Анализ и интерпретация данных (syllabus): различия между версиями

Материал из Поле цифровой дидактики
← Предыдущая правка
 
(не показано 45 промежуточных версий 2 участников)
Строка 1: Строка 1:
Учебная группа, работающая  с курсом  Анализ и интерпретация данных в в 202 году [[:Категория:МКО_22]]
{{Curriculum
|Learning_outcomes=В результате освоения дисциплины слушатель должен:
; Знать
* особенности типов и источников данных
; Уметь:
* планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML диаграмм (plantUML, MerMaid)
* использовать сетевые сервисы для экспресс-анализа и интерпретации данных (RAWGraphs)
* очищать, обрабатывать и видоизменять данные, приводя их к опрятному виду tidy data (Snap!, R)
* совершать операции статистического анализа
; Владеть:
* навыками выстраивания процесс анализа и интерпретации данных от исходных сырых данных до публикации отчета или статьи
* навыками выращивания данных в искусственных сообществах (NetLogo, GAMA)
|Description=Разделы:
# Источники и типы данных, которые мы извлекаем или порождаем - информационные системы организаций, библиографические системы, сетевые опросы, игры, симуляции, сетевые сообщества
# Планирование операций над данными
# Блочные сервисы визуализации данных
# Блочные языки обработки и представления данных
|Environment=BehaviorSpace, NetLogo, Scratch, Snap!, Сообщество Scratch, CODAP, RStudio, RAWGraphs
}}


== Составляющие курса  ==
=== Составляющие поля совместной деятельности ===
<graphviz>
<graphviz>
digraph Digida1 {
digraph Digida1 {
Строка 18: Строка 39:
участники ;
участники ;
события ;
события ;
диаграммы
диаграммы ;
среда


  node[color="#FF0000",fontsize=14, fontcolor="white",style=filled, shape="box"] ;
  node[color="#FF0000",fontsize=14, fontcolor="white",style=filled, shape="box"] ;
Строка 24: Строка 46:
}
}
</graphviz>
</graphviz>
== Цель, результаты освоения дисциплины ==


В результате освоения дисциплины слушатель должен:  
=== UML диаграмма - последовательность учебного курса ===
; Знать
<uml>
* особенности типов и источников данных
@startuml
; Уметь:  
skinparam NoteBackgroundColor tan
* планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML - [[:Категория:Diagrams]]
start
* использовать сетевые сервисы для экспресс-анализа и интерпретации данных
:Competence ;
* очищать, обрабатывать и видоизменять данные, приводя их к опрятному виду (tidy data)
note right
* совершать операции статистического анализа
Explore or solve problems by selecting technology for data analysis
; Владеть:
Select effective technology to represent data
* навыками выстраивания процесс анализа и интерпретации данных от исходных сырых данных до публикации отчета или статьи
Sorting files, emails or database returns to clarify clusters of related information
end note
:Concept;
note left
Аналитика учебная
Мультимодальная аналитика
Цифровой след
Командная наука
API
CSV
Dashboard
Flowchart
JSON
Prompt
Team Assembly
end note
 
:Книги;
note right
A new kind of science
Agent-Based and Individual-Based Modeling: A Practical Introduction
Turtles, termites, and traffic jams
R for Data Science
Tidy Modeling with R
end note
 
:Authors;
note left
Latour
Турчин
Ершов
Barabashi
end note
 
 
:Данные;
note right
Books (dataset)
GoogleSchool 01(dataset)
Letopisi 2006 (dataset)
end note


== Содержание разделов дисциплины: ==
:Цифровые средства;
fork
  :plantUML ;
fork again
  :Mermaid;
fork again
  :RAWGraphs;
fork again
  :CODAP;
fork again
  :Semantic MediaWiki;
fork again
  :VOSviewer;
end fork


=== Источники и типы данных ===
Источники и типы данных, которые мы извлекаем или порождаем - информационные системы организаций, библиографические системы, сетевые опросы, игры, симуляции, сетевые сообщества


==== Библиографические данные ====


[https://app.vosviewer.com/?json=https://drive.google.com/uc?id=1vYgqSwG2d1X3RyNDt1AA_mDRIDo0B2ZG Пример работы]
:Модели ;
note left
Segregation (model)
Traffic jams
Urban Suite - Awareness
GenderDeSegregationSchool
Multi-mediator model
Piaget-Vygotsky (model)
School Choice ABM
School Education Competition


