Персонализированное обучение школьников на основе анализа больших данных в образовании

Автор: Александрова Наталья Алексеевна

Журнал: Общество: социология, психология, педагогика @society-spp

Рубрика: Педагогика

Статья в выпуске: 9, 2022 года.

Бесплатный доступ

Статья посвящена проблеме формирования педагогической модели персонализированного обучения школьников на базе анализа больших данных. В основу исследования легла гипотеза о том, что потенциальные возможности обработки больших данных в образовательном процессе, построенном на базе цифровой образовательной среды со встроенной интегративной интеллектуальной обучающей системой, будут способствовать реализации персонализированного обучения школьников. Целью статьи является проектирование педагогической модели персонализированного обучения школьников, ориентированной на включение интегративной интеллектуальной обучающей системы, обработку больших данных в образовании. Приводятся главные компоненты модели, педагогические технологии ее внедрения, кластеры представления образовательного контента персонализированной образовательной системы. Заключение содержит вывод, что реализуемая педагогическая модель будет способствовать построению и реализации персонализированной траектории обучения школьников на основе анализа больших данных.

Еще

Персонализированное обучение, большие данные в образовании, персонализированная обучающая система, интегративная интеллектуальная обучающая система

Короткий адрес: https://sciup.org/149140933

IDR: 149140933   |   DOI: 10.24158/spp.2022.9.17

Текст научной статьи Персонализированное обучение школьников на основе анализа больших данных в образовании

Saratov National Research State University named after N.G. Chernyshevsky, Saratov, Russia, ,

Введение . В современном образовании немаловажное значение придается цифровой трансформации образования. Данный процесс заключается в ускоренном внедрении цифровых технологий, создании современной и безопасной цифровой образовательной среды, развитии принципиально новых адаптивных, практико-ориентированных, гибких образовательных программ в образовании (Shapsough, Zualkernan, 2020; Shemshack, Spector, 2020).

Однако при очевидной необходимости внедрения системы персонализированного обучения в образование, в настоящее время в большей степени реализуются элементы построения

индивидуальной образовательной траектории обучающихся. В целом индивидуальные образовательные траектории воплощаются путем освоения образовательных программ с определенным набором тем/модулей/дисциплин. Тем не менее, в свете цифровизации образования и цифровой трансформации образовательного процесса, необходимо повсеместно внедрять автоматизированное построение индивидуальных образовательных траекторий в учебном предмете на основе анализа образовательных данных (Вайнштейн, Шершнева, 2020).

В цифровом мире большие данные и обучающая аналитика оказывают влияние на стремительное развитие персонализированного обучения. Распространение и активное внедрение больших данных в образование позволяют «регистрировать и интерпретировать индивидуальные характеристики учащихся и их состояние в режиме реального времени во всех аспектах обучения» (Александрова, Храмова, 2021: 270). В свете реализации проектов цифровой трансформации наряду с внедрением технических средств и программного обеспечения необходимы теоретическое обоснование и построение педагогической модели персонализированного обучения школьников на основе анализа больших данных.

В основу исследования легла гипотеза о том, что возможности обработки больших данных в образовательном процессе, организованном на основе цифровой образовательной среды со встроенной интегративной интеллектуальной обучающей системой, будут содействовать реализации персонализированного обучения школьников. Цель работы заключается в проектировании педагогической модели персонализированного обучения школьников, ориентированной на включение интегративной интеллектуальной обучающей системы, обработку больших данных в образовании.

Методы . Сегодня «персонализированное обучение – это обучение, в котором темп обучения и метод обучения оптимизированы для нужд каждого учащегося» (Александрова, Храмова, 2021: 270). В зависимости от индивидуальных возможностей, личностных характеристик и потребностей обучаемых определяются цели обучения, методы, формы, педагогические приемы и содержание учебного материала, которые динамично адаптируются на основе анализа данных. Кроме того, и учебная, и внеучебная деятельность подбирается в зависимости от интересов учащихся.

В целом персонализация – это «инклюзивный процесс, который ставит перед участниками задачу удовлетворить потребности всех учащихся, особенно учащихся, которые уязвимы или труднодоступны» (Bajaj, Sharma, 2018). Персонализированное обучение направлено на «содействие индивидуальному развитию учащихся, при этом в процессе обучения должны использоваться соответствующие методы обучения, приемы, содержание, отправные точки и методы оценки, чтобы соответствовать индивидуальным характеристикам и потенциалу развития учащихся, чтобы все возможности учащихся могли развиваться полностью, свободно и гармонично» (Kim et al., 2018).

На базе анализа научно-педагогических материалов мы предлагаем под персонализированной траекторией обучения понимать вариативную реализацию образовательного процесса в информационно-образовательной среде, ориентированную на персонализированные образовательные результаты обучаемого. Персонализированная траектория обучения школьника строится с применением «адаптационных модулей и образовательных итераций на основе анализа образовательных данных персональных потребностей, целей, познавательных интересов, образовательных результатов и индивидуальных характеристик обучающихся, полученных на основе анализа больших данных»1.

Предлагаемая модель построения персонализированной траектории обучения школьника базируется на потребностях общества, социальных эффектах и рисках. При проектировании модели учитывались зарубежный и отечественный педагогический опыт информатизации и цифровизации системы образования, тренды ее развития, потребности цифровой экономики.

В рамках исследования мы предлагаем следующую модель персонализированной траектории обучения школьников на основе анализа больших данных в образовании. Она содержит четыре компонента: целевой, содержательно-концептуальный, адаптивно-технологический и результативно-оценочный.

