CC BY
28
известия вгпу
А.И. МОРОЗОВ (Волгоград)
аналитика обучения студентов при реализации массового онлайн-курса
Рассматриваются актуальные подходы, направления и теоретические модели в области аналитики обучения. Раскрываются возможности и ограничения использования аналитики обучения в высшем профессиональном образовании. По результатам теоретического анализа представлен проект МООК «Практикум академической компетентности» с использованием рекомендаций по построению персонализированных образовательных маршрутов на основе данных аналитики обучения.
Ключевые слова: аналитика обучения, МООК, персонализированное обучение, академическая компетентность, электронное обучение, LMS MOODLE.
Эпидемиологическая обстановка последних лет выступила катализатором широкого применения и развития образовательных практик в профессиональном образовании, связанных с электронным обучением и дистанционными образовательными технологиями. Здесь тенденция цифровизации образования органично совпадает с растущим спросом среди студентов на персонализированный подход в обучении и гибкие образовательные маршруты [8], поскольку именно в электронном обучении техническое опосредствование через LMS (Learning management system, система управления обучением) обладает необходимым потенциалом для удовлетворения актуальных запросов студентов. Данный потенциал состоит в том, что современные системы управления обучением имплицитно обладают такими базовыми возможностями, как сбор, анализ и систематизация данных об академической активности, что является основой для построения персонализированных образовательных маршрутов в электронном обучении с опорой на индивидуальные образовательные потребности студентов.
Основой для построения персонализированных образовательных маршрутов и массовых онлайн-курсов (МООК) в адаптивном дизайне является использование аналитики обучения (АО). Данное направление исследований появилось сравнительно недавно в оте-
чественном научно-педагогическом дискурсе (Э.Ф. Зеер, К.А. Вилкова, У.С. Захарова, Т.Ю. Быстрова, В.А. Ларионова, Е.А. Тербу-шева, Т.М. Шамсутдинова, Е.В. Синицын и др.) и несколько раньше - в зарубежных исследованиях (Дж. Сименс, Л. О'Фарелл, С. Яссин, C. Джоксимович, В. Греллер и др.). Ретроспективный анализ исследований в области аналитики обучения показал, что данное направление актуализировалось вместе с возрастающей ролью больших данных в экономике и социальной сфере. По мнению М. Веллера, интерес к аналитике обучения также обусловлен активным использованием электронного обучения в образовательном процессе. обучение в современном профессиональном образовании все чаще происходит посредством массовых открытых онлайн-курсов (Моок), что ведет к росту данных об этом процессе, представляющих интерес для аналитики обучения [19].
одним из первых мероприятий по данной проблематике стала международная конференция "LAK 2011: 1st International Conference on Learning Analytics and Knowledge", где аналитика обучения была определена как «измерение, сбор, анализ и построение отчетов по данным об учебной активности обучающихся с целью понять и оптимизировать образовательный процесс» [14, с. 34]. По мнению Дж. Сименса и Ф. Лонга, на уровне отдельных курсов и дисциплин объектом анализа в Ао является процесс обучения, в то время как на уровне отдельных подразделений университета анализируются образовательные программы [18]. При этом авторы вводят разграничение между аналитикой обучения и академической аналитикой, которая сосредоточена на уровне институций, регионов и национальных систем образования [Там же, с. 36].
Цель аналитики обучения в высшем профессиональном образовании, по мнению исследователей, состоит, прежде всего, в повышении качества обучения и помощи студентам [3]. На административном уровне ценность аналитики обучения состоит в создании условий для принятия более точных административных решений на основе больших данных об образовательном процессе, увеличении эффективности и продуктивности образовательных организаций с использованием доказательного подхода в менеджменте [20]. Исходя из вышеуказанных целей, исследователи выделяют дескриптивное (что происходит?), предиктивное (что скорее всего произойдет?)
О Морозов А.И., 2022
педагогические науки
и прескриптивное (что необходимо сделать?) направление в аналитике обучения [16].