[[Zotero]] + ACM https://m.youtube.com/watch?v=vNvRVTWYwlw
end note


[[Библиографический датасет 1]]
:Среды моделирования ;
note right
  end note


==== Внешние данные ====
fork
  :Snap! ;
fork again
  :StarLogo Nova;
fork again
  :NetLogo;
fork again
  :R;
end fork


https://corgis-edu.github.io/corgis/
fork
:Scripting Tutorials ;
note left


==== Данные из игр ====
end note
{{#widget:YouTube|id=gOAAT4sNYX4|start=10}}
fork again
  :Project;
note right
  end note


end fork
stop


==== Выращивание данных ====
@enduml
</uml>


===== Starlogo Nova =====
== С какими данными и что мы будем делать ==
Источники и типы данных, которые мы извлекаем или порождаем - информационные системы организаций, библиографические системы, сетевые опросы, игры, симуляции, сетевые сообщества


Проект https://www.slnova.org/patarakin/projects/694467/
{{#ask: [[Аналитика учебная]] OR [[Аналитика мультимодальная]] | ?Description }}


Исходное состояние - выбираем параметры
Например, мы отправляемся в [[Lens]] и собираем там данные о  [[Аналитика мультимодальная|мультимодальной аналитике]]
* количество мячей = 5
* количество участников = 175
* рычажок видимости (как близко от участника должен быть мяч, чтобы он начал к нему бежать) = 5


[[Файл:Slnova Data.jpg]]


====== Собираем данные со страницы  ======
=== Собственные данные вики и их визуализация ===
; [[Dashboard]]


500 записей
{| class="wikitable"
[[Файл:Slnova Data1.jpg]]
! Страниц
! Статей
! Редактирований
! Участников
! Файлов
{{!}}-
{{!}} {{NUMBEROFPAGES:R}}
{{!}} {{NUMBEROFARTICLES:R}}
{{!}} {{NUMBEROFEDITS:R}}
{{!}} {{NUMBEROFUSERS:R}}
{{!}} {{NUMBEROFFILES}}
|}
----
{{#ask: [[Категория:DigitalTool]] [[Tool_is_made_for::+]]
|?Tool_is_made_for
|mainlabel=-
|format=jqplotchart
|charttype=bar
|height= 600
|filling=1
|distribution= yes
|min = 1
|width=100%
|direction=horizontal
|theme=simple
|colorscheme=rdbu
}}


Загружаем [[датасет]] в [[RAWGraphs]] - https://rawgraphs.io/
==== Библиографические данные ====


[[Файл:Slnova Data2 exp.jpg]]
[https://app.vosviewer.com/?json=https://drive.google.com/uc?id=1vYgqSwG2d1X3RyNDt1AA_mDRIDo0B2ZG Пример работы]


===== NetLogo=====
[[Zotero]] + ACM https://m.youtube.com/watch?v=vNvRVTWYwlw


{{#widget:YouTube|id=_IRTKplE7nw|start=10}}
[[Библиографический датасет 1]]


==== Многое как данные на примере Snap! ====
== Внешние данные ==


=== Планирование операций над данными ===
# https://corgis-edu.github.io/corgis/
Планирование действий над данными при помощи UML диаграмм
## https://corgis-edu.github.io/corgis/csv/graduates/
#### https://corgis-edu.github.io/corgis/datasets/csv/graduates/graduates.csv


==== Диаграммы классов  ====
{{#mermaid:classDiagram
  direction RL
    Страница <|-- Язык
    Страница : + List вики-редакторы
    Страница: +естьКатегория()
    Страница: +естьСвойство()
    class Язык{
        +String Область деятельности
        +int возраст освоения
        +List Формируемые компетенции
        +bool Открытость
        +date Год запуска
        +String Сообщество
        +List предки
        +List потомки
        +bool Сетевое использование
        +String Автор
    }
   
}}


==== Диаграмма последовательности ====


{{#mermaid:sequenceDiagram
См. [[:Категория:Dataset]]
actor Участник
      Участник->>Страница: Есть нужная статья?
      Страница->>Участник: Умеешь задавать вопрос
Участник->>Система: Хочу зарегистрироваться
Система->>Участник: Статус участника


Участник-->Свойства: Создать концепт
Свойства->>Участник: Понимает динамический поиск


