Analytics-Einstellungen: Unterschied zwischen den Versionen

Aus MoodleDocs
Wechseln zu:Navigation, Suche
Hauptseite ► Moodle-Kurs verwalten ► Lernfortschritt ► Learning Analytics ► Analytics-Einstellungen
Learning Analytics
KKeine Bearbeitungszusammenfassung
 
(7 dazwischenliegende Versionen von 2 Benutzern werden nicht angezeigt)
Zeile 1: Zeile 1:
{{Analytics}}{{ÜberarbeitenNeu}}
{{Analytics}}
Das Moodle Learning Analytics System erfordert vorab einige Einstellungen, bevor es genutzt werden kann. Die Moodle-Administration kann die Analytics-Einstellungen auf der Seite ''Website-Administration'' (oder im Block ''[[Einstellungen-Block|Einstellungen]] > Website-Administration'')'' >  Analytics > Analytics-Einstellungen'' vornehmen.
Das Moodle Learning Analytics System erfordert vorab einige Einstellungen, bevor es genutzt werden kann. Die Moodle-Administration kann die Analytics-Einstellungen auf der Seite ''Website-Administration'' (oder im Block ''[[Einstellungen-Block|Einstellungen]] > Website-Administration'')'' >  Analytics > Analytics-Einstellungen'' vornehmen.


Zeile 6: Zeile 6:


== Analytics-Einstellungen vornehmen ==
== Analytics-Einstellungen vornehmen ==
{{Neu}}Die Moodle-Administration kann die Learning-Analytics-Funktionalität auf der Seite ''Website-Administration > Zusatzoptionen'' deaktivieren.
Die Moodle-Administration kann die Learning-Analytics-Funktionalität auf der Seite ''Website-Administration > Zusatzoptionen'' deaktivieren.


Die Einstellungen für das Learning-Analytics-System von Moodle werden auf der Seite ''Website-Administration > Analytics > Analytics-Einstellungen'' vorgenommen.
Die Einstellungen für das Learning-Analytics-System von Moodle werden auf der Seite ''Website-Administration > Analytics > Analytics-Einstellungen'' vorgenommen.
Zeile 25: Zeile 25:
Das neueste Moodle-Paket ist kompatibel mit '''Python 3.4, 3.5, 3.6 und 3.7'''. Beachten Sie, dass das Paket sowohl für den Kommandozeilennutzer (CLI) als auch für den Webserver-Nutzer (z.B. www-data) verfügbar sein sollte.
Das neueste Moodle-Paket ist kompatibel mit '''Python 3.4, 3.5, 3.6 und 3.7'''. Beachten Sie, dass das Paket sowohl für den Kommandozeilennutzer (CLI) als auch für den Webserver-Nutzer (z.B. www-data) verfügbar sein sollte.


# Wenn nötig, installieren Sie Python 3 (und pip für Python 3)
*Wenn nötig, installieren Sie Python 3 (und pip für Python 3)
# Stellen Sie sicher, dass Python 3 verwendet wird, um das '''moodlemlbackend''' Paket zu installieren:
*Stellen Sie sicher, dass Python 3 verwendet wird, um das '''moodlemlbackend''' Paket zu installieren:


     sudo -H python3 -m pip install "moodlemlbackend==2.3.*"
     sudo -H python3 -m pip install "moodlemlbackend==2.3.*"


# Sie müssen auch den Pfad zum Python 3 Executable auf der Seite ''Website-Administration > Server > Systempfade'' eintragen:
*Sie müssen auch den Pfad zum Python 3 Executable auf der Seite ''Website-Administration > Server > Systempfade'' eintragen:
[[File:path_to_python_3.png|frame|center|Enter system path for Python 3]]


===== Installed in a separate server - ÜBERSETZEN!!! =====
[[File:path_to_python_3.png|frame|center|Systempfad für Python 3]]


