "advisor", "schema": "dc"}, {"key": "dc.contributor.author", "value": "Wallden, Lasse Juhani", "language": null, "element": "contributor", "qualifier": "author", "schema": "dc"}, {"key": "dc.date.accessioned", "value": "2016-12-13T12:06:58Z", "language": "", "element": "date", "qualifier": "accessioned", "schema": "dc"}, {"key": "dc.date.available", "value": "2016-12-13T12:06:58Z", "language": "", "element": "date", "qualifier": "available", "schema": "dc"}, {"key": "dc.date.issued", "value": "2016", "language": null, "element": "date", "qualifier": "issued", "schema": "dc"}, {"key": "dc.identifier.other", "value": "oai:jykdok.linneanet.fi:1644444", "language": null, "element": "identifier", "qualifier": "other", "schema": "dc"}, {"key": "dc.identifier.uri", "value": "https://jyx.jyu.fi/handle/123456789/52308", "language": "", "element": "identifier", "qualifier": "uri", "schema": "dc"}, {"key": "dc.description.abstract", "value": "Koulutusta ja eri ik\u00e4isten lasten akateemista suorituskyky\u00e4 mittaavat tutkimustulokset ovat kiinnostavaa tarkasteltavaa monien alojen ty\u00f6ntekij\u00f6ille ja tutkijoille. Nyky\u00e4\u00e4n monet organisaatiot, kuten OECD (Organisation for Economic Co-operation and Development) ja IEA (International Association for the Evaluation of Educational Achievement), j\u00e4rjest\u00e4v\u00e4t tietyin aikav\u00e4lein kansainv\u00e4lisi\u00e4 mittauksia, joissa mitataan tietyn ik\u00e4isten lasten akateemisia kykyj\u00e4 ja kysell\u00e4\u00e4n heid\u00e4n el\u00e4m\u00e4st\u00e4\u00e4n koulussa ja kotona. N\u00e4ist\u00e4 mittauksista syntyv\u00e4t tietokannat ovat suuria ja ne tarjoavat monipuolista tietoa koulutuksesta ja lasten oppimiseen vaikuttavista tekij\u00f6ist\u00e4. Kaiken t\u00e4m\u00e4n lis\u00e4ksi, n\u00e4m\u00e4 tietokannat ovat vapaassa k\u00e4yt\u00f6ss\u00e4 tutkijoille, mik\u00e4 puolestaan lis\u00e4\u00e4 tietokantojen k\u00e4ytett\u00e4vyytt\u00e4 tutkimuksen kent\u00e4ll\u00e4.\r\n\r\nMit\u00e4 suuremmaksi tietokannat kasvavat, sit\u00e4 suuremmalla todenn\u00e4k\u00f6isyydell\u00e4 ne sis\u00e4lt\u00e4v\u00e4t tietoa, joka ei paljastu vain datan perinteisell\u00e4 silm\u00e4ilyll\u00e4 tai listauksella. T\u00e4llaisten koulutuksellista tietoa sis\u00e4lt\u00e4vien tietokantojen tutkimiseksi on viimeisten 20 vuoden aikana kehitetty monenlaisia menetelmi\u00e4 ja ty\u00f6kaluja, joita yhdess\u00e4 kutsutaan koulutukselliseksi tiedonlouhinnaksi. Koulutuksellisen tiedonlouhinnan tarkoituksena on yleens\u00e4 l\u00f6yt\u00e4\u00e4 tietokannasta uutta tietoa tai tiivist\u00e4\u00e4 sen tulokset. Koulutuksellisen tiedonlouhinnan avulla tutkijat ovat onnistuneet l\u00f6yt\u00e4m\u00e4\u00e4n koulutukseen liittyvist\u00e4 tietokannoista monenlaista kiinnostavaa tietoa, jonka pohjalta ollaan pyritty mm. ennustamaan opiskelijoiden menestyst\u00e4 heid\u00e4n aikaisempien suoritustensa pohjalta ja etsim\u00e4\u00e4n vahvistusta maakohtaisille stereotyypeille.\r\n\r\nT\u00e4ss\u00e4 tutkimuksessa sovellan K-means++ -klusterointialgoritmia vuoden 2012 PISA-aineistoon ja vuoden 2011 yhdistettyyn TIMSS ja PIRLS -aineistoon ja tarkastelen, l\u00f6ytyisik\u00f6 niist\u00e4 kesken\u00e4\u00e4n samanlaisia oppilasprofiileja. Pit\u00e4\u00e4kseni tutkimuksen pro gradu -tutkielman rajoissa k\u00e4yt\u00e4n tutkimuksessani vain suomalaisista oppilaista ja kouluista ker\u00e4tty\u00e4 dataa. Klusteroinnin tuloksena muodostuneet oppilasprofiilit olivat aineistojen v\u00e4lill\u00e4 erilaisia, mutta jakoivat kesken\u00e4\u00e4n joitakin samoja piirteit\u00e4, paljastaen koko tutkimusalan n\u00e4k\u00f6kulmasta uutta tiet\u00e4myst\u00e4.", "language": "fi", "element": "description", "qualifier": "abstract", "schema": "dc"}, {"key": "dc.description.abstract", "value": "Research data about education and academic abilities of students of all ages has been an interesting subject for many people in different areas of work. These days there are many organizations, like OECD (Organisation for Economic Co-operation and Development) and IEA (International Association for the Evaluation of Educational Achievement), that organize international measurements of academic skills of children of certain ages on a certain time frame. The databases of these measurements are huge and they can offer versatile knowledge about the education systems and things that can affect student\u2019s ability to learn. On top of that, some of these databases are free to use for the public, increasing their usability in the field of research.