employee
Russian Federation
UDK 37 Народное образование. Воспитание. Обучение. Организация досуга
The article discusses aspects of the application of educational analytics, which is currently an actual scientific and technical direction, to improve the effectiveness of the educational process in the professional training of university students. Due to the widespread use of modern information technologies, which continue to develop and become an important part of a person's daily life, it is natural to pay increasing attention to determining the areas of application of these technologies, including for improving the activities of educational organizations. The use of educational analytics in universities serves as an important prerequisite for building high-quality systems for analyzing "digital traces" of students in electronic educational environments (EE), allowing them to make reliable forecasts, solve problems of classification and clustering of EE users, establish non-obvious dependencies between events and phenomena, and offer recommendations for improving the methods and approaches used in the learning process. Considerable attention is paid to the consideration of the specifics of the use of various types of data sources that can be used when analyzing the behavior of students in the learning process. Along with the enumeration of the undeniable advantages of using educational analytics, the problem of staffing in educational organizations is identified, which prevents its widespread use. The author suggests ways to solve this problem, including through the development and implementation of special programs of additional professional education in the field of data analysis. Based on the review of scientific literature and his own pedagogical experience, the author notes the barriers hindering the widespread introduction of educational analytics tools into the activities of educational organizations, and formulates recommendations on the selection and use of tools when conducting data mining in electronic educational environments.
educational analytics, online learning, biometrics, information technology, data mining, analytical platform, continuing education
В настоящее время перед образовательными организациями ставятся новые задачи, которые, в том числе, направлены на поиск и развитие инструментов обучения, которые станут их конкурентными преимуществами при наборе обучающихся и успешном осуществлении учебного процесса [4]. Такие преимущества достигаются за счет перехода организации к более совершенным системам сбора и обработки информации о процессе обучения, в том числе, путем внедрения методов интеллектуального анализа данных о протекании обучения, использования учебной аналитики, которую можно с уверенностью считать одним из цифровых трендов в современном обучении [11].
Исследование направлено на рассмотрение возможностей и перспектив применения в вузах учебной аналитики, проведение которой основано на данных о пользовательской активности обучающихся, их поведении в электронной образовательной среде, индивидуальных особенностях прохождения онлайн-курсов и т.д. Являясь эффективным инструментом оптимизации учебного процесса, данный вид анализа не лишен и своих недостатков, особенностей применения. Значительный объем научно-представительских мероприятий по указанной проблематики и их популярность в профессиональном сообществе свидетельствует о необходимости рассмотрения данного направления комплексно [2].
Появление учебной аналитики тесно связано с активным развитием онлайн-обучения [10]. Сегодня на Интернет-площадках агрегируется обширный объем данных о том, как обучаются люди. На основе такой накопленной информации могут приниматься решения по внесению изменений в имеющиеся онлайн-курсы либо оказанию дополнительной информационной поддержки пользователей.
Важным аспектом проведения учебной аналитики является то, что в ходе такого обследования для анализа данных и принятия решений в части повышения эффективности онлайн-обучения первоочередной задачей является постановка проблемных вопросов, для решения которых будет использоваться анализ данных.
Рассмотрим понятие учебной аналитики более подробно. Учебная аналитика – это измерение, сбор, анализ и представление данных об учащихся и окружающем их контексте. Цель учебной аналитики заключается в понимании и оптимизации учебного процесса [1].
В зависимости от постановки проблемного вопроса, на решение которого направлен анализ данных об обучении, выделяют различные виды учебной аналитики: дескриптивную, предиктивную и прескриптивную [14].
Дескриптивная аналитика отвечает на вопросы: «Что происходит?» и связана с анализом фактов, говорящих о том, как в настоящее время обучаются слушатели, на какие группы их можно классифицировать, с какими сложностями сталкиваются обучающиеся.
Предиктивная (прогнозная) аналитика ищет ответы на вопрос «Что скорее всего произойдет?», «Что произойдет, если не будут выполнены конкретные задания?», «Что произойдет, если пользователь будет выделять заданный объем времени на прохождение обучения?».