To install the python package in a separate server instead of installing it on the web server/s have some advantages:
===== Installation auf einem separaten Server=====
* Keeps the python ML backend as an external service
Die Installation des Python-Pakets auf einem separaten Server hat einige Vorteile gegenüber der Installation auf dem Webserver:
* To keep a separated control of the resources the web server/s dedicate to serving Moodle and the resources dedicated to the python ML backend
* erhält das Python Machine Learning (ML) Backend als einen externen Service
* You can reuse the same ML server for multiple Moodle sites. Easier to setup and maintain than to install/upgrade the python package in all nodes in the cluster
* gewährleistet eine separate Kontrolle der Ressourcen, die der Webserver für den Betrieb von Moodle reserviert und der Ressourcen, die für das das Python ML Backend reserviert sind
* You can install the package as a new docker container in your dockerized environment
* Sie können denselben ML Server für mehrere Moodle-Sites verwenden. Das ist leichter aufzusetzen und zu warten, als das Backend auf allen Moodle-Servern im Cluster zu installieren.
* You can serve the ML backend from AWS through the API gateway and AWS lambda, storing the trained model files in S3
* Sie können das Paket als neuen Docker-Container in Ihrer Docker-Umgebung installieren.
* Sie können das ML Backend vom AWS über das API Gateway und AWS lambda bedienen und die Dateien der trainierten Modelle in S3 speichern.


On the other hand, it is expected that there can be some added latency in connecting to the python ML backend server.
Auf der anderen Seite kann es zu Verzögerungen beim Verbinden mit dem Python ML Backend Server kommen.


The python backend is exposed as a Flask application. The Flask application is part of the official 'moodlemlbackend' Python package and its FLASK_APP script is 'webapp', in the root of the package. You are free to use the setup that better suits your existing infrastructure.
Das Python Backend wird als eine Flask Applikation ausgeliefert. Die Flask Applikation ist Teil des offiziellen '''moodlemlbackend''' Python-Pakets und ihr FLASK_APP Skript is ''webapp'' im Wurzelverzeichnis des Pakets. Sie können eine andere Konfiguration verwenden, wenn diese besser zu Ihrer Infrastruktur passt.


====== New server in your infrastructure - ÜBERSETZEN!!! ======
====== Neuer Server in Ihrer Infrastruktur ======
Das Python ML Backend wird als eine Flask Applikation ausgeliefert, die einen WSGI Server (https://wsgi.readthedocs.io/en/latest/what.html) verwendet, der über das WWW bereitgestellt wird. Die offizielle Dokumentation, wie Sie eine Flask Applikation aufsetzen, finden Sie unter https://flask.palletsprojects.com/en/1.0.x/tutorial/deploy/.


The python ML backend is exposed as a Flask application, which uses a WSGI server (https://wsgi.readthedocs.io/en/latest/what.html) to be exposed to the www. The official documentation on how to deploy a Flask app can be found in https://flask.palletsprojects.com/en/1.0.x/tutorial/deploy/.
* Verwenden Sie die Variable MOODLE_MLBACKEND_PYTHON_USERS, um eine kommaseparierte Nutzerliste mit Passwörtern zu erzeugen. Das Format ist '''default:sshhhh''' (Nutzer: '''default''', Passwort: '''sshhhh''').
* Setzen Sie die Variable MOODLE_MLBACKEND_PYTHON_DIR auf den Pfad, den Sie verwenden wollen, um Daten zu speichern, die das Paket generiert.


* Use MOODLE_MLBACKEND_PYTHON_USERS environment var to set a list of users and password (comma-separated). The value is 'default:sshhhh' (user: default, password: sshhhh).
====== Docker ======
* Set MOODLE_MLBACKEND_PYTHON_DIR to the path you want to use to store the data generated by the package
https://hub.docker.com/r/moodlehq/moodle-mlbackend-python ist das offizielle moodle-mlbackend-python Docker Image. Wir verwenden es im Moodle HQ für interne Tests und Sie können es ebenfalls nutzen. Wenn Sie mehr Kontrolle über das Image haben wollen, kann das https://github.com/moodlehq/moodle-docker-mlbackend-python/blob/master/Dockerfile als Beispiel dienen, um das Python moodlemlbackend Paket zum Laufen zu bringen.


