Н. А. Назарбаева народу Казахстана

 

 

167 

Секция 2 

Новые информационные технологии (облачные вычисления, мобильные и мультимедийные 

технологии, технологии по распознаванию речи, информационной безопасности и другие 

технологии): отечественный и мировой опыт. 

 

 

 

 

 

UCD 519 

 

Zari Dzalilov 

Federation University , Victoria, Australia 

Email: z.dzalilov@federation.edu.au 

 

INFORMATION TECHNOLOGY FOR LEARNING ENVIRONMENTS AND  

COMMUNICATION STRATEGIES DESIGN IN CONNECTION TO BIG DATA 

 

Abstract. The importance of interdisciplinary and collaborative learning and research has long been recognised 

as a valuable strategy for learning. The opportunities for global networking have become much more accessible through 

relatively recent advances in technology and transport. 

We  live  in  a  transnational  community  where  engagement  with  colleagues  across  continents  is  a  regular 

occurrence.  However, interdisciplinary and inter cultural collaborations often present challenges in terms of finding a 

common set of understandings and language to progress discovery and innovation. This paper discusses the importance 

ofInformation Technology  for  designing learning environments and drawing upon multiple modes of communication 

strategies to ensure that diverse viewpoints and perspectives are captured and understood. 

 

Introduction 

1.  The  importance  of  interdisciplinary  and  collaborative  learning  and  research  has  long  been 

recognised as a valuable strategy for learning. We propose to consider the following research issues for the 

platform,  to  build  the  skeleton  of  the  paper  :  computational  methods  and  data  sets  on  Cystic  Fibrosis, 

Tobacco Control system, and Brain Complex Networks 

The  strategies  are  drawn  from  experiences  working  on  two  major  transnational  health  studies  where 

complex  mathematical  processes  of  “optimization”  and  “data  mining”  are  being  applied  to  large  datasets. 

The paper also illustrates how the strategies devised to design these optimal learning environments align with 

the recent  neurological findings  on how the brain  functions and  how  learning  is best facilitated. This  is the 

most  interesting  problem,  and  it  is  still  a  very  new  area  of  research  despite  of  too  many  researchers 

concerned  with the problem of the function  of the brain. Various  models  designed for understanding  ofthis 

unique element of the human body, that controls the rest of the functions of body systems. 

Learning environments in connection to big data . 

21  century  can  be  called  as  the  Era  of  Big  Data.  The  explosion  of  available  data  in  a  wide  range  of 

application  domains  creates  a  new  challenges  and  opportunities  in  disciplines  –  ranging  from  science  and 

engineering to biology and business. The major challenge is how to take advantage of the unprecedented scale 

of data, in order to learn the secrets of nature, and based on this knowledge to design learning environments for 

a joint research. Going through much iteration within all aspects of the research framework we can get more 

precise  results  for  the  problem  presented  by  the  data.  The  noise  of  the  data  is  another  important  issue,  and 

sometimes we need eliminating the data to get the true pattern of the data to shine through 

Big data in the biological and biomedical sciences: bio data mining challenges and opportunities. 

Big  data,  by  definition,  challenges  our  ability  to  move,  store,  manage,  retrieve  and  analyse  information  to 

maximize knowledge generation. These informatics, information technology and data analysis challenges are 

compounded by the complexity of problems that are of practical importance. Our future success in bio data 

mining  will  depend  critically  on  our  ability  to  embrace  and  confront  both  the  scale  and  the  complexity  of 

bigdata.The setting for this paper originates in research linked to two major health studies:   

A.  Cystic Fibrosis : Australian data base –the first project , following up to 26 countries data set with 

33000 patients’ records-European Cystic Fibrosis Patient registry data base 

B.  Tobacco smoking habits:  4 countries data set: Australia, UK, Canada and USA 

The  story  oftwo  ongoing  projects  related  to  Tobacco  Control  Systems  and  Cystic  Fibrosis  is  a  good 

example of the learning processes.  We use it as illustration fora study case of learning environment design, 

 

 

168 

based on a joint research of experts in different fields, such as medical doctors, mathematicians, information 

technology experts, psychologists, data base managers and administrative staff for decision making.   These 

two  projects  based  on  different  models,  because  of  countries  involved,  main  languages,  and  some  other 

cultural factors. This is also the process of learning environment design for two different large scale data sets 

on Cystic Fibrosis and Tobacco Control Systems.In both cases large amount of data were available and the 

challenge for the disciplinary teams was to make sense of the DATA. 