Участник-->Свойства: запрос с Ask
Свойства->>Участник: владеет языком запросов
 
      Участник->>Страница: Внести правки
      Страница->>Участник: Умеешь редактировать


        Участник->>Страница: Внести код (Sctatch, Mermaid)
== Выращивание данных ==
      Страница->>Участник: Умеешь пользоваться расширениями
[[Как вырастить данные в искусственном сообществе]]


Участник-->Свойства: Создать новое свойство
==== Многое как данные на примере Snap! ====
Свойства->>Участник: Понимает свойства и типы


Участник-->Свойства: Создать новый класс
=== Планирование операций над данными ===
Свойства->>Участник: Понимает формы и шаблоны
Планирование действий над данными при помощи UML диаграмм


      Участник->>Страница: Связать со страницей
[[:Категория:Diagrams]]
      Страница->>Участник: Связи классов


      Администратор->>Участник: Статус адинистратора
}}


=== Сетевые сервисы визуализации ===
=== Сетевые сервисы визуализации ===
Строка 155: Строка 239:


=== Обработка, очистка ===  
=== Обработка, очистка ===  
Обработка, очистка и манипуляции с данными в пакетах R и Python – использование tidyverse & tidygraph
Обработка, очистка и манипуляции с данными  
* В [[Snap!]]
* в пакетах [[R]] и [[Python]] – использование tidyverse & tidygraph
 
Мы берём исходный [[датасет]] - [[Cities (dataset)]]‎‎
 
{{#get_web_data:url=http://www.uic.unn.ru/pustyn/data-sets/digida/Millions_Cities.csv
|format=csv with header
|filters=Country Code=RU
|data=Name=Name,Country=Country Code,Population=Population,Coordinates=Coordinates
}}
 
{| class="wikitable sortable"
! Название
! Страна
! Население {{#for_external_table:<nowiki/>
{{!}}-
{{!}} {{{Name}}}
{{!}}{{{Country}}}
{{!}} {{{Population}}} }}
|}
 
Внутри множество городов - миллионников из разных стран. И у всех координаты в виде
 
Пример очистки и преобразования данных:
* https://snap.berkeley.edu/snap/snap.html#present:Username=patarakin&ProjectName=BigCities
 
<snap project="BigCities" user="patarakin" />


=== Статистический анализ и интерпретация данных ===
=== Статистический анализ и интерпретация данных ===


Основные операции статистического анализа над данными
Основные операции статистического анализа - [[Анализ данных]]


=== Экспорт результатов ===
=== Экспорт результатов ===
Строка 165: Строка 276:


== Литература ==
== Литература ==
=== Основная литература  ===
 
=== Тексты на поле вычислительной дидактики ===
 


=== Дополнительная литература  ===
=== Дополнительная литература  ===
# Патаракин Е.Д., Ярмахов Б.Б. Выращивание данных для школьных виртуальных лабораторий // Вестник Российского Университета Дружбы Народов. Серия: Информатизация Образования. 2021. Vol. 18, № 4. c. 347–359.
# Патаракин Е.Д., Ярмахов Б.Б. Выращивание данных для школьных виртуальных лабораторий // Вестник Российского Университета Дружбы Народов. Серия: Информатизация Образования. 2021. Vol. 18, № 4. c. 347–359.
# Патаракин Е.Д., Вачкова С.Н. Сетевой анализ коллективных действий над цифровыми образовательными объектами // Вестник Московского Городского Педагогического Университета. Серия: Педагогика И Психология. 2019. № 4 (50). c. 101–112.
# Патаракин Е.Д., Вачкова С.Н. Сетевой анализ коллективных действий над цифровыми образовательными объектами // Вестник Московского Городского Педагогического Университета. Серия: Педагогика И Психология. 2019. № 4 (50). c. 101–112.
== Видеоматериалы ==