Дескриптивная аналитика обучения направлена на анализ текущей или недавней ситуации в цифровой образовательной среде и выделении ее ключевых количественных характеристик. На примере аналитики обучения в МООК такими характеристиками выступает количество подписчиков курса, данные об успешности прохождения определенного типа заданий и т. д. К.А. Вилкова и У.С. Захарова считают, что результатом дескриптивной аналитики обучения может выступать набор графически представленных данных об учебной активности студента [3]. В ряде исследований отмечается, что визуализация учебной активности приносит студентам пользу, помогает повысить вовлеченность в учебную деятельность [15].
Предиктивное направление аналитики обучения основано на анализе данных о прошедшей активности обучающихся, выявлении значимых корреляций между различными показателями и характеристиками для прогнозирования наиболее вероятных событий в ближайшем будущем. Практическое применение пре-диктивной аналитики обучения в МООК чаще всего сосредоточено на выявлении студентов с наиболее высоким риском отчисления и предоставлении им адресной помощи.
Наиболее известным практическим примером из данной области является система Course Signals, предназначенная для раннего предупреждения трудностей в обучении за счет использования аналитики обучения [11]. Вторым популярным направлением в преди-ктивной аналитике обучения является анализ данных об активности академических успешных студентов для построения моделей академической успешности и повышения качества преподавания [13].
Прескриптивная аналитика обучения также использует данные о прошедшей активности студентов, однако ее цель состоит в предоставлении конкретных рекомендаций студентам по преодолению трудностей в обучении и достижению академических успехов. Рекомендательные системы представляют собой технические средства, которые на основе цифрового следа студента выстраивают его профиль (модель обучающегося) и затем предоставляют ему персонализированные рекомендации.
По мнению Л. О'Фарелла, этот подход имеет несколько преимуществ. Во-первых, авто-
Обучающиеся
Коррекция
Данные
Измерения/ аналитика
Рис. 1. Цикл аналитики обучения по Д. Клоу (2012) '
матический характер работы рекомендательных систем позволяет преподавателям сохранить время для более глубокой адресной поддержки нуждающихся студентов. Во-вторых, рекомендации основаны на данных об активности большого количества студентов, что увеличивает точность построения маршрутов по достижению желаемых студентом академических результатов [16].
Более широким теоретическим обобщением, чем отдельные направления аналитики обучения, является процессуальная модель Д. Клоу, где описан полный цикл аналитики обучения (рис. 1) [12].
Согласно представленной автором модели, цикл большинства проектов в области аналитики обучения начинается с активности обучающихся (рис. 1, «Обучающиеся»), которая оставляет «след» в цифровой образовательной среде. Затем происходит генерация и сбор данных об активности обучающихся по множеству параметров (рис. 1, «Данные»). Например, собираются демографические характеристики, данные входа и история посещений, сообщения на форуме, текущий статус студента и др. По мнению Д. Клоу, часть данных на этом этапе цикла может быть сгенерирована автоматически, но сбор и анализ специфических наборов данных требуют коллективных усилий от специалистов разного профиля.
Следующий этап цикла (рис. 1, «Измерения/аналитика») состоит в анализе и визуализации данных о процессе обучения, где составляются списки учащихся из «группы риска», происходит сравнение показателей с эталонными или предыдущими. Как считает Д. Клоу, данный этап является центральным в боль-
известия вгпу
Аналитический блок
данные об активности студентов
результаты диагностики
Рис. 2. Структурно-процессуальная модель МООК с персонализированными рекомендациями на основе данных аналитики обучения
шинстве проектов из области аналитики обучения, и включает в себя использование инновационных инструментов и методов. Например, используются информационные панели, прогностические модели, цифровые профили, анализ социальных сетей, рекомендательные сервисы и т. д.
Заключительный этап цикла АО состоит в коррекции процесса обучения или содержания МООК. В качестве примера можно привести установление личных контактов со студентами с риском отчисления, изменение заданий, которые вызывают значительные трудности у большинства студентов. Д. Клоу отмечает, что аналитика обучения не обязательно включает в себя все четыре вышеуказанных цикла: «проект из области аналитики обучения, который предполагает сбор данных и отчеты об активности студентов, но имеет механизма обратной связи, тоже является проектом в области аналитики обучения, пусть и менее эффективным» [12, с. 135].