A.  SOME KNOWLEDGE ABOUT CF 

Cystic fibrosis is the most common fatal genetic disorder in the Caucasian population. This is a terrible 

disease  with  the  life  expectancy  not  over  46  years,  mostly  spent  in  hospitals  for  undergoing  treatment. 

Prognosis  and  diagnosis  of  CF  are  two  important  global  issues  for  this  health  problem.  Clinical  scoring 

systems  for  the  assessment  of  Cystic  fibrosis  disease  severity  have  been  used  for  almost  50  years  without 

being adapted to the milder phenotype of the disease in the 21st century. A fresh approach is needed for the 

development  of  comprehensive  CF  disease  severity  scales,  which  may  be  used  as  a  disease  predictor.  The 

main goal  in the research on CF is to develop a scoring system to assess the longitudinal process  of Cystic 

Fibrosis.  The  team  of  mathematicians  from  Australian  Universities  and  doctors  from  RCHproposedto 

develop a new clinical scoring system by employing various computational methods: statistical, data mining, 

and optimisation methods.  

Despite significant developments in this area there is still a lot of evaluation work to be performed due 

to the fact that medical data sets are diverse and it is difficult to formulate a unique criterion for all of them. 

Optimization   plays a fundamental role in designing efficient data mining techniques. 

 

1.  Data sets and design of testing environments, based on different approaches. 

We  previously  identified  an  approach  for  developing  a  disease  severity  scale.  That  evaluation  was 

based on the Cystic Fibrosis database from the cohort at the Royal Children’s Hospital (RCH) in Melbourne. 

The methods applied to this data set were the Linear Least Squares Fit (LLSF) and the Heuristic Algorithm 

for Feature Selection.They allow analysing data sets with an arbitrary number of classes. However, the data 

set  from  RCH  was  small,  and  more  data  points  we  needed  to  finalize  a  clinical  score,  by  re-running  these 

methods in the larger data set. We had to design some learning techniques for applications that give us better 

results in comparison with existing methods. 

We  proposed to  refine  this  scale  by  using  a  hybrid  model  combining  mathematical  optimisation  and 

data mining approach. The advantage of these methods is that they allow one to consider datasets with an 

arbitrary  number  of  classes.  Comparison  of  computational  results  of  different  methods  was  effective  for 

evaluation of mathematical optimisation methods for the solution of feature selection problems.  

 

2.  Joint research is a chance for the team members to learn from each other.  

It  was  a  grant  based  research,  for  the  team,  completed  by  researchers  from  UoB,  and  doctors  from 

RCH. The  team  members  have  been  excited  about  joint  research  that  was  a  chance  for  everybody  to  learn 

from  each  other:  mathematicians  from  doctors  and  vice  versa.  Doctor  Gaudenz  Hafen  is  currently  the 

Director of Paediatric Pulmonology Unit CF Centre in Switzerland, Lausanne. In terms of time, it was only 

one year small grant for this research, but because of our interest, and passion of the doctors involved, we did 

not give up. We obtained some preliminary reasonable results, which can be used by clinicians.  It was only 

first step towards the main goal, but we have proved that our methods work well! 

Fantastic  goal:  creating  bridges  from  global  theories  to  applications,  was  a  chance  for  us  to  obtain 

some  preliminary  but  very  promising  results  ,  which  can  be  extended  then  to  clinical  research,  and  from 

clinical trials there should be  a VERY POSITIVE WAY to THERAPY….. 