Прескриптивная аналитика применяется для поиска ответов на вопрос «Что следует делать?». Данный вид анализа – наиболее сложный, но также и наиболее результативный. Такое исследование использует дескриптивную и предиктивную аналитику и обеспечивает возможность получения конкретных рекомендаций по достижению оптимальных результатов в ходе учебного процесса.
Организации при использовании учебной аналитики ориентируются на решение актуальных задач, и, пожалуй, важнейшая из них – сохранение контингента обучающихся. Отсев студентов во время обучения в связи с академической неуспеваемостью – достаточно острая проблема, которая приводит к снижению общих результатов учебного процесса и мотивации других студентов, репутационным рискам организации и другим негативным последствиям. В онлайн-обучении такая проблема становится еще более выраженной [12]. Частота ситуаций, когда обучающийся прекращает похождение курсов без прохождения итогового тестирования и сертификации, является одним из ключевых недостатков онлайн-обучения.
Кроме того, актуальной задачей, для решения которой образовательные организации прибегают к использованию учебной аналитики – повышение успеваемости студентов [8]. Зачастую обучающийся прекращает прохождение обучения в связи с тем, что не могут справиться с темпом учебной программы. В этом случае своевременное обнаружение проблемной ситуации и выработка качественных решений позволяют скорректировать взаимодействие со слушателем курсов и, как следствие, сохранить студенческий контингент.
Еще одним важным направлением применения учебной аналитики является получение обратной связи при оценке эффективности новых образовательных методик. Анализ цифровых результатов обучения слушателей позволяет оценить, насколько методика эффективна, какие аспекты вызвали наибольшие сложности, где требуется доработка [13].
Отдельного внимания заслуживает практический инструментарий интеллектуального анализа данных в образовательной среде. Для проведения учебной аналитики требуется специальное программное обеспечение (ПО). Это могут быть базовые решения, разработанные компаниями-производителями программ, а также возможна разработка соответствующего ПО силами организации. Данный способ является наиболее трудоемким и не всегда реализуемым в рамках конкретного учреждения, но в то же время, он позволяет учесть текущие запросы организации в наибольшей степени. Одним из вариантов создания программной поддержки при анализе данных пользователей образовательных курсов служит создание интеграционных механизмов различных программных решений в рамках региона либо страны для получения наиболее достоверной агрегированной информации.
Отдельного внимания заслуживает выбор типов и источников данных, используемых для проведения анализа. По мнению автора, в ходе применения методов учебной аналитики исследователю необходимо максимально задействовать доступные данные о деятельности обучающегося. В данном аспекте наиболее эффективно использование логов – автоматически генерируемых записей, фиксирующих информацию о деятельности обучающегося и, как следствие, отражающих его отношение к учебному материалу. Логи, как правило, формируются в рамках той площадки, на которой данный материал размещен. В качестве учитываемых параметров могут использоваться оценки за выполненные задания, количество попыток, предпринятых при выполнении заданий, время, затраченное на изучение материала. При использовании в учебном процессе видеоматериала важной «логируемой» информацией служит время просмотра, фиксация мест видеосюжета, в которых пользователь приостановил просмотр, определение видеофрагментов, к которым обучающийся обращался неоднократно.
Перечисленные типы данных служат базовыми источниками аналитической информации. С ростом вычислительных мощностей ПЭВМ, развитием технологий появляются все новые ресурсы для получения входного материала для проведения учебной аналитики. Одним из новых перспективных направлений анализа данных об обучении является биометрия [3]. Использование биометрических технологий и доступность слушателям онлайн-курсов устройств, фиксирующих биометрические признаки, делает возможным, например, отслеживание направления перемещения взгляда при просмотре видеофрагментов, фиксацию изменения пульса, идентификацию возникающих эмоций, а также отслеживание изменения других биометрических показателей. С помощью такого подхода появляется возможность определения эмоционального отношения пользователя к учебному материалу, устанавливается, является ли данный фиксируемый факт единичным или типичен для группы студентов. Как следствие, педагог получает возможность корректировки подхода к презентации учебного материала.