====== Docker - ÜBERSETZEN!!! ======
* Verwenden Sie die Variable MOODLE_MLBACKEND_PYTHON_USERS, um eine kommaseparierte Nutzerliste mit Passwörtern zu erzeugen. Das Format ist '''default:sshhhh''' (Nutzer: '''default''', Passwort: '''sshhhh''').


https://hub.docker.com/r/moodlehq/moodle-mlbackend-python is the official moodle-mlbackend-python docker image. We use it internally at Moodle HQ for internal testing and you can use it as well. You may want more control over the image, if that is the case https://github.com/moodlehq/moodle-docker-mlbackend-python/blob/master/Dockerfile can serve as an example of what is needed to get the python moodlemlbackend package working.
====== AWS Serverless Service======
Sie können die Flask Applikation als Serverless Applikation betreiben, indem Sie das AWS API Gateway und AWS lambda verwenden. Der einfachste Weg ist die Verwendung von Zappa https://github.com/Miserlou/Zappa, um die Flask Applikation aufzusetzen, die im Python ML Paket enthalten ist.


* Use MOODLE_MLBACKEND_PYTHON_USERS environment var to set a list of users and password (comma-separated). The value is 'default:sshhhh' (user: default, password: sshhhh).
* Verwenden Sie die Variable MOODLE_MLBACKEND_PYTHON_USERS, um eine kommaseparierte Nutzerliste mit Passwörtern zu erzeugen. Das Format ist '''default:sshhhh''' (Nutzer: '''default''', Passwort: '''sshhhh''').
* Setzen Sie die Variable MOODLE_MLBACKEND_PYTHON_DIR auf den Pfad, den Sie verwenden wollen, um Daten zu speichern, die das Paket generiert.
* Setzen Sie folgende Umgebungsvariablen, um den S3-Zugriff zu ermöglichen:
** MOODLE_MLBACKEND_PYTHON_S3_BUCKET_NAME
**AWS_ACCESS_KEY_ID
** AWS_SECRET_ACCESS_KEY


====== AWS serverless service  - ÜBERSETZEN!!!======
Wenn alles eingerichtet ist, können Sie den Python-Vorhersage-Prozessor als Standard oder für ein einzelnes Modell auswählen:


You can serve the Flask application as a serverless application using the AWS API gateway and AWS lambda. The easiest way to do it is using Zappa https://github.com/Miserlou/Zappa to deploy the Flask application contained in the python ML package.
[[File:python_backend.png|frame|center|Standard-Vorhersage-Prozessor]]


* Use MOODLE_MLBACKEND_PYTHON_USERS environment var to set a list of users and password (comma-separated). The value is 'default:sshhhh' (user: default, password: sshhhh).
[[File:python_backend_at_model.png|frame|center|Auswahl des Vorhersage-Prozessors für ein einzelnes Modell]]
* Set MOODLE_MLBACKEND_PYTHON_DIR to the path you want to use to store the data generated by the package
* Set these environment variables below to setup the S3 access:
** MOODLE_MLBACKEND_PYTHON_S3_BUCKET_NAME to the bucket name
**AWS_ACCESS_KEY_ID as usual
** AWS_SECRET_ACCESS_KEY as usual
 
Once this has been done, you can select the Python prediction processor as the default or for an individual model:
[[File:python_backend.png|frame|center|Predictions processor default]]
 
[[File:python_backend_at_model.png|frame|center|Predictions processor selection for an individual model]]


=== Log-Speicher ===
=== Log-Speicher ===
Zeile 97: Zeile 95:
Das Moodle Learning Analytics System verwendet einige Fähigkeiten. Die entsprechenden Rechte können für einzelne Rollen auf Systemebene oder in bestimmten Kontexten vergeben oder entzogen werden, um festzulegen, wer Einschätzungen sehen darf.
Das Moodle Learning Analytics System verwendet einige Fähigkeiten. Die entsprechenden Rechte können für einzelne Rollen auf Systemebene oder in bestimmten Kontexten vergeben oder entzogen werden, um festzulegen, wer Einschätzungen sehen darf.