Knowledge discovery 

However, small data sets are not efficient; we had to access large scale data sets.  Following the advice 

of Dr. Gaudi, we applied for the access to  USA  data set  on CF.  We included also one team from  USA for 

this  application,  that  was  the  mistake,  and  we  failed  with  our  application,  although  we  learned  from  the 

referees  reports  about  “the  strength  of  the  team”,  and  “the  methods  applied”.  One  more  drop  to  a  further 

success  of the strong team! Different projects took  over, but few  years later  on, using  different  methods to 

the same data, we have got better results, that I presented at the Conference in Venice, where I was invited 

for  the  round  table  discussions  for  the  session  “Social  Mechanisms  for  Better  Information  Discovery  and 

Interpretation”  

Teleconference   organised by Committee of   ESCFPR:Granted access to Data 

After  this  conference,  and  further  discussions  with  Gaudi,  we  decided  to  apply  for  the  access  to 

European  Society  CF  Patient  Registry  (  ESCFPR)  database.  This  application  was  met  very  friendly  by  the 

Committee  of      ESCFPR  .  We  had  the  Teleconference  to  correct  the  details  of  the  application.    The 

 

 

169 

Teleconference  was  also  a  chance  for  us  to  learn  not  only  from  the  experts  in  the  field,  but  from 

administrative staff as well. Few months later on we have been informed about the success of the application 

that gives us the access to the ESCFPR database from 26 countries  with 33000 records!   This  data will be 

transferred to Australia, and I am only one, who has the access to this data base 

Funds for research: Recent grant application to German fund 

The access to to the ESCFPR database was again only the first step for a new wave of research on 

“Real  big  data  sets”  on  CF.  The  current  situation  at  Australian  Universities  unfortunately  doesn’t 

support the projects with no funds. Only financially supported projects are very welcomed. Finally we found 

the  German  Fund  “Mukoviszidose”,  that  is  supporting  research  projects  on  CF.  On  13  December  we 

submitted the first round application for the project: “Clinical scoring systems for the assessment  of Cystic 

fibrosis disease severity”. We passed the first round successfully! 87% of all applications were cut down, but 

we  are  given  a  chance  to  take  a  part  at  the  final  stage  in  this  process.  We  had  to  submit  more  detailed 

application to the fund by April.  We have been informed that one more fund from Switzerland is interested 

in  this  project  that  sounds  great!In  April  I  visited  the  Children  Hospital  in  Lausanne  for  discussions  with 

doctors about details of the project. 

B.    Tobacco Control Systems 

Background.Recent  statistics  on  tobacco  and  health  reveal  that  about  1.l  billion  people  currently 

smoke cigarettes, 80% of which lives in low and middle-income countries. Overall, the latest global statistics 

show that a third  of the  male adult population smokers and smoking-related  diseases  kill  one  in ten adults, 

which  translate  into  five  million  premature  deaths  per  annum;  if  current  trends  continue,  smoking  will  be 

responsible  for  one  in  six  deaths  by  2030.  Development  of  theoretical  and  methodological  frameworks  in 

data analysis is fundamental for modelling complex tobacco control systems. 

Global picture. In response, significant progress in tobacco control policy planning and development 

has been reported, especially in developed countries.  At the moment, almost every jurisdiction in the world 

has  to  join  to  the  tobacco  control  battles  and  enormous  efforts,  like  policy  interventions,  mass  media 

campaigns and the provision of smoking cessation information, have been made to cope with that problem. 

The  Framework  Convention  on  Tobacco  Control  (FCTC)established  by  the  World  Health 

Organisation in 2003 was the first international treaty devoted to public health.  Up to now 142parties, which 

represent 95% of the world’s population, have ratified the FCTC.  

Tobacco Control data set 

The International Tobacco Control Policy Evaluation Survey (ITCPES), [ITC survey, 2010] is a recent 

coordinated international research and evaluation effort. This project provides massive survey data collected 

from  many  countries  including  Australia,  for  studying  and  evaluating  the  psychosocial  and  behavioural 

impact of diverse tobacco control policies to smoker behaviour across these countries (Figure 1). 

 

 

Figure1 – A structure of the data set under consideration 

 

 

 

170 

The  Framework  Convention  on  Tobacco  Control  (FCTC)  has  been  ratified  by  up  to  142parties  []. 