\r\n\r\nThe bigger the databases get, the more likely it is for them to contain information that\u2019s not visible with just looking at the results or ranking them. During the past twenty years many methods and tools has been developed to analyze these kind of education oriented databases. All together these kind of methods and tools are called educational data mining. Usually the aim of educational data mining research is to either find new information from the used databases or to summarize the findings. Using educational data mining, researchers have managed to find out all kind of interesting information from the educational databases. Ranging from making predictions on students performance according their past results to figuring out if country stereotypes exists amongst PISA-data.\r\n\r\nIn this study I\u2019m going to apply K-means++ clustering algorithm to the PISA 2012 database and the unified TIMSS and PIRLS 2011 database in order to test if similar student profiles can be found from them. In order to keep the study in the frames of a master\u2019s thesis, I\u2019m going to focus only on the Finnish student results. The student profiles formed with the clustering were different between datasets, but they shared some features between each other and revealed some new knowledge to the field of research.", "language": "en", "element": "description", "qualifier": "abstract", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Submitted using Plone Publishing form by Lasse Wallden (lajuwall) on 2016-12-13 12:06:58.364644. Form: Pro gradu -lomake (https://kirjasto.jyu.fi/julkaisut/julkaisulomakkeet/pro-gradu-lomake). JyX data: [jyx_publishing-allowed (fi) =True]", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Submitted by jyx lomake-julkaisija (jyx-julkaisija.group@korppi.jyu.fi) on 2016-12-13T12:06:58Z\r\nNo. of bitstreams: 2\r\nURN:NBN:fi:jyu-201612135073.pdf: 1897958 bytes, checksum: 8d17c397a06362801ce429375c573a0b (MD5)\r\nlicense.html: 4841 bytes, checksum: 24950feb0ac2749e154c79ea458edc8c (MD5)", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Made available in DSpace on 2016-12-13T12:06:58Z (GMT). No. of bitstreams: 2\r\nURN:NBN:fi:jyu-201612135073.pdf: 1897958 bytes, checksum: 8d17c397a06362801ce429375c573a0b (MD5)\r\nlicense.html: 4841 bytes, checksum: 24950feb0ac2749e154c79ea458edc8c (MD5)\r\n Previous issue date: 2016", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.format.extent", "value": "1 verkkoaineisto (85 sivua)", "language": null, "element": "format", "qualifier": "extent", "schema": "dc"}, {"key": "dc.format.mimetype", "value": "application/pdf", "language": null, "element": "format", "qualifier": "mimetype", "schema": "dc"}, {"key": "dc.language.iso", "value": "fin", "language": null, "element": "language", "qualifier": "iso", "schema": "dc"}, {"key": "dc.rights", "value": "In Copyright", "language": "en", "element": "rights", "qualifier": null, "schema": "dc"}, {"key": "dc.subject.other", "value": "tiedonlouhinta", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "koulutuksellinen tiedonlouhinta", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "PISA", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "TIMSS", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "PIRLS", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "klusterointi", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "k-means", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.title", "value": "Kansainv\u00e4listen koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin", "language": null, "element": "title", "qualifier": null, "schema": "dc"}, {"key": "dc.type", "value": "master thesis", "language": null, "element": "type", "qualifier": null, "schema": "dc"}, {"key": "dc.identifier.urn", "value": "URN:NBN:fi:jyu-201612135073", "language": null, "element": "identifier", "qualifier": "urn", "schema": "dc"}, {"key": "dc.type.ontasot", "value": "Pro gradu -tutkielma", "language": "fi", "element": "type", "qualifier": "ontasot", "schema": "dc"}, {"key": "dc.type.ontasot", "value": "Master\u2019s thesis", "language": "en", "element": "type", "qualifier": "ontasot", "schema": "dc"}, {"key": "dc.contributor.faculty", "value": "Informaatioteknologian tiedekunta", "language": "fi", "element": "contributor", "qualifier": "faculty", "schema": "dc"}, {"key": "dc.contributor.faculty", "value": "Faculty of Information Technology", "language": "en", "element": "contributor", "qualifier": "faculty", "schema": "dc"}, {"key": "dc.contributor.department", "value": "Tietotekniikan laitos", "language": "fi", "element": "contributor", "qualifier": "department", "schema": "dc"}, {"key": "dc.contributor.department", "value": "Department of Mathematical Information Technology", "language": "en", "element": "contributor", "qualifier": "department", "schema": "dc"}, {"key": "dc.contributor.organization", "value": "University of Jyv\u00e4skyl\u00e4", "language": "en", "element": "contributor", "qualifier": "organization", "schema": "dc"}, {"key": "dc.contributor.organization", "value": "Jyv\u00e4skyl\u00e4n yliopisto", "language": "fi", "element": "contributor", "qualifier": "organization", "schema": "dc"}, {"key": "dc.subject.discipline", "value": "Tietotekniikka", "language": "fi", "element": "subject", "qualifier": "discipline", "schema": "dc"}, {"key": "dc.subject.discipline", "value": "Mathematical Information Technology", "language": "en", "element": "subject", "qualifier": "discipline", "schema": "dc"}, {"key": "dc.date.updated", "value": "2016-12-13T12:06:59Z", "language": "", "element": "date", "qualifier": "updated", "schema": "dc"}, {"key": "yvv.contractresearch.funding", "value": "0", "language": "", "element": "contractresearch", "qualifier": "funding", "schema": "yvv"}, {"key": "dc.type.coar", "value": "http://purl.org/coar/resource_type/c_bdcc", "language": null, "element": "type", "qualifier": "coar", "schema": "dc"}, {"key": "dc.rights.accesslevel", "value": "openAccess", "language": "fi", "element": "rights", "qualifier": "accesslevel", "schema": "dc"}, {"key": "dc.type.publication", "value": "masterThesis", "language": null, "element": "type", "qualifier": "publication", "schema": "dc"}, {"key": "dc.subject.oppiainekoodi", "value": "602", "language": null, "element": "subject", "qualifier": "oppiainekoodi", "schema": "dc"}, {"key": "dc.subject.yso", "value": "tiedonlouhinta", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "PISA-tutkimus", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "klusterianalyysi", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.format.content", "value": "fulltext", "language": null, "element": "format", "qualifier": "content", "schema": "dc"}, {"key": "dc.rights.url", "value": "https://rightsstatements.org/page/InC/1.0/", "language": null, "element": "rights", "qualifier": "url", "schema": "dc"}, {"key": "dc.type.okm", "value": "G2", "language": null, "element": "type", "qualifier": "okm", "schema": "dc"}]
id jyx.123456789_52308
language fin
last_indexed 2025-02-18T10:54:23Z
main_date 2016-01-01T00:00:00Z
main_date_str 2016
online_boolean 1
online_urls_str_mv {"url":"https:\/\/jyx.jyu.fi\/bitstreams\/fffa5af0-07e2-4f53-8bdc-e31eee61e793\/download","text":"URN:NBN:fi:jyu-201612135073.pdf","source":"jyx","mediaType":"application\/pdf"}
publishDate 2016
record_format qdc
source_str_mv jyx
spellingShingle Wallden, Lasse Juhani Kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin tiedonlouhinta koulutuksellinen tiedonlouhinta PISA TIMSS PIRLS klusterointi k-means Tietotekniikka Mathematical Information Technology 602 PISA-tutkimus klusterianalyysi
title Kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin
title_full Kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin
title_fullStr Kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin Kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin
title_full_unstemmed Kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin Kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin
title_short Kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin
title_sort kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin
title_txtP Kansainvälisten koulutusarvioiden vertailu koulutuksellisen tiedonlouhinnan keinoin
topic tiedonlouhinta koulutuksellinen tiedonlouhinta PISA TIMSS PIRLS klusterointi k-means Tietotekniikka Mathematical Information Technology 602 PISA-tutkimus klusterianalyysi
topic_facet 602 Mathematical Information Technology PIRLS PISA PISA-tutkimus TIMSS Tietotekniikka k-means klusterianalyysi klusterointi koulutuksellinen tiedonlouhinta tiedonlouhinta
url https://jyx.jyu.fi/handle/123456789/52308 http://www.urn.fi/URN:NBN:fi:jyu-201612135073
work_keys_str_mv AT walldenlassejuhani kansainvälistenkoulutusarvioidenvertailukoulutuksellisentiedonlouhinnankeinoi