Um Benachrichtigungen über Einschätzungen zu erhalten und diese Einschätzungen anzusehen, benötigen Nutzer/innen das Recht [[Capabilities/moodle/analytics:listinsights|analytics:listinsights]] in dem Kontext, den das Modell analysiert. Zum Beispiel wird das Modell [[Teilnehmer/innen sind gefährdet auszusteigen]] auf einen Kurskontext angewendet. Einschätzungen werden für jede Einschreibung in den Kursen generiert, die die Kriterien des Modells erfüllen (Kurse mit Kursbeginn-Datum in der Vergangenheit und Kursende-Datum in der Zukunft, mit mindestens einem/r Trainer/in und mindestens einem/r Teilnehmer/in), und diese Einschätzungen werden an alle verschickt, die das Recht [[Capabilities/moodle/analytics:listinsights|analytics:listinsights]] in dem jeweiligen Kurs haben. Standardmäßig haben die Rollen [[Trainer-Rolle|Trainer/in]] mit und ohne Bearbeitungsrecht und [[Manager-Rolle|Manager/in]] dieses Recht.
Um Benachrichtigungen über Einschätzungen zu erhalten und diese Einschätzungen anzusehen, benötigen Nutzer/innen das Recht [[Capabilities/moodle/analytics:listinsights|analytics:listinsights]] in dem Kontext, den das Modell analysiert. Zum Beispiel wird das Modell [[Teilnehmer/innen, die Gefahr laufen, aus dem Kurs auszusteigen]] auf einen Kurskontext angewendet. Einschätzungen werden für jede Einschreibung in den Kursen generiert, die die Kriterien des Modells erfüllen (Kurse mit Kursbeginn-Datum in der Vergangenheit und Kursende-Datum in der Zukunft, mit mindestens einem/r Trainer/in und mindestens einem/r Teilnehmer/in), und diese Einschätzungen werden an alle verschickt, die das Recht [[Capabilities/moodle/analytics:listinsights|analytics:listinsights]] in dem jeweiligen Kurs haben. Standardmäßig haben die Rollen [[Trainer-Rolle|Trainer/in]] mit und ohne Bearbeitungsrecht und [[Manager-Rolle|Manager/in]] dieses Recht.


Einige Modelle (z.B. ''Keine Lehrtätigkeit'') generieren Einschätzungen auf Systemebene. Um Einschätzungen von diesen Modellen zu erhlaten, müssen Nutzer/innen eine globale Rolle mit dem Recht [[Capabilities/moodle/analytics:listinsights|analytics:listinsights]] haben. Standardmäßig ist das für die [[Manager-Rolle]] der Fall, wenn sie auf Systemebene zugewiesen wird.
Einige Modelle (z.B. ''Kurse, bei denen die Gefahr besteht, dass sie nicht beginnen'') generieren Einschätzungen auf Systemebene. Um Einschätzungen von diesen Modellen zu erhalten, müssen Nutzer/innen eine globale Rolle mit dem Recht [[Capabilities/moodle/analytics:listinsights|analytics:listinsights]] haben. Standardmäßig ist das für die [[Manager-Rolle]] der Fall, wenn sie auf Systemebene zugewiesen wird.


'''Hinweis''': Administrator/innen bekommen '''nicht''' automatisch Benachrichtigungen mit Einschätzungen, sie können jedoch Details zu jeder Benachrichtigung im System einsehen. Damit auch Administrator/innen über Einschätzungen benachrichtigt werden, weisen Sie allen Administrator/innen eine zusätzliche Rolle mit dem Recht [[Capabilities/moodle/analytics:listinsights|analytics:listinsights]] auf Systemebene zu (z.B. die [[Manager-Rolle]]).
'''Hinweis''': Administrator/innen bekommen '''nicht''' automatisch Benachrichtigungen mit Einschätzungen, sie können jedoch Details zu jeder Benachrichtigung im System einsehen. Damit auch Administrator/innen über Einschätzungen benachrichtigt werden, weisen Sie allen Administrator/innen eine zusätzliche Rolle mit dem Recht [[Capabilities/moodle/analytics:listinsights|analytics:listinsights]] auf Systemebene zu (z.B. die [[Manager-Rolle]]).