Many  countries  have  incorporated  FCTC  policies  into  their  laws.  These  countries  have  attempted  to 

influence the behaviour of smokers by regulating and implementing diverse tobacco control policies. []. 

In  this  study,  we  were  interested  to  find  clusters:  groups  of  smokers  with  similar  demographics, 

responses to anti-smoking advertisements and warning labels, beliefs about quitting in the role of predicting 

the  rate  of  quitting  attempt,  etc.  We  aim  to  understand  better  the  psychosocial  and  behavioural  impact  of 

diverse  tobacco  control  policies  to  distinct  clusters  of  these  smokers.  Controlling  tobacco  smoking  and 

determining  effective policies is  difficult because  of the complexity  of  human nature and behaviours. Also, 

the success  of tobacco  control is not the result  of single policies, but is the  outcome  of interactions among 

various policies in various domains. Therefore, cluster analysis is helpful for dealing with causalities among 

a set of stable clusters defined by fixed number of instances over the set of variables. In order to analyse this 

data  set  we  apply  modified  global  k-means  clustering  algorithm  to  a  survey  data  sets  about  a  complex 

tobacco control system.  

Methodology development 

Subsequently, developing most suitable methodologies and techniques to monitor the performance and 

evaluatethe effectiveness of relevant tobacco control policies have becomeimportant research issues, since an 

efficient and effective monitoring and evaluating system can provide accurateand timely information on the 

performance  of  policies,  programs  and  projects.  This  information  can  provide  invaluable  support  for 

decision-making,  decision-refinement and  ongoing  management  of  government activities, and can underpin 

accountability  relationships.  In  order  to  describe  the  non-linear  relationships  more  effectively,  new  global 

optimization-based  approaches  were  previously  proposed  in  the  paper  [Z.  Dzalilov  et  al.,  2010].  Our 

preliminary results indicate a possibility for a global optimal approach to covering all possible solutions in a 

complex tobacco control system. (see [Z. Dzalilov et al., 2010] for more details). 

Research 

As  the  evidence  of  importance  relating  to  the  research  topic  above,  considerable  tobacco  experts, 

practitioners  and  academic  researchers  around  the  world  have  been  involved  in  comprehensive  tobacco 

control  research.  There  have  also  been  several  recent  efforts  to  coordinate  international  research  and 

evaluation  effects, like Global Youth Tobacco Survey  and International Tobacco Control Policy Evaluation 

Survey (ITCPES).  

Methods: Data Mining and Optimisation 

We  applied  optimisation  based  data  mining  techniques  developed  at  CIAO  research  Centre  toData 

from the International Tobacco Control Policy Evaluation Survey (ITCPES).  

The  purpose  of  this  project  is  to  evaluate  the  psychosocial  and  behavioural  impact  of  key  national-

level tobacco control policies over the years. However, if we take a closer look at these research results, we 

find that these approaches have fundamental limitations, since the outcomes presented in these papers did not 

provide any mechanism to deal with complex non-linear data, which characterise most aspects of the tobacco 

domain. In addition, these available techniques  did not address the causal interrelatedness of smokers, non-

smokers, researchers, doctors, advocates, tobacco industries, policy makers etc in co-producing the targets of 

tobacco  control  policies.  As  a  result,  significant  gaps  in  tobacco  control  policy  planning  and  development 

remain.  

Global networking, team work 

(VicHealth  Centre  of  Tobacco  Control  ,  The  Cancer  Council  Victoria  ,  and  the  team  of  researchers 

from the Centre for Informatics and Applied Optimisation (CIAO), University of Ballarat (UB). This project 

is the best example for illustration useful links between research, policy development and the effects of those 

policies to the systems under consideration (in particular, in tobacco control systems). This project is about 

unique  combination  of  theoretical  frameworks,  survey  data  and  expert  judgments  to  develop  innovative 

models  of  the  relationship  between  research  knowledge,  current  policies  and  subsequent  outcomes  for 

smoke-free policies, aimed at reducing the risk from environmental tobacco smoke. 

жүктеу/скачать 35,33 Mb.

Достарыңызбен бөлісу: