Проектирование адаптивных образовательных траекторий в цифровой образовательной среде университета на основе методов аналитики обучения

образовательной среде университета при реализации дисциплин в системе электронного обучения. Как правило, на практике это часто сводится к формальному общему выбору студентами элективных дисциплин и освоению по общему шаблону. Студенты одной группы получают идентичный контент, одинаковые сроки сдачи и единые критерии оценки, несмотря на разницу в исходном уровне подготовки, познавательном стиле и темпе усвоения материала, что снижает качество усвоения материла и образовательные результаты. Вопрос возможности индивидуального темпа и содержания обучения является актуальной на сегодняшний день.

Целью исследования являются теоретическое обоснование и разработка модели формирования адаптивной образовательной траектории (АОТ) в цифровой образовательной среде (ЦОС) университета, которая реализуется на основе сбора, интерпретации данных аналитики обучения, настройке через педагогические механики. Данная модель направлена на улучшение образовательных результатов студентов (формирование должного уровня профессиональной готовности студента).

Для достижения цели исследования решались следующие задачи: уточнение понятия «адаптивная образовательная траектория в ЦОС университета»; выявление источников данных учебной аналитики и педагогических механик в LMS Moodle; разработка трехуровневой модели формирования АОТ в ЦОС университета; экспериментальная проверка эффективности предложенной модели на основе оценки когнитивного, операционально-деятельностного, мотивационного и временного показателей компонентов профессиональной готовности студентов.

Для решения поставленных задач использовались следующие методы исследования: метод анализа литературных источников и изучения опыта ведущих специалистов по вопросам персонализированного обучения, анализу данных обучения, педагогическим механикам; методы математической статистики – все данные, полученные нами в процессе исследования, подвергнуты математической обработке (педагогический эксперимент с контрольной и экспериментальной группами).

Теоретическая значимость исследования заключается в развитии понятийно-терминологического аппарата и методологических оснований проектирования персонализированного обучения в цифровой образовательной среде университета: уточнение понятия «адаптивная образовательная траектория в ЦОС университета», систематизация теоретических оснований персонализированного обучения, разработка трехуровневой модели АОТ.

Практическая значимость состоит в создании и апробации модели формирования АОТ в ЦОС университета, разработке по данной модели электронного учебного курса с адаптивной архитектурой, диагностического инструментария оценки готовности студентов, а также в формулировании практических рекомендаций для преподавателей по внедрению персонализированного обучения.

Вопросом персонализации обучения занимаются многие исследователи. Основоположником идеи персонализации считается Б. Блум. Он обосновал, что 90–95% студентов способны освоить материал при создании оптимальных условий: индивидуальный темп, качественная обратная связь и диагностика [15; 16]. Ключевые идеи Б. Блума: фиксация результата, а не времени, переменные обучения, диагностика и коррекция. Авторы работы [17] показывают, как его идеи воплощаются в современных адаптивных системах.

Л.С. Выготский заложил фундамент персонализации через концепцию «зоны ближайшего развития», определяющую обучение как сотрудничество [6]. Современные авторы уточняют и развивают это понятие [9; 18]. Б.А. Бурняшов [4] выделяет три уровня адаптивных систем – от пассивного выбора студентом траектории до учета его когнитивных стилей. Ю.В. Вайнштейн [5] предлагает авторский подход к построению персонализированного адаптивного обучения. Ряд авторов раскрывают особенности персона- лизированного обучения и индивидуальной образовательной траектории [2; 12]. Международные исследования [23] подчеркивают роль искусственного интеллекта и машинного обучения в реализации адаптивных траекторий, обсуждая барьеры внедрения.

Проведенный анализ теоретических источников, а также фундаментальных работ позволил нам сформулировать следующее рабочее определение адаптивной образовательной траектории в ЦОС университета – «динамически изменяющаяся последовательность учебных модулей, заданий и форм контроля, которая автоматически (или с участием преподавателя) корректируется в зависимости от текущих результатов обучения, когнитивных затруднений и темпа продвижения студента».

Ключевым инструментом, обеспечивающим такую персонализированную настройку, выступает аналитика обучения, позволяющая на основе объективных цифровых следов деятельности в электронной образовательной среде университета своевременно выявлять индивидуальные образовательные потребности и адаптировать учебный контент, методы и формы контроля.

В научной литературе уделено достаточное внимание аналитике обучения. А. Салас-Мартинес, А. Рамирес-Мартинелл и др. [22] в работе показали, что учебная аналитика преимущественно использует данные из LMS для прогнозирования отсева и оптимизации обучения. Исследователи Е.А. Другова, И.И. Журавлева и др. [19] выявили недостаток теоретического согласования между учебной аналитикой и дизайном обучения, а также нехватку исследований, измеривших реальную эффективность. Х.Я.А. Салих, М.А.Ф. Муса и др. [21] предложили концептуальную рамку, объединяющую аналитику, адаптивные среды и саморегулируемое обучение. Чжан Сюн, Ли Хаосюань и Чжуан Лю [24] выделили четыре ключевых сценария использования аналитики: образовательные рекомендации, когнитивную диагностику, трассировку знаний и анализ обучения с применением искусственного интеллекта. Т