Биометрия является активно развивающимся направлением во всём мире, методы биометрической идентификации личности внедряются во многие сферы человеческой деятельности от телефонов, ноутбуков, машин, медицины, до доступа на секретный объект, а соответствующие программные решения позволяют осуществлять анализ на основе самых разнообразных биометрических признаков. Биометрические характеристики человека в общем случае разделяются на статические (основанные на физиологических признаках человека, присутствующих с ним на протяжении всей жизни) и динамические (поведение, подсознательные движения: почерк, голос, походка). Для проведения учебной аналитики наиболее информативно использование поведенческой биометрии.
Одним из активно изучаемых видов поведенческой биометрии является клавиатурный почерк пользователя – уникальный для каждого пользователя способ нажатия клавиш при работе на клавиатуре. При фиксации клавиатурного почерка определяется скорость набора текста, сила давления на клавиши, длительность нажатия на клавишу, промежутки времени между нажатиями, частота образования ошибок при наборе текста, особенности использования комбинаций клавиш и т.д. В дополнение к клавиатурному почерку отдельным информативным биометрическим фактором служат особенности использования компьютерной мыши.
Универсальную биометрическую технологию для наиболее эффективного проведения учебной аналитики выбрать достаточно сложно. По мнению автора, для проведения качественного анализа поведения пользователей в образовательной среде на основе их биометрических характеристик наилучшие результаты обеспечит использование мультифакторной биометрии, сочетающей, например, распознавание эмоций по изображению лица и клавиатурный почерк. Эффективность такого подхода во многом определяется тем, что для его реализации не требуется приобретение дополнительных технических сенсорных устройств, кроме того, данные технологии могут активно использоваться в режиме реального времени при работе удаленных пользователей, в том числе, без привлечения внимания пользователя.
Помимо приведенных выше источников данных об обучающемся для повышения эффективности онлайн-обучения может быть использована учебная аналитика, основанная на социально-демографических характеристиках обучающегося, его социальном профиле. Источником социально-демографического профилирования служат открытые данные, размещенные в сети Интернет, социальные сети и иные источники информации. Такие данные при применении соответствующих методов анализа также позволяют выявить проблемные места и, возможно, скорректировать образовательную траекторию.
Таким образом, применение учебной аналитики предоставляет организации широкий спектр возможностей по совершенствованию своей деятельности. Повышается качество обратной связи, улучшается понимание аудитории, у педагога появляется возможность определения уровня обучения, на котором в данный момент находится слушатель, а также определения моментов, вызывающих наибольшие трудности. Появляется возможность разделения обучающихся на группы с последующей адаптацией подачи учебного материала для каждой из групп с учетом имеющихся запросов.
Учебная аналитика позволяет также увеличить степень вовлеченности студента в учебный процесс, это обеспечивается возможностью просмотра результатов анализа данных о собственном обучении самим студентом непосредственно в электронной образовательной среде. Благодаря аналитическим функциям таких систем обучающийся может отслеживать изменение своего рейтинга среди группы обучающихся, но в первую очередь, видеть собственный прогресс на каждом из этапов обучения. Обучающийся, отслеживая динамику накопленных за выполнение заданий баллов, получает возможность определения усилий, которые необходимо приложить, например, для перехода на следующий уровень. Тем самым в образовательный процесс включаются элементы геймификации [7]. Как следствие, даже без участия преподавателя обучающийся стремится к принятию решений по улучшению своего прогресса.
Одним из преимуществ, которые обеспечивает учебная аналитика, является сокращение сроков обучения с сохранением качества овладения знаниями обучающимся. Своевременное принятие решений на основе собранных данных может, в свою очередь, послужить потребности в инициативном выделении обучающимся дополнительного времени на ознакомление с учебным контентом, что также является фактором, положительно влияющим на прогресс учащегося.
Таким образом, учебная аналитика – действительно перспективное научное направление, неизменно вызывающее интерес в профессиональном сообществе. В ряде организаций вводится специальная должность «ответственный за данные», появляется потребность в обеспечении возможности принятия data driven – решений (решений, основанных на данных).