В целевом компоненте ставится цель построения и реализации персонализированной траектории обучения на основе анализа больших данных, исходя из потребностей ФГОС, профессиональных стандартов педагога и подготовки кадров для цифровой экономики.

В содержательно-концептуальном компоненте отражены субъекты построения персонализированной траектории обучения: школьники, педагоги и интегративная интеллектуальная обучающая система (ИИОС) как ядро персонализированной обучающей системы (ПОС). ПОС является инструментарием достижения персонализированного обучения, ядром которой выступает ИИОС для контроля и корректировки процесса обучения на базе анализа больших данных, задействованных в образовательной деятельности.

Содержательно-концептуальная компонента модели базируется на методологических подходах (системном, личностно ориентированном, деятельностном, предметно-информационном, средовом) и педагогических принципах (классических общедидактических, личностных и технологически направленных). Личностные педагогические принципы, безусловно, включают в себя основные аспекты персонализации образования, результативности, коммуникативности. Особую роль в модели играют технологически направленные принципы: адаптивности (учебный материал варьирует в зависимости от обработки педагогической информации), цикличности (один и тот же материал цикличен, различаются формы его представления в зависимости от успешности усвоения), микропорционности (специфика работа современного обучаемого - краткий объем материала), управляемости (процесс обучения управляем), мониторинга и прогнозирования на основе анализа больших данных (автоматизированная диагностика образовательных результатов, в том числе на базе больших данных).

В качестве основополагающих закономерностей персонализированного адаптивного обучения выделяют баланс интеграции онлайн- и офлайн-компонентов, акцент на самостийность обучения, акцент на активные и интерактивные методы, акцент на визуализацию образовательного контента, динамичность процессов в современном обществе, многообразие образовательных форм, методов и средств, технологичность образовательных процессов, фокусное и динамичное обучение1. Основополагающими методами обучения являются активные и интерактивные, а также индивидуальная и командная учебная деятельность.

Адаптивно-технологическая компонента представленной модели отвечает за инструментарий достижения целевого элемента модели. Ядром компоненты является персонализированная обучающая система, имеющая кластерное наполнение: кластер пользователя; кластер управления (блоки адаптации контента, фиксации результатов анализа образовательных данных, персональной обратной связи, управляющих воздействий); кластер персонифицированного профиля (цифровой след, результаты входного и выходного анализа образовательных результатов обучаемого).

Например, кластер пользователя содержит информацию о персонализированном профиле школьника. Он включает индивидуальные характеристики учащегося, необходимые для индивидуального подбора образовательного контента и управления процессом обучения. Кластер управления представляет собой фиксирующий сетевой кластер для хранения образовательных результатов обучаемого и основывается на организации предметного содержания в иерархической структуре с учетом обрабатываемых личностных особенностей из персонализированного профиля.

Индивидуальные характеристики обучающихся в ПОС предлагается описывать с помощью двух групп параметров. В первую входят показатели, связанные с предметной областью, которые отражают результаты освоения школьником предметной составляющей в целом, фиксируют ошибки, прогресс в изучении образовательного контента, результаты выполнения заданий, тестов и анализа больших данных, полученных при обработке информации об образовательной активности. Вторая группа параметров демонстрирует итоги наблюдения за процессом обучения школьника, основанные на его поведении: текущее положение; время, затраченное на изучение термов и выполнение заданий; количество эффективных входов в систему, что позволяет преподавателю анализировать и прогнозировать активность обучаемого (Александрова, Храмова, 2021).

Результативно-оценочная компонента раскрывает технологии оценки и непрерывной фиксации результатов обучения.

Выводы . По итогам исследования нами разработана педагогическая модель персонализированной траектории обучения школьника на основе больших данных образовательного процесса. Модель включает целевой, содержательно-концептуальный, адаптивно-технологический и результативно-оценочный компоненты, которые обеспечивают построение индивидуальных образовательных траекторий в ИИОС, гибкую адаптацию форм и методов обучения под персональные потребности, цели обучаемых и формирование персонального образовательного пространства на базе персонализированной обучающей системы.

Педагогическая модель персонализированной траектории обучения школьника на основе анализа больших данных образовательного процесса раскрывает технологические этапы и методологические аспекты проектирования содержания образовательного процесса. Она позволяет обеспечить достижение персональных образовательных результатов и сформировать персональное образовательное пространство, что дает возможность организовать массовую персонализацию обучения в условиях цифровизации образования.

Список литературы Персонализированное обучение школьников на основе анализа больших данных в образовании

  • Александрова Н.А., Храмова М.В. Персонализированная траектория обучения младшего школьника на основе электроэнцефалографических данных // Информационные технологии в образовании. 2021. № 4. С. 267-271.
  • Вайнштейн Ю.В., Шершнева В.А. Адаптивное электронное обучение в современном образовании // Педагогика. 2020. № 5. С. 48-57.
  • Bajaj R., Sharma V. Smart Education with artificial intelligence based determination of learning styles // Procedia Computer Science. 2018. Vol. 132. P. 834-842.
  • Kim Y., Soyata T., Behnagh R.F. Towards emotionally aware ai smart classroom: Current issues and directions for engineering and education // IEEE Access. 2018. Vol. 6. P. 5308-5331.
  • Shapsough S.Y., Zualkernan I.A. A Generic IoT architecture for ubiquitous context-aware learning // IEEE Transactions on Learning Technologies. 2020. Vol. 13, no. 3. P. 449-464.
  • Shemshack A., Spector J.M. A systematic literature review of personalized learning terms // Smart Learning Environments. 2020. Vol. 7, no. 33.
Статья научная