Специалисты отдела учебной аналитики ВГУЭС под руководством проректора по цифровому развитию ВГУЭС, доктора экономических наук, профессора Владимира Крюкова разработали сервисы для мониторинга учебной активности студентов. Владимир Крюков рассказывает о перспективах внедрения интеллектуального анализа данных в учебный процесс:
- Растущее внимание к интеллектуальным методам количественного анализа данных в образовании отражает интерес к необходимости лучшего понимания взаимосвязи между результатами деятельности университета и множеством факторов, которые имеют различную степень влияния на формирование результатов обучения студентов.
Современные образовательные технологии и управление учебным процессом основаны на применении компьютерных устройств для доступа к информационным системам, сервисам и цифровым данным. Следствием использование информационных систем и компьютерных способов доступа является возможность фиксирования событий и результатов различных действий в виде цифровых массивов данных с различным уровнем структурирования. При высоком уровне развития информационной инфраструктуры и информационно насыщенной среде в вузе накапливаются огромные массивы цифровых записей, которые можно отнести к категории «больших данных» (БД). Массивы данных формируются по факту участия студентов в автоматизированных процессах (приемная компания, освоение электронных учебных курсов, аттестация), так и в результате событий, связанных с действиями студентов в процессе обучения (проход через турникет, посещение библиотеки или обращение в электронную библиотеку и т.п.). Для сбора, обработки и выявления скрытых и часто нетривиальных, практически полезных закономерностей и интерпретации сведений, необходимых для принятия решений, используются методы и технологии интеллектуальной обработки данных.
В последние годы сформировалось несколько направлений исследований, связанных со сбором и анализом данных с целью использования полученных знаний для принятия решений в сфере образования. Направление исследований, основанное на интеллектуальной обработке данных об учащихся и их действиях с целью понимания и совершенствования учебного процесса и среды, в том числе электронной, где этот процесс происходит, определяется в настоящее время термином «учебная аналитика». Поводом к повышенному интересу для интеллектуального анализа данных образования послужило распространение онлайн-обучения и накопление в них данные о результатах обучения. Например, в электронных курсах собранные данные могут показать, насколько те или иные действия студентов способствуют их прогрессу в достижении конкретных учебных результатов. В тех случаях, когда действия учащегося опосредованы цифровыми устройствами с применением информационных систем и сервисов, данные о результатах обучения и поведении учащегося могут быть собраны, обработаны и использованы для автоматизированного анализа. Наиболее простым примером данных, которыми может оперировать учебная аналитика, являются данные веб-аналитики – записи в системах электронного обучения, в которых протоколируются действия пользователя или фиксируются результаты обучения на сервере.
Очевидно, что при развитии систем управления образовательным процессом нужно включать такие функции как настройка персонализации, аналитика оценивания результатов обучения, составление рекомендаций, прогнозирование образовательных достижений и т.п. По мере того как социальные и экономические факторы или законодательные нормы меняют требования к организации или содержанию обучения (например, к навыкам на современном рынке труда), университетам необходимо перестраивать свою деятельность и переопределять понятие качества обучения или образовательной программы. В этой связи создание перенастраиваемой комплексной автоматизированной системы интеллектуального анализа образовательных данных на основе методов учебной аналитики является актуальной задачей.
Как результат применения предиктивной аналитики будет доведен до студента?
На экране обучения (инструментальной панели) студента в Личном кабинете будет:
1. Светофор с индикацией его результативности в учебе (зеленый – нет повода для беспокойства, желтый – его активность ниже средних показателей группы, красный – высокая вероятность образования академических задолженностей и, как следствие, вероятность отчисления по данным аналитики)
2. Какие активности учитывать и сопоставлять со средними по группе и университету: успеваемость по дисциплинам, количество долгов, посещение университета, активность в СЭО «Moodle», пользование библиотекой и подписками на ЭБС (нужно это сделать).
Экран будет интерактивным, чтобы студент мог перейти и уточнить детали метрик. Панель будет настроена так, чтобы студент узнавал, что у него проблемы гораздо раньше подведения итогов за семестр, даже на первом семестре – именно в этом и состоит ценность аналитики.
Поскольку рекомендательная аналитика у нас еще не создана, но мы это сделаем через формирование обобщенных портретов на исторических данных. Далее будем оценивать, к какому портрету-профилю студент с проблемами наиболее близок и выводить для него рекомендации для действий на основе того, что в таких ситуациях предпринимали для успеха те, кто входит в определенный обобщенный портрет.
Мы будем использовать ясные визуализации, чтобы показать студентам их достижения по сравнению со среднем уровнем группы. Это дает студентам ценное понимание того, поддерживают ли они эффективную рабочую нагрузку или имеется потребность увеличить их активность.
Для справки:
В 2015/16 Университет Твенти (Нидерланды) подготовил первый обзор применения УА: 72% студентов сообщили, что использование Инструментальной панели вдохновило их увеличивать время, которое они провели для обучения.