== Критерии оценки по дисциплине ==
== Критерии оценки по дисциплине ==
Строка 186: Строка 296:
|  Примеры источников данных
|  Примеры источников данных
| Найти, оформить, вырастить данные для дальнейшего анализа
| Найти, оформить, вырастить данные для дальнейшего анализа
| В категории статей о датасетах
| В категории статей о датасетах [[:Category:Dataset]]
|-  
|-  
| планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML
| планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML
| Планирование операций над данными
| Планирование операций над данными
| Создать схему цикла работы с данными  
| Создать схему цикла работы с данными  
| Пример [[:Category:Diagrams]]
| Пример  
* [[:Category:Diagrams]]
* [[Диаграмма_профиля_компетенций]]
* [[Диаграмма формирования компетентного профиля]]
* [[Диаграмма Ганта]]
|-  
|-  
| Умеет использовать сетевые сервисы для экспресс-анализа и интерпретации данных
| Умеет использовать сетевые сервисы для экспресс-анализа и интерпретации данных
| Сетевые сервисы визуализации
| Сетевые сервисы визуализации
| Использовать экспресс-методы
| Использовать экспресс-методы
| RowGraph, CODAP - примеры использования
| [[RAWGraphs]], [[CODAP]], [[graphviz]] - примеры использования
|-  
|-  
| Обработать и очистить данные
| Обработать и очистить данные
Строка 206: Строка 320:
| Статистический анализ и интерпретация данных
| Статистический анализ и интерпретация данных
| Операции над собственным датасетом
| Операции над собственным датасетом
| Готовые датасеты
| Готовые датасеты [[:Category:Dataset]]
|-  
|-  
| Подготовка выполняемой публикации
| Подготовка выполняемой публикации
| Экспорт результатов
| Экспорт результатов
| Операции над собственным датасетом
| Операции над собственным [[датасет]]ом
| [[Выполняемая публикация]]
| [[Выполняемая публикация]]
|}
|}


=== Словарик курса ===
{{#ask: [[CSV]] OR  [[Dashboard]] OR [[Flowchart]]  OR [[JSON]] OR [[Агент]] OR [[Акторно-сетевая теория]] OR [[Аналитика учебная]] OR [[Библиографическая запись]]  OR [[Выращивание данных]] OR [[Данные образовательные]]  OR [[Гистограмма]] | ?Description }}


----
[[Категория:РУП]]
[[Категория:РУП]]

Текущая версия от 16:18, 28 мая 2025



Планируемые результаты обучения (Знать, Уметь, Владеть) В результате освоения дисциплины слушатель должен:
Знать
  • особенности типов и источников данных
Уметь
  • планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML диаграмм (plantUML, MerMaid)
  • использовать сетевые сервисы для экспресс-анализа и интерпретации данных (RAWGraphs)
  • очищать, обрабатывать и видоизменять данные, приводя их к опрятному виду tidy data (Snap!, R)
  • совершать операции статистического анализа
Владеть
  • навыками выстраивания процесс анализа и интерпретации данных от исходных сырых данных до публикации отчета или статьи
  • навыками выращивания данных в искусственных сообществах (NetLogo, GAMA)
Содержание разделов курса Разделы:
  1. Источники и типы данных, которые мы извлекаем или порождаем - информационные системы организаций, библиографические системы, сетевые опросы, игры, симуляции, сетевые сообщества
  2. Планирование операций над данными
  3. Блочные сервисы визуализации данных
  4. Блочные языки обработки и представления данных
Видео запись
Среды и средства, которые поддерживают учебный курс BehaviorSpace, NetLogo, Scratch, Snap!, Сообщество Scratch, CODAP, RStudio, RAWGraphs
Книги, на которых основывается учебный курс


Составляющие курса

Составляющие поля совместной деятельности

UML диаграмма - последовательность учебного курса

С какими данными и что мы будем делать

Источники и типы данных, которые мы извлекаем или порождаем - информационные системы организаций, библиографические системы, сетевые опросы, игры, симуляции, сетевые сообщества

 Description
Аналитика мультимодальнаяНаправление учебной аналитики подчёркивает, что современные цифровые средства позволяют собирать данные сразу по нескольким каналам и такое многоканальное объединение данные позволяет глубже понимать динамику обучения.
  • Цифровые следы, сбираемые на инструментах и сервисах
  • Данные, полученные с помощью различных датчиков и сенсоров
  • Данные, связанные с внутренним физиологическим состоянием человека
  • Данные психометрических инструментов
Аналитика учебнаяАналитика учебная. (Learning analytics) — измерение, сбор, анализ и представление данных об учениках и их действиях с целью понимания и оптимизации учебного процесса и той среды, где это этот процесс происходит. Набор методов, позволяющих учителям и ученикам лучше понимать происходящее в учебном процессе.
  • Учебная аналитика = сбор и анализ цифровых следов (learning traces), которые остаются после взаимодействия учащихся с цифровыми инструментами и учебным контекстом