Однако, несмотря на большой потенциал применения и богатый спектр имеющихся технологических решений повсеместное развитие и внедрение учебной аналитики сдерживается рядом барьеров [12]. Одно из таких препятствий имеет психологическую природу и связано с негативным восприятием анализа «цифровых следов» в электронной образовательной среде как обучающимися, так и педагогами в качестве инструмента дополнительного контроля за их деятельностью. Кроме того, онлайн-обучение не покрывает весь образовательный процесс вуза, а также не всегда для такого обучения используется единая платформа, а заначит значительная часть очного взаимодействия преподавателя со студентами либо между обучающимися внутри коллектива не учитывается в анализе. В силу неполного покрытия учебного процесса при смешанном обучении вряд ли можно говорить о высоком качестве выводов, сделанных на основе данных только об онлайн-обучении. Для построения надежной системы аналитики необходимы дополнительные источники информации, появляющихся при очном формате обучения, включая результаты промежуточной аттестации, реактивные данные, результаты опросов и др.
Отдельным проблемным вопросом является необходимость решения правовых и этических вопросов использования персональных данных, задач по организации технической защиты информации при осуществлении учебной аналитики [6]. Однако, использование современных инструментов деперсонализации данных, когда в системе и логах хранится не персональная информация пользователя, а обезличенный идентификатор, а также доведение до всех участников образовательного процесса принципов работы таких методов обезличивания способны во многом снять напряженное отношение к угрозе утечки личных данных.
Поскольку наиболее актуальной проблемой, сдерживающей повсеместное внедрение учебной аналитикой, является возрастающая потребность в специалистах, обладающих не только предметными знаниями и педагогическими навыками, но и владеющими узкими IT-компетенциями в сфере интеллектуального анализа данных, имеющими возможность работать с системами управления базами данных, владеющих навыками разработки программного обеспечения [9]. В настоящее время в образовательных организациях круг таких специалистов достаточно узок, что приводит к необходимости привлечения внешних специалистов для сбора и обработки данных, либо проведения дополнительного обучения собственных сотрудников работе с современными инструментами анализа данных. И в том, и в другом случае требуется дополнительное обучение с учетом предметной специфики, необходимостью знакомства со специализированными программами и средами, а также выработки компетенций по статистической обработке больших объемов данных. По мнению автора, для решения задачи кадрового обеспечения образовательных организаций, стремящихся к повышению результативности своей деятельности, наиболее эффективным видится разработка собственных программ дополнительного образования по тематике учебной аналитики, а также вовлечение студентов вузов в развитие методов и апробацию инструментов анализа данных об учебном процессе путем включения в перечень курсов по выбору дисциплин, связанных с интеллектуальным анализом данных в электронной образовательной среде, и включение таких направлений исследований в тематику выпускных квалификационных работ. Благодаря данному подходу возможно не только повышение общего интереса к рассматриваемому стеку технологий, а также развитие необходимых практических компетенций, но и за счет знакомства с применяемыми инструментами защиты данных, механизмами их обработки, формируется более положительное отношение к данному направлению анализа.
На рисунке 1 приведен фрагмент структуры курса «Учебная аналитика», разработанного автором и предназначенного для формирования у преподавателей, студентов, аналитиков практических навыков для проведения интеллектуального анализа данных, формируемых в ходе образовательного процесса. Курс может использоваться как в ходе проведения дополнительного профессионального образования и профессиональной переподготовки, так и в учебном процессе вуза в качестве вариативной части.
Рисунок 1 – Фрагмент структуры курса «Учебная аналитика»
Для проведения учебной аналитики требуются специалисты, обладающие достаточно широкими компетенциями. Необходимы знания в сфере организации учебного процесса, педагогические навыки, знакомство с методами сбора данных, обработки статистической информации, разработкой алгоритмов для создания необходимого программного обеспечения, требуются навыки в сфере Data Science (науки о данных) для осуществления постановки проблемного вопроса и формулировки гипотез. Разработанный курс создан как с учетом педагогической специфики, так и в соответствии с современным состоянием сферы информационных технологий для анализа данных.