Aktuelle Version vom 16. August 2020, 13:16 Uhr

Das Moodle Learning Analytics System erfordert vorab einige Einstellungen, bevor es genutzt werden kann. Die Moodle-Administration kann die Analytics-Einstellungen auf der Seite Website-Administration (oder im Block Einstellungen > Website-Administration) > Analytics > Analytics-Einstellungen vornehmen.

Website-Informationen

Die Website-Informationen werden verwendet, damit die Learning Analytics Modelle die Besonderheiten einer Institution mit einbeziehen. Diese Informationen wird als Teil der Moodle-Site-Datensammlung übermittelt, wenn Sie Ihre Moodle-Site registrieren. Das ermöglicht es dem Moodle HQ zu verstehen, welche Bereiche in Learning Analytics am häufigsten verwendet werden, und die Ressourcen für die Weiterentwicklung entsprechend zu priorisieren.

Analytics-Einstellungen vornehmen

Die Moodle-Administration kann die Learning-Analytics-Funktionalität auf der Seite Website-Administration > Zusatzoptionen deaktivieren.

Die Einstellungen für das Learning-Analytics-System von Moodle werden auf der Seite Website-Administration > Analytics > Analytics-Einstellungen vorgenommen.

Prozessor für Vorhersagen

Auswahl des Vorhersage-Prozessors

Vorhersage-Prozessoren sind Backends für maschinelles Lernen, die Daten verarbeiten, die von den Zielen und Indikatoren generiert werden und aus diesen verarbeiteten Daten Vorhersagen generieren. Die Moodle-Standardinstallation stellt zwei Vorhersage-Prozessoren zur Verfügung:

PHP-Vorhersage-Prozessor

Der PHP-Vorhersage-Prozessor ist der Standardprozessor. Es gibt keine Systemvoraussetzungen, um diesen Prozessor zu verwenden.

Python-Vorhersage-Prozessor

Der Python-Vorhersage-Prozessor ist mächtiger. Er generiert Grafiken, die die Performanz des Modells erklären. Er erfordert zusätzliche Tools, die auf dem Moodle-Server installiert sein müssen: Python (https://wiki.python.org/moin/BeginnersGuide/Download) und das Python-Paket moodlemlbackend. Das Paket kann auf dem Webserver oder auf einem separaten Server installiert werden.

Installation im Webserver

Das neueste Moodle-Paket ist kompatibel mit Python 3.4, 3.5, 3.6 und 3.7. Beachten Sie, dass das Paket sowohl für den Kommandozeilennutzer (CLI) als auch für den Webserver-Nutzer (z.B. www-data) verfügbar sein sollte.

  • Wenn nötig, installieren Sie Python 3 (und pip für Python 3)
  • Stellen Sie sicher, dass Python 3 verwendet wird, um das moodlemlbackend Paket zu installieren:
   sudo -H python3 -m pip install "moodlemlbackend==2.3.*"
  • Sie müssen auch den Pfad zum Python 3 Executable auf der Seite Website-Administration > Server > Systempfade eintragen:
Systempfad für Python 3
Installation auf einem separaten Server

Die Installation des Python-Pakets auf einem separaten Server hat einige Vorteile gegenüber der Installation auf dem Webserver:

  • erhält das Python Machine Learning (ML) Backend als einen externen Service
  • gewährleistet eine separate Kontrolle der Ressourcen, die der Webserver für den Betrieb von Moodle reserviert und der Ressourcen, die für das das Python ML Backend reserviert sind
  • Sie können denselben ML Server für mehrere Moodle-Sites verwenden. Das ist leichter aufzusetzen und zu warten, als das Backend auf allen Moodle-Servern im Cluster zu installieren.
  • Sie können das Paket als neuen Docker-Container in Ihrer Docker-Umgebung installieren.
  • Sie können das ML Backend vom AWS über das API Gateway und AWS lambda bedienen und die Dateien der trainierten Modelle in S3 speichern.

Auf der anderen Seite kann es zu Verzögerungen beim Verbinden mit dem Python ML Backend Server kommen.