    • Например, мы отправляемся в Lens и собираем там данные о мультимодальной аналитике


    Собственные данные вики и их визуализация

    Dashboard
    Страниц Статей Редактирований Участников Файлов
    6065 1681 37197 1662 1376

    Библиографические данные

    Пример работы

    Zotero + ACM https://m.youtube.com/watch?v=vNvRVTWYwlw

    Библиографический датасет 1

    Внешние данные

    1. https://corgis-edu.github.io/corgis/
      1. https://corgis-edu.github.io/corgis/csv/graduates/
          1. https://corgis-edu.github.io/corgis/datasets/csv/graduates/graduates.csv


    См. Категория:Dataset


    Выращивание данных

    Как вырастить данные в искусственном сообществе

    Многое как данные на примере Snap!

    Планирование операций над данными

    Планирование действий над данными при помощи UML диаграмм

    Категория:Diagrams


    Сетевые сервисы визуализации

    Использование быстрых сетевых сервисов анализа и интерпретации данных – RAWGraphs, CODAP, NetBlox. Выбор способов представления данных

    Задание с RAWGraphs

    Патаракин Е. Д. Выращивание и Анализ Данных в Веб Красноярск - Сибирский федеральный университет, 2021.C. 238–242.
    https://elibrary.ru/item.asp?id=46644731
    https://www.slnova.org/patarakin/projects/694467/

    Обработка, очистка

    Обработка, очистка и манипуляции с данными

    • В Snap!
    • в пакетах R и Python – использование tidyverse & tidygraph

    Мы берём исходный датасет - Cities (dataset)‎‎


    Название Страна Население
    Voronezh RU 1047549
    Samara RU 1163399
    Kazan RU 1243500
    Rostov-na-Donu RU 1130305
    Nizhniy Novgorod RU 1259013
    Moscow RU 10381222
    Saint Petersburg RU 5351935
    Volgograd RU 1013533
    Omsk RU 1172070
    Yekaterinburg RU 1495066
    Ufa RU 1120547
    Chelyabinsk RU 1202371
    Novosibirsk RU 1612833
    Krasnoyarsk RU 1090811

    Внутри множество городов - миллионников из разных стран. И у всех координаты в виде

    Пример очистки и преобразования данных:

    Статистический анализ и интерпретация данных

    Основные операции статистического анализа - Анализ данных

    Экспорт результатов

    Подготовка результатов для публикаций, создание выполняемых публикаций и динамических визуализаций

    Литература

    Тексты на поле вычислительной дидактики

    Дополнительная литература

    1. Патаракин Е.Д., Ярмахов Б.Б. Выращивание данных для школьных виртуальных лабораторий // Вестник Российского Университета Дружбы Народов. Серия: Информатизация Образования. 2021. Vol. 18, № 4. c. 347–359.
    2. Патаракин Е.Д., Вачкова С.Н. Сетевой анализ коллективных действий над цифровыми образовательными объектами // Вестник Московского Городского Педагогического Университета. Серия: Педагогика И Психология. 2019. № 4 (50). c. 101–112.

    Критерии оценки по дисциплине

    Образовательный результат Тема Задание Пример
    Знает особенности типов и источников данных Примеры источников данных Найти, оформить, вырастить данные для дальнейшего анализа В категории статей о датасетах Category:Dataset
    планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML Планирование операций над данными Создать схему цикла работы с данными Пример
    Умеет использовать сетевые сервисы для экспресс-анализа и интерпретации данных Сетевые сервисы визуализации Использовать экспресс-методы RAWGraphs, CODAP, graphviz - примеры использования
    Обработать и очистить данные Обработка, очистка Подготовить и видоизменить данные Примеры видоизменения данных в Snap!, R, Python
    Операции статистического анализа Статистический анализ и интерпретация данных Операции над собственным датасетом Готовые датасеты Category:Dataset
    Подготовка выполняемой публикации Экспорт результатов Операции над собственным датасетом Выполняемая публикация