Несмотря на потенциальную ценность, использование аналитики обучения на практике несет в себе ряд проблем, которые необходимо учитывать в практических разработках. Во-первых, с этической и правовой стороны возрастает необходимость обеспечения защиты в области персональных данных студентов и со-
блюдения этики их использования. На данном этапе развития веб-технологий (WEB 2.0) часто сохраняется риск взлома баз данных, содержащих персональную информацию, но с потенциалом развития веб-технологий в ближайшем будущем (WEB3) подобные риски должны существенно снизиться. Во-вторых, для корректного использования аналитики обучения от преподавателя требуется высокий уровень в области цифровой компетентности. По данным исследования НАФИ «Цифровая грамотность российских педагогов», где педагогам предлагалось оценить коллег в области владения цифровыми технологиями, выяснилось, что по оценкам 38% педагогов от 40 до 100% их коллег неуверенно пользуются цифровыми технологиями или вовсе их не используют [9]. В-третьих, использование аналитики обучения сопровождается техническими сложностями. Современные LMS в своем устройстве во многом содержат идеи традиционного обучения и не всегда успевают перестраиваться вслед за новыми педагогическими идеями и концепциями в области электронного обучения и цифровой дидактики. Например, в исследованиях отмечается, что LMS MOODLE имеет широкие возможности и потенциал для использования аналитики обучения (прогнозное моделирование на основе механизма машинного обучения Python), но использовать полученные модели для обеспечения адаптивности и персонализированных образовательных маршрутов возможно только в ручном режиме [7; 10; 17; 21]. В-четвертых, К.А. Вилко-ва и У.С. Захарова считают, что многие преподаватели воспринимают рекомендательные системы и аналитику обучения как угрозу своему праву на принятие решений, касающихся учебного процесса [3, с. 68].
Практическая реализация теоретических положений из области аналитики обучения с учетом всех потенциальных достоинств и рисков планируется нами на материале массового открытого онлайн-курса по дисциплине «Практикум академической компетентности» для психологических и психолого-педагогических направлений подготовки Волгоградского государственного социально-педагогического университета, где академическая компетентность (Ак) понимается как «комплекс личностных качеств, знаний и умений, способствующих получению более качественного образования» [5]. При этом структуру академической компетентности составляют такие компоненты, как навыки самоорганизации
Ро коменд ате ль ны п блок
_профиль АК_
i
рекомендации
- педагогические науки -
диагностические инструменты в моок «Практикум академической компетентности»
Шкалы опросника академической компетентно сти Дополнительные методики
Академическая мотивация Шкалы академической мотивации (Т.О. Гордеева, O.A. Сычев, Е.Н. Осин)
Самоорганизация Стиль саморегуляции поведения (В.И. Моросанова)
Саморегуляция эмоциональных состояний Шкала трудностей эмоциональной регуляции (К. Гратц, Л. Румер)
Навыки устной и письменной речи Шкала оценки коммуникативных речевых навыков (Р. Эриксон)
Навыки межличностного общения Оценка самоконтроля в общении (М. Снайдер)
Навыки работы с информацией (цифровая компетентность) Индекс цифровой компетентности (Г.У. Солдатова)
учебной деятельности, навыки работы с информацией, письменная и устная речь, навыки межличностного общения, навыки саморегуляции эмоциональных состояний и учебно-профессиональная мотивация [4].
В отношении исследования по формированию академической компетентности студентов, дескриптивная аналитика обучения включает в себя несколько направлений.
Первое направление применения аналитики обучения как основы для построения персонализированных образовательных маршрутов в МООК связано с начальным этапом его реализации (рис. 2, «Аналитический блок»), где предполагается анализ текущего состояния академической компетентности каждого студента посредством авторского опросника и стандартизированных диагностических методик.
Для решения исследовательских задач и предоставления более точных рекомендаций по построению персонализированного образовательного маршрута на данном этапе реализации курса (рис. 2, «Аналитический блок, результаты диагностики») в модули был включен набор диагностических методик, совпадающих по предмету исследования со шкалами опросника Ак (см. табл. выше). Предполагается, что анализ наборов данных по результатам опросника Ак и указанных в таблице методик позволит произвести более детальный анализ состояния компонентов академической компетентности, выявить значимые взаимосвязи, а также предоставить более точные рекомендации по построению персонализированных образовательных маршрутов в МООК «Практикум академической компетентности».
Цель данного этапа состоит в том, чтобы определить профиль академической компетентности студента (рис. 2, «Рекомендательный блок»), включающий в себя характеристики академической мотивации (АМ), самоорганизации (СО), саморегуляции эмоциональных состояний (СЭ), навыков межличностного общения (О), устной и письменной речи (Р), цифровой компетентности (ЦК) и затем на основе показателей данного профиля предложить рекомендации по построению индивидуального маршрута прохождения курса, выполненные в виде активных ссылок на разделы МООК с различным цифровым образовательным контентом (рис. 3).
Стоит отметить, что опора только лишь на количественные данные оставили бы результаты аналитики обучения неполными, поэтому в каждом модуле курса представлены формы самоотчета («Рефлексивные дневники») и формы обратной связи. Каждый дневник направлен на рефлексивный анализ проявления компонента АК в учебной деятельности с учетом особенностей самого компонента по нескольким областям. Формы обратной связи предполагают рассказ студентов об опыте работы над разделом, типичных трудностях и пожеланиях.
Таким образом, несмотря на существенные внутренние риски, использование аналитики обучения в массовых онлайн-курсах оказывается необходимым для удовлетворения актуальных запросов студентов на адаптивное обучение и персонализированные образовательные маршруты. Перспектива в отношении разработки и реализации МООК «Практи-
известия вгпу
рис. 3. Профиль академической компетентности студента с персонализированными рекомендациями на базе LMS MOODLE [20]
кум академической компетентности» состоит в доработке точности рекомендаций и профиля академической компетентности, расширении вариативности цифрового образовательного контента и др. Перспектива развития аналитики обучения как области исследований состоит в модернизации технических возможностей LMS с уклоном на адаптивные возможности, совместно-распределенную учебную деятельность и коммуникацию, а также в повышении цифровой компетентности преподавателей, без которой нельзя обойтись в подго-
товке будущих профессионалов в области образования.
список литературы
1. Адаптивное обучение в высшем образовании: за и против / К.А. Вилкова, Д.В. Лебедев. М., 2020.
2. Бордачев Д.В. Разработка адаптивного массового открытого онлайн-курса в рамках обучения технологиям искусственных нейронных сетей // Вестн. Рос. ун-та дружбы народов. Сер.: Информатизация образования. 2021. Т. 18. № 1. С. 100-106.
педагогические науки
3. Вилкова К.А., Захарова У.С. Учебная аналитика в традиционном образовании: ее роль и результаты // Университетское управление: практика и анализ. 2020. № 24(3). С. 59-76.
4. Меркулова О.П. Практикум академической компетентности. Как учиться в вузе успешно и самостоятельно?: учеб. пособие. Саратов, 2018.
5. Меркулова О.П., Михайлова Н.С. Методические предпосылки разработки средств диагностики академической компетентности студентов вуза [Электронный ресурс] // ТехноОБРАЗ' 2017: Инновации в образовании: сб. науч. ст. участников XI Междунар. науч. конф. (Гродно, 14-15 марта 2017 г.). Гродно, 2017. URL: http://depository.bas-net.by/EDNI/Deposits/Details.aspx?Id=483 (дата обращения: 20.11.2020).
6. Профиль академической компетентности студента с персонализированными рекомендациями (образец) [электронный ресурс]. URL: http:// results.accourse.ru/ (дата обращения: 08.04.2022).
7. Тербушева Е.А., Пиотровская К.Р. Аналитический потенциал платформы Moodle для мониторинга качества персонифицированного обучения // Общество. Коммуникация. Образование. 2021. Т. 12. № 4. С. 19-34. DOI: 10.18721/JHSS.12402.
8. Уроки «Стресс-теста»: вузы в условиях пандемии и после нее. Аналитический доклад [Электронный ресурс]. URL: http://fgosvo.ru/uploadfiles/ lesson_stress_test.pdf (дата обращения 11.09.2020).
9. Цифровая грамотность российских педагогов. Готовность к использованию цифровых технологий в учебном процессе / Т.А. Аймалетдинов, Л.Р. Баймуратова, О.А. Зайцева [и др.]. М., 2019. Т. 84. С. 43-44.
10. Шамсутдинова Т.М. Формирование индивидуальной образовательной траектории в адаптивных системах управления обучением // Открытое образование. 2021. № 25(6). С. 36-44. DOI: https:// doi.org/10.21686/1818-4243-2021-6-36-44.
11. Kimberly A. & Pistilli M. Course signals at Purdue: Using learning analytics to increase student success. ACM International Conference Proceeding Series. 2012. DOI: 10.1145/2330601.2330666.
12. Clow D. The learning analytics cycle: closing the loop effectively // Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK '12). Association for Computing Machinery, New York, NY, USA, 2012. 134-138. DOI: https://doi.org/10.1145/2330601.2330636.
13. Dragan G. & Shane D. & Rogers Tim & Ga-sevic D. Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success // The Internet and Higher Education. 2016. № 28. P. 68-84. DOI: 10.1016/j. iheduc.2015.10.002.
14. Long P., Conole G., Siemens George Association for Computing Machinery-Digital Library // LAK '11: proceedings of the 1st International Confe-
rence on Learning Analytics and Knowledge, February 27-March 1, 2011.
15. Nottingham Trent University. NTU Student Dashboard: Introduction to the Dashboard [Electronic resource] // Nottingham Trent University. 2017. URL: https://www4.ntu.ac.uk/adq/document_uploads/ rimning_a_course/164304.pdf (дата обращения: 02.04.2022).
16. O'Farrell L. Using Learning Analytics to Support the Enhancement of Teaching and Learning in Higher Education [Electronic resource] // National Forum for the Enhancement of Teaching and Learning in Higher Education. 2017. URL: https://www. teach ingandlearning.ie/publication/using-learning-analytics-to-support-the-enhancement-of-teaching-and-learning-in-higher-education/ (дата обращения: 11.06.2020).
17. Papanikolaou, Kyparisia & Boubouka M. Personalised Learning Design in Moodle. 2020. P. 57-61. DOI: 10.1109/ICALT49669.2020.00024.
18. Siemens G. & Long Ph. Penetrating the Fog: Analytics in Learning and Education. EDUCAUSE Review. 2011. # 5. P. 30-32. DOI: 10.17471/24994324/195.
19. Weller M. 25 Years of Ed Tech: Book series: Distance Education, AU Press // Croatian Medical Journal. 2020. # 61(5). P. 477-480.
20. Wong B. Learning analytics in higher education: an analysis of case studies // Asian Association of Open Universities Journal. 2017. # 12. P. 21-40. DOI: 10.1108/AAOUJ-01-2017-0009.
21. Yassine S., Kadry S., Sicilia M. A Framework for Learning Analytics in Moodle for Assessing Course Outcomes. 2016. P. 261-266. DOI: 10.1109/EDUCON. 2016.7474563.
* * *
1. Adaptivnoe obuchenie v vysshem obrazova-nii: za i protiv / K.A. Vilkova, D.V. Lebedev. M., 2020.
2. Bordachev D.V. Razrabotka adaptivnogo mas-sovogo otkrytogo onlajn-kursa v ramkah obucheniya tekhnologiyam iskusstvennyh nejronnyh setej // Vestn. Ros. un-ta druzhby narodov. Ser.: Informatizaciya ob-razovaniya. 2021. T. 18. № 1. S. 100-106.
3. Vilkova K.A., Zaharova U.S. Uchebnaya ana-litika v tradicionnom obrazovanii: ee rol' i rezul'taty // Universitetskoe upravlenie: praktika i analiz. 2020. № 24(3). S. 59-76.
4. Merkulova O.P. Praktikum akademicheskoj kompetentnosti. Kak uchit'sya v vuze uspeshno i samostoyatel'no?: ucheb. posobie. Saratov, 2018.
5. Merkulova O.P., Mihajlova N.S. Metodiches-kie predposylki razrabotki sredstv diagnostiki akade-micheskoj kompetentnosti studentov vuza [Elektronnyj resurs] // TekhnoOBRAZ' 2017: Innovacii v obra-zovanii: sb. nauch. st. uchastnikov XI Mezhdunar. nauch. konf. (Grodno, 14-15 marta 2017 g.). Grodno, 2017.
известия вгпу
URL: http://depository.bas-net.by/EDNI/Deposits/ Details.aspx?Id=483 (data obrashcheniya: 20.11.2020).
6. Profil' akademicheskoj kompetentnosti studenta s personalizirovannymi rekomendaciyami (obrazec) [Elektronnyj resurs]. URL: http://results.accourse.ru/ (data obrashcheniya: 08.04.2022).
7. Terbusheva E.A., Piotrovskaya K.R. Analiti-cheskij potencial platformy Moodle dlya monitoringa kachestva personificirovannogo obucheniya // Obsh-chestvo. Kommunikaciya. Obrazovanie. 2021. T. 12. № 4. S. 19-34. DOI: 10.18721/JHSS.12402.
8. Uroki «Stress-testa»: vuzy v usloviyah pande-mii i posle nee. Analiticheskij doklad [Elektronnyj resurs]. URL: http://fgosvo.ru/uploadfiles/lesson_str ess_test.pdf (data obrashcheniya 11.09.2020).
9. Cifrovaya gramotnost' rossijskih pedagogov. Gotovnost' k ispol'zovaniyu cifrovyh tekhnologij v uchebnom processe / T.A. Ajmaletdinov, L.R. Bajmu-ratova, O.A. Zajceva [i dr.]. M., 2019. T. 84. S. 43-44.
10. Shamsutdinova T.M. Formirovanie indivi-dual'noj obrazovatel'noj traektorii v adaptivnyh siste-mah upravleniya obucheniem // Otkrytoe obrazova-nie. 2021. № 25(6). S. 36-44. DOI: https://doi.org/10. 21686/1818-4243-2021-6-36-44.
Analytics of students' education in the process of the implementation of Massive Open Online Course
The article deals with the topical approaches, directions and theoretical models in the sphere of education's analytics. There are revealed the opportunities and limits of the use of the education's analytics in the higher professional education. In the result of the theoretical analysis there is presented the project of Massive Open Online Course "Practical Training of Academic Competence" with the use of the recommendations aimed at the formation of the personalized educational trajectories on the basis of the data of the education's analytics.
Key words: analytics of education, Massive Open Online Course, personalized education, academic competence, e-learning, LMSMOODLE.
(Статья поступила в редакцию 22.04.2022)
А.В. МызГинА (Волгоград)
сущностные характеристики долга как личностного качества школьников подросткового возраста
Определено понятие долга как личностного качества школьников подросткового возраста. Охарактеризована специфика подросткового возраста для формирования долга как личностного качества. Выявлены функции, описана структура, охарактеризованы компоненты долга, разработаны критерии, уровни сформированности долга у школьников подросткового возраста.
Ключевые слова: долг, компонент, критерии, уровни, функции.
В настоящее время воспитательная деятельность в школьном образовании является ведущим направлением. Статья 43 ФЗ «Об образовании в РФ» гласит о том, что «школьники обязаны учиться добросовестно, стремиться к нравственному и духовному развитию, а также уважительно относиться к сверстникам и педагогам». Одним из внутренних побуждений личности к соблюдению указанных обязанностей может служить долг. Он необходим человеку как будущему гражданину своей страны, потому что он обязан знать историю своего государства, уважать культуру и традиции своего народа, сохранять духовные ценности общества и стремиться к добрым поступкам. Поэтому воспитание данного качества является важной задачей в формировании личности подростка. Подростковый возраст является сензитивным периодом для воспитания долга, т. к. происходит рост потребности в общении, расширяются права и обязанности, возрастает роль личной ответственности.
Современные исследования, выполненные A.A. Сычевым, А.Б. Купрейченко, А.Б. Воробьевой, В.Ш. Сабировым, О.А. Павловской, A.A. Журавлевым, В.А. Кольцовой, Е.Н. Гудковой, Е.В. Кондратьевой и др., затрагивают проблему сущности долга и его формирования. Однако диагностирование учащихся 7-8-х классов (МОУ лицей № 10, МОУ СШ № 56, МОУ СШ № 110) Кировского района г. Волгограда с использованием письменного анкетирования, беседы с подростками, проведения уроков на
О Mbraram АВ., 2022
