Аналитика обучения студентов при реализации массового онлайн-курса

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. Тербушева, 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, c. 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?)

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 предиктивной 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 предиктивной 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-

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, «Измере-ния/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-

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. Вилкова 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, c. 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

ПЕДАГОГИЧЕСКИЕ НАУКИ

Диагностические инструменты в МООК «Практикум академической компетентности»

Шкалы опросника академической компетентности	Дополнительные методики
Академическая мотивация	Шкалы академической мотивации (Т.О. Гордеева, О.А. 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 учебнопрофессиональная 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-

Результаты опросника АК

Рекомендации по результатам:

кейс "Прокрастинация’’, лекция 2;

лекция 3, планирование в Notion;

профилактика тревожности, трекер настроения, лекция 1

рефлексивный дневник 4

кейс 2, подготовка к курсовой работе безопасность в интернете, создание презентаций в Canva, создание видеоэссе

Сфера АК

АМ

СО

СЭ

О

Р

ЦК результаты отдельного студента

Результат

Найти свой результат...

Вернуться на курс

Найти

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.