    Словарик курса

     Description
    CSVCSV (от англ. Comma-Separated Values — значения, разделённые запятыми) — текстовый формат, предназначенный для представления табличных данных. Строка таблицы соответствует строке текста, которая содержит одно или несколько полей, разделенных запятыми.
    DashboardДашборд — это информационная панель, которая получает данные из других систем и отображает их в понятном виде. — «приборная панель» или «приборная доска». Дашборды бывают интерактивными и данные в нем - кликабельными. Информация из различных источников автоматически собирается, группируется и представляется на дашборде.
    FlowchartБлок-схема — распространённый тип схем (графических моделей), описывающих алгоритмы или процессы, в которых отдельные шаги изображаются в виде блоков различной формы, соединённых между собой линиями, указывающими направление последовательности. В вики создаются и отображаются при помощи языков graphviz, PlanUML и mermaid Diagrams_213d6d74673645b1ce04cf0868570ef7.png
    JSONJSON (англ. JavaScript Object Notation) — текстовый формат обмена данными, основанный на JavaScript. Как и многие другие текстовые форматы, JSON легко читается людьми. Формат JSON был разработан Дугласом Крокфордом. Несмотря на то, что он очень похож на буквенный синтаксис объекта JavaScript, его можно использовать независимо от JavaScript, и многие среды программирования имеют возможность читать (анализировать) и генерировать JSON.
    АгентАгенты - это автономные объекты, которые могут самостоятельно реагировать на внешние события и выбирать соответствующие действия. Это - некто или нечто, выполняющий инструкции. В информатике - сущность, которая расположена в некоторой среде и способна в этой среде к автономным целенаправленным действиям.
    Акторно-сетевая теорияКлючевое положение теории состоит в том, что участники сетей — люди — рассматриваются наравне со всеми другими сущностями, включенными в сеть. Объектом изучения акторно-сетевой теории является сеть социальных взаимодействий, неотделимая от социальных акторов. Акторно-сетевая теория обосновывает равенство всех узлов сети тем, что без других сущностей человек не может существовать ни одного мгновения. Внутри акторно-сетевой теории люди не имеют никакого преимущества перед объектами или орудиями. Отношения между людьми, вещами, медиаторами, компьютерными программами полностью симметричны. Люди, орудия и объекты рассматриваются как равные узлы гибридной сети.
    Аналитика учебнаяАналитика учебная. (Learning analytics) — измерение, сбор, анализ и представление данных об учениках и их действиях с целью понимания и оптимизации учебного процесса и той среды, где это этот процесс происходит. Набор методов, позволяющих учителям и ученикам лучше понимать происходящее в учебном процессе.
    • Учебная аналитика = сбор и анализ цифровых следов (learning traces), которые остаются после взаимодействия учащихся с цифровыми инструментами и учебным контекстом
    Библиографическая записьБиблиографическая запись — элемент библиографической информации, фиксирующий в документальной форме сведения о документе, позволяющие его идентифицировать, раскрыть его состав и содержание в целях библиографического поиска.
    Выращивание данныхData-farming - данных в ходе изучения сложных и комплексных систем с огромным количеством агентов в искусственных сообществах многоагентного моделирования/
    ГистограммаГистогра́мма (от др.-греч. ἱστός— столб + γράμμα — черта, буква, написание) — способ представления табличных данных в графическом виде — в виде столбчатой диаграммы. В описательной статистике гистограмма распределения — наглядное представление функции плотности вероятности некоторой случайной величины, построенное по выборке. Иногда её называют частотным распределением, так как гистограмма показывает частоту появления измеренных значений параметров объекта. Данное понятие и название для него введены Карлом Пирсоном в 1895 году.
  • 113px-X-coordinates_netl.png
    • Данные образовательныеОбразовательные данные или данные, связанные со сферой образования, можно определить как информацию, которая собирается, хранится и анализируется с целью понимания и улучшения образовательных процессов, результатов и систем. Эти данные включают в себя:
    1. Данные об учащихся: успеваемость, посещаемость, демографические характеристики, результаты тестирования и экзаменов
    2. Данные о курсах и программах: учебные планы, материалы, оценки, обратная связь от учащихся
    3. Данные об учителях и преподавателях: квалификация, опыт, профессиональное развитие, эффективность
    4. Данные об образовательных учреждениях: инфраструктура, ресурсы, финансирование, показатели успеваемости
    5. Данные об образовательных политиках
    6. Данные, связанные с генерацией контента учителями и учащимися
    Источник — http://digida.mgpu.ru/index.php?title=Анализ_и_интерпретация_данных_(syllabus)&oldid=29350