Das Python Backend wird als eine Flask Applikation ausgeliefert. Die Flask Applikation ist Teil des offiziellen moodlemlbackend Python-Pakets und ihr FLASK_APP Skript is webapp im Wurzelverzeichnis des Pakets. Sie können eine andere Konfiguration verwenden, wenn diese besser zu Ihrer Infrastruktur passt.

Neuer Server in Ihrer Infrastruktur

Das Python ML Backend wird als eine Flask Applikation ausgeliefert, die einen WSGI Server (https://wsgi.readthedocs.io/en/latest/what.html) verwendet, der über das WWW bereitgestellt wird. Die offizielle Dokumentation, wie Sie eine Flask Applikation aufsetzen, finden Sie unter https://flask.palletsprojects.com/en/1.0.x/tutorial/deploy/.

  • Verwenden Sie die Variable MOODLE_MLBACKEND_PYTHON_USERS, um eine kommaseparierte Nutzerliste mit Passwörtern zu erzeugen. Das Format ist default:sshhhh (Nutzer: default, Passwort: sshhhh).
  • Setzen Sie die Variable MOODLE_MLBACKEND_PYTHON_DIR auf den Pfad, den Sie verwenden wollen, um Daten zu speichern, die das Paket generiert.
Docker

https://hub.docker.com/r/moodlehq/moodle-mlbackend-python ist das offizielle moodle-mlbackend-python Docker Image. Wir verwenden es im Moodle HQ für interne Tests und Sie können es ebenfalls nutzen. Wenn Sie mehr Kontrolle über das Image haben wollen, kann das https://github.com/moodlehq/moodle-docker-mlbackend-python/blob/master/Dockerfile als Beispiel dienen, um das Python moodlemlbackend Paket zum Laufen zu bringen.

  • Verwenden Sie die Variable MOODLE_MLBACKEND_PYTHON_USERS, um eine kommaseparierte Nutzerliste mit Passwörtern zu erzeugen. Das Format ist default:sshhhh (Nutzer: default, Passwort: sshhhh).
AWS Serverless Service

Sie können die Flask Applikation als Serverless Applikation betreiben, indem Sie das AWS API Gateway und AWS lambda verwenden. Der einfachste Weg ist die Verwendung von Zappa https://github.com/Miserlou/Zappa, um die Flask Applikation aufzusetzen, die im Python ML Paket enthalten ist.

  • Verwenden Sie die Variable MOODLE_MLBACKEND_PYTHON_USERS, um eine kommaseparierte Nutzerliste mit Passwörtern zu erzeugen. Das Format ist default:sshhhh (Nutzer: default, Passwort: sshhhh).
  • Setzen Sie die Variable MOODLE_MLBACKEND_PYTHON_DIR auf den Pfad, den Sie verwenden wollen, um Daten zu speichern, die das Paket generiert.
  • Setzen Sie folgende Umgebungsvariablen, um den S3-Zugriff zu ermöglichen:
    • MOODLE_MLBACKEND_PYTHON_S3_BUCKET_NAME
    • AWS_ACCESS_KEY_ID
    • AWS_SECRET_ACCESS_KEY

Wenn alles eingerichtet ist, können Sie den Python-Vorhersage-Prozessor als Standard oder für ein einzelnes Modell auswählen:

Standard-Vorhersage-Prozessor
Auswahl des Vorhersage-Prozessors für ein einzelnes Modell

Log-Speicher

Ab Moodle 2.7 ist Logdaten Standard der standardmäßige Speicher für Logdaten. Wenn Sie aus irgendwelchen Gründen Daten im alten Legacy-Speicher Logdaten Alt gespeichert haben, dann können Sie diesen hier einstellen, so dass das Analytics-System auf diese Daten zugreift.

Zeitaufteilungsmethode

Die Zeitaufteilungsmethode legt fest, wie oft Einschätzungen generiert werden und wie viele Informationen für diese Berechnung verwendet werden. Wenn Sie geeignete proportionale Zeitintervalle verwenden, können Kurse mit verschiedener Kursdauer verwendet werden, um ein einzelnes Modell zu trainieren.

timesplitting.png

Jede Zeitaufteilungsmethode unterteilt die Kursdauer in Zeitabschnitte. Am Ende jedes so definierten Zeitabschnitts läuft die Vorhersage-Engine und generiert Vorhersagen. Es wird empfohlen, nur die Zeiteinteilungsmethoden zu aktivieren, die Sie tatsächlich verwenden wollen, denn der Vorhersage-Prozess iteriert über alle aktivierten Zeitaufteilungsmethoden und dauert folglich um so länger, je mehr Methoden aktiviert sind.

Ausgabeverzeichnis

outputdir.png

Mit dieser Einstellung legen Sie fest, wo die Daten des Machine Learning Backends gespeichert werden. Stellen Sie sicher, dass dieses Verzeichnis existiert und der Webserver dort Schreibrechte hat. Diese Einstellung kann von Moodle-Sites verwendet werden, die als Cluster betrieben werden, um ein gemeinsames Ausgabeverzeichnis zu nutzen. Dieses Verzeichnis kann von Backends für maschinelles Lernen verwendet werden, um trainierte Algorithmen zu speichern, die später zur Berechnung von Vorhersagen verwendet werden. Der Moodle-Cronjob verhindert, dass Analytics-spezifische geplante Vorgänge gleichzeitig ausgeführt werden, die die Algorithmen trainieren und daraus Vorhersagen berechnen.

Geplante Vorgänge

Die meisten Analytics-API-Prozesse werden über geplante Vorgänge ausgeführt. Die Prozesse lesen die Logdaten der Aktivitäten und benötigen etwas Zeit für die Ausführung. Es gibt die geplanten Vorgänge Trainingsmodelle und Modelle vorhersagen auf der Seite auf die Seite Website-Administration (oder im Block Einstellungen > Website-Administration) > Server > Geplante Vorgänge. Es wird empfohlen, die Ausführzeiten zu konfigurieren, so dass diese geplanten Vorgänge jede Nacht ausgeführt werden.

Rollen definieren

Das Moodle Learning Analytics System verwendet einige Fähigkeiten. Die entsprechenden Rechte können für einzelne Rollen auf Systemebene oder in bestimmten Kontexten vergeben oder entzogen werden, um festzulegen, wer Einschätzungen sehen darf.

Um Benachrichtigungen über Einschätzungen zu erhalten und diese Einschätzungen anzusehen, benötigen Nutzer/innen das Recht analytics:listinsights in dem Kontext, den das Modell analysiert. Zum Beispiel wird das Modell Teilnehmer/innen, die Gefahr laufen, aus dem Kurs auszusteigen auf einen Kurskontext angewendet. Einschätzungen werden für jede Einschreibung in den Kursen generiert, die die Kriterien des Modells erfüllen (Kurse mit Kursbeginn-Datum in der Vergangenheit und Kursende-Datum in der Zukunft, mit mindestens einem/r Trainer/in und mindestens einem/r Teilnehmer/in), und diese Einschätzungen werden an alle verschickt, die das Recht analytics:listinsights in dem jeweiligen Kurs haben. Standardmäßig haben die Rollen Trainer/in mit und ohne Bearbeitungsrecht und Manager/in dieses Recht.

Einige Modelle (z.B. Kurse, bei denen die Gefahr besteht, dass sie nicht beginnen) generieren Einschätzungen auf Systemebene. Um Einschätzungen von diesen Modellen zu erhalten, müssen Nutzer/innen eine globale Rolle mit dem Recht analytics:listinsights haben. Standardmäßig ist das für die Manager-Rolle der Fall, wenn sie auf Systemebene zugewiesen wird.

Hinweis: Administrator/innen bekommen nicht automatisch Benachrichtigungen mit Einschätzungen, sie können jedoch Details zu jeder Benachrichtigung im System einsehen. Damit auch Administrator/innen über Einschätzungen benachrichtigt werden, weisen Sie allen Administrator/innen eine zusätzliche Rolle mit dem Recht analytics:listinsights auf Systemebene zu (z.B. die Manager-Rolle).

Abgerufen von „https://docs.moodle.org/39/de/index.php?title=Analytics-Einstellungen&oldid=21741“
Powered by MediaWiki