整理自《A Platform for Integrating Internet of Things, Machine Learning, and Big Data Practicum in Electrical Engineering Curricula》，由Nandana Jayachandran、Atef Abdrabou、Naod Yamane和Anwer Al-Dulaimi共同撰写，发表于2024年的《Computers》期刊上。以下是对论文主要内容的整理：
1. 引言
- 论文讨论了物联网(IoT)、人工智能(AI)、特别是机器学习(ML)以及大数据分析在电气工程领域的整合对教育的重要性。
- 强调了将这些技术整合到电气工程课程中，帮助学生适应快速变化的技术环境的必要性。
2. 相关工作
- 概述了AI和大数据在教育领域的应用，包括自适应电子学习系统、教学模型的创新，以及学习分析技术的应用。
- 讨论了AI在特定领域教育中的应用，例如高级数学教育和软件工程。
- 强调了将AI概念整合到课程中，以及通过实践、动手方法教授AI的重要性。
3. 研究内容和意义
- 详细介绍了物联网(IoT)、MQTT协议、大数据平台和机器学习(ML)的基本概念和重要性。
- 讨论了这些技术如何为电气工程学生提供必要的知识和技能，以设计和实现智能系统。
4. 研究方法
- 提出了研究问题：如何设计一个教育工具，为电气工程学生提供IoT与大数据分析结合使用基本ML技术的实践经验？
- 介绍了工具设计方法、功能和课程整合。
- 工具设计方法：创建了一个基于图形用户界面(GUI)的工具，整合了IoT、大数据和ML，提供了实践操作经验。
- 工具特点：模块化设计，包括IoT数据生成模块、实时流模块和机器学习模块。
- 用户界面：提供了用户友好的界面，帮助学生设置IoT数据生成、实时流和流数据的ML分析。
- 课程学习成果：提出了一系列学习成果，用于评估学生使用该工具时的表现。
4.1 研究问题
- 主要研究问题集中在如何设计一个教育工具，使电气工程学生能够获得将物联网(IoT)与大数据分析相结合使用基本机器学习(ML)技术的实践经验。
- 次要问题探讨了如何将这样的工具整合到典型的电气工程课程中。
4.2 工具设计方法和特点
- 设计目标是创建一个基于图形用户界面(GUI)的工具，整合IoT、大数据和机器学习，为电气工程学生提供这些领域的实践经验。
- 工具设计采用迭代结构，通过教育过程纠正错误和发展熟练度。
- 工具设计遵循GUI范例，使学生能够通过逐步选项的方法与工具交云，包括设置真实硬件或合成(虚拟)IoT设备，选择设备类型，添加传感器，并将其配置为MQTT客户端。
4.2.1 IoT数据生成模块
- 该模块模拟IoT设备或与真实设备交互，输出包含现实和相关传感器读数的MQTT网络数据包。
- 学生可以设置IoT网络设备，添加设备和传感器，并配置它们作为MQTT客户端。
- 支持MQTT协议传输感知数据，包括客户端和MQTT代理。
4.2.2 实时流模块
- 负责捕获由前一模块生成的IoT数据，并将其流式传输到基于Kafka的大数据分析平台。
- 使用PyShark作为Python模块，用于解析网络数据包。
- Kafka集成涉及建立集群、创建主题以及与IoT数据生成模块的集成。
4.2.3 机器学习模块
- 涉及对实时流数据进行机器学习分析，学生可以加载已创建的数据集或实时生成数据集。
- 包括数据预处理、数据集分割、回归和分类任务、模型拟合和优化。
4.2.4 操作程序
- 描述了工具操作的流程图，从开始新项目或加载现有项目，到配置IoT网络、生成数据、捕获数据、机器学习模型配置和训练。
4.2.5 工具用户界面
- 提供了用户友好的界面，用于设置IoT数据生成、实时流和流数据的机器学习分析。