Отдельное место в курсе уделено формированию навыков работы саналитической платформой Loginom – отечественной разработки компании Base Gropup [5]. Данная платформа имеет бесплатную версию Loginom Community, доступную для некоммерческого использования и работающую в web-браузере. На рисунке 2 приведен интерфейс программного средства Loginom на этапе построения сценария для анализа данных.
Рисунок 2 – Интерфейс программного средства Loginom на этапе построения сценария анализа данных
На основе опыта апробации данной платформы при обучении студентов 4 курса технического вуза следует отметить, что программное средство Loginom не вызывает сложности в установке и освоении, имеет низкий порог вхождения, в том числе, за счет наличия доступной русскоязычной пользовательской документации и привлекательно для использования в силу наличия интерактивных элементов управления, а также качественной графики. Для применения в образовательном процессе аналитической платформы Loginom не потребовалось привлечения дополнительного финансирования, дистрибутив был загружен с официального сайта производителя.
Подводя итог вышесказанному, следует отметить, что в настоящее время данных о различных сферах деятельности человека, и в области образования в том числе, накопилось достаточно много. Соответственно, возникает естественная задача использования таких данных максимально эффективно,
с пользой для обучающихся, педагогов, образовательных организаций. В связи с этим возникает потребность не только в формировании навыков по сбору и статистическому анализу накопленных данных, но и высоких компетенций по интерпретации полученных результатов, формулированию гипотез и предложению практических сфер применения полученных решений, созданию информационной поддержки для принятия эффективных управленческих решений. Успешное решение обозначенной задачи, реализация мероприятий по внедрению систем и методов учебной аналитики в деятельность образовательных организаций становится вполне достижимым при тесном взаимодействии представителей образования, технических специалистов и самих обучающихся.
1. Belonozhko P.P., Karpenko A.P., Hramov D.A. Analiz obrazovatel'nyh dannyh: napravleniya i perspektivy primeneniya [Analysis of educational data: directions and prospects of application]. Internet-zhurnal Naukovedenie [Online Journal of Science Studies], 2017, Tom 9, no. 4, pp. 57. (in Russian)
2. Vilkova K.A., Zaharova U.S. Uchebnaya analitika v tradicionnom obrazovanii: ee rol' i rezul'taty [Educational analytics in traditional education: its role and results]. Universitetskoe upravlenie: praktika i analiz [University management: practice and analysis], 2020, Tom 24, no. 3, pp. 59-76. (in Russian)
3. Gamidov M.G., Bystrova E.G. Biometriya v obrazovanii studentov biologicheskih special'nostej [Biometrics in the education of students of biological specialties]. Obrazovatel'naya sreda vuza: resursy, tekhnologii: Materialy mezhdunarodnoj nauchno-metodicheskoj konferencii, Blagoveshchensk, 20–21 yanvarya 2009 goda [Educational environment of the university: resources, technologies: Materials of the International scientific and methodological conference, Blagoveshchensk, January 20-21, 2009] / Nauchnyj redaktor: Prokazin Viktor Valentinovich. Blagoveshchensk: Amurskij gosudarstvennyj universitet, 2009. pp. 127-128 (in Russian)
4. Grinshkun V.V. Problemy i puti effektivnogo ispol'zovaniya tekhnologij informatizacii v obrazovanii [Problems and ways of effective use of informatization technologies in education]. Vestnik Moskovskogo universiteta. Seriya 20: Pedagogicheskoe obrazovanie [Bulletin of the Moscow University. Series 20: Teacher Education], 2018, no. 2, pp. 34-47. (in Russian)
5. Evsyukov V.V. Analiticheskaya platforma Loginom - universal'nyj instrument uglublennoj analitiki [Loginom analytical platform is a universal tool for in-depth analytics] // Vestnik Tul'skogo filiala Finuniversiteta [Bulletin of the Tula branch of the Financial University]. 2020. no 1. pp. 291-292.
6. Kazarenkov V.I., Karnelovich M.M., Kazarenkova T.B. Ispol'zovanie elektronnyh obrazovatel'nyh resursov v professional'nom obrazovanii: preimushchestva i riski [The use of electronic educational resources in professional education: advantages and risks]. Vestnik Moskovskogo universiteta. Seriya 20: Pedagogicheskoe obrazovanie [Bulletin of the Moscow University. Series 20: Teacher Education], 2020, no. 4, pp. 9-18. (in Russian)
7. Maliataki V.V., Vendina A.A. Realizaciya elementov gejmifikacii v obuchenii s ispol'zovaniem sistemy distancionnogo obucheniya Moodle [Implementation of gamification elements in learning using the Moodle distance learning system] // Elektronnoe obuchenie v nepreryvnom obrazovanii [E-learning in continuing education]. 2016. no 1. pp. 287-291.
8. Mejsurova A.F., Kratovich P.V., Notov A.A. Primenenie tekhnologij elektronnogo obucheniya dlya povysheniya kachestva universitetskogo obrazovaniya [Application of e-learning technologies to improve the quality of university education]. Vestnik Tverskogo gosudarstvennogo universiteta. Seriya: Pedagogika i psihologiya [Bulletin of Tver State University. Series: Pedagogy and Psychology], 2019, no. 3 (48), pp. 175-186. (in Russian)
9. Pekker P.L. Professional'nye kompetencii prepodavatelej elektronnyh kursov (na primere nacional'noj rossijskoj platformy otkrytogo obrazovaniya) [Professional competencies of e-course teachers (using the example of the national Russian open education platform)]. Vestnik Moskovskogo universiteta. Seriya 20: Pedagogicheskoe obrazovanie [Bulletin of the Moscow University. Series 20: Teacher Education], 2016, no. 3, pp. 109-117. (in Russian)
10. Semenova T.V., Vilkova K.A. Vklad harakteristik uchastnikov massovyh otkrytyh onlajn-kursov (MOOK) v formirovanie urovnya udovletvorennosti obucheniem [Contribution of characteristics of participants of mass open online courses (MOOCs) to the formation of the level of satisfaction with learning]. Monitoring obshchestvennogo mneniya: ekonomicheskie i social'nye peremeny [Public opinion monitoring: economic and social changes], 2019, no. 4 (152), pp. 262-277. (in Russian)
11. Serditova N.E., Belocerkovskij A.V. Obrazovanie, kachestvo i cifrovaya transformaciya [Education, quality and digital transformation]. Vysshee obrazovanie v Rossii [Higher education in Russia], 2020, Tom 29, no. 4, pp. 9-15. (in Russian)
12. Trudnosti i perspektivy cifrovoj transformacii obrazovaniya [Difficulties and prospects of digital transformation of education]: monograph / pod red. A.YU. Uvarova, I.D. Frumina. M.: NIU «Vysshaya shkola ekonomiki» Publ., 2019, 344 p. (in Russian)
13. Tsar'kova E.G., Vorotnikova T.YU. Primenenie informacionnyh tekhnologij dlya povysheniya effektivnosti processa obucheniya [The use of information technology to improve the effectiveness of the learning process]. Podgotovka kadrov dlya ugolovno-ispolnitel'noj sistemy Rossijskoj Federacii: problemy, perspektivy, innovacii. Sbornik materialov nauchno-metodicheskoj konferencii, Ryazan', 20-22 noyabrya 2019 goda [Training of personnel for the penal system of the Russian Federation: problems, prospects, innovations. Collection of materials of the scientific and methodological conference, Ryazan, November 20-22, 2019]. Ryazan': Akademiya prava i upravleniya Federal'noj sluzhby ispolneniya nakazanij Publ., 2019, pp. 135-141. (in Russian)
14. Chulanova O.L. Vozmozhnosti primeneniya deskriptivnoj, prognoznoj, prediktivnoj i preskriptivnoj hr -analitiki kak cifrovyh trendov [The possibilities of using descriptive, predictive, predictive and prescriptive HR analytics as digital trends] // Materialy Afanas'evskih chtenij [Materials of the Afanasiev readings]. 2020. no. 1 (30).