- 界面设计包括帮助文本，指导学生了解概念并确保顺畅导航。
4.3 工具在电气工程课程中的整合
- 讨论了如何将IoT-Edu-ML-Stream工具引入支持IoT、ML和大数据的一般课程，或作为电气工程课程中高级专业课程的一部分。
- 提出了一系列课程学习成果(CLOs)，这些成果可以在使用工具的专门课程或课程组件中实现。
- 讨论了整合的好处，包括学生获得的全面理解，以及工具提供的实践技能。
5. 工具评估
- 通过调查问卷的形式，评估了IoT-Edu-ML-Stream平台的有效性。
- 调查结果显示学生在使用工具后对IoT概念有了显著的了解，并且实践技能得到了提升。
- 调查包括六个问题，分为三部分：先前知识评估、工具设计用例的有效性评估、工具介绍现实场景的反馈评估。
5.1 工具评估结果
调查结果概览
- 调查问卷采用五点评分量表，包括六个问题，分为三部分：评估学生先前的知识、工具设计用例的有效性以及工具介绍现实场景的效果。
Q1：先前知识评估
- 学生对IoT、大数据和ML的先前知识评分显示多样性，平均分为3.62，标准差为1.25。
Q2：IoT概念知识提升
- 大约65.5%的学生报告在使用工具后在这些主题的基础知识上有显著提升（评为5），约35%的学生表示知识获得很好。没有学生给出低于4的评分。平均评分为4.66，标准差为0.425。
Q3：ML概念理解
- 约93.1%的学生清楚理解了工具传达的ML概念（评为5和4），7%的学生认为理解程度一般（评为3）。平均评分为4.59，标准差为0.588。
Q4：用例设计难易度
- 大多数学生发现使用工具设计用例非常容易或容易（评为5或4），极少数学生认为难度一般。平均分为4.76，标准差为0.489。
Q5：实际技能提升
- 约62%的学生对工具在实际技能提升方面的效果非常满意，34.5%的学生评为4，只有极少数学生评为3。平均评分为4.59，标准差为0.526。
Q6：用户界面友好度
- 所有学生都认为工具的用户界面非常友好或极其友好（评为5和4），平均分为4.62，标准差为0.492。
5.2 讨论
学习效果
- 调查结果强调了IoT-Edu-ML-Stream平台在教授电气工程学生IoT、大数据和ML基础方面的积极影响。
- 学生在使用工具后对IoT概念的理解有显著提升，尽管许多学生已经具备了一定的先前知识。
ML概念理解
- 尽管大多数学生清楚理解了ML概念，但对工具的ML算法支持有限可能限制了其全面教授ML原则的效果。
设计用例的难易度
- 学生普遍认为使用工具设计用例是容易的，这表明工具的实践方法在传达设计完整应用用例的原理方面是有效的。
实际技能提升
- 学生对工具在提升他们对现实世界应用的实际技能方面的效果给予了高度评价，强调了实践学习在加强理论概念方面的重要性。
用户界面友好度
- 工具用户界面的友好度得到了学生的高度评价，反映了其直观性和易用性，有助于减少学生对教师的依赖，增强自学信心。
结论
- 调查结果表明，互动和沉浸式的学习环境，如IoT-Edu-ML-Stream平台所提供的，对于有效传达高科技领域如IoT、大数据和ML的复杂概念至关重要。
- 工具不仅帮助学生理解理论，而且通过设计解决现实世界场景的用例，为他们提供了宝贵的技能和见解。
6. 结论和未来方向
- 论文总结了通过IoT-Edu-ML-Stream平台整合IoT、ML和大数据到电气工程课程中的重要性。
- 提出了未来可能的改进方向，包括扩展更多的ML技术，采用其他IoT通信协议等。
整体来看，这篇论文提出了一个创新的教育工具，旨在帮助电气工程专业的学生更好地理解和实践IoT、大数据和机器学习技术。通过详细的设计方法、工具评估和未来方向的讨论，论文为电气工程教育提供了有价值的见解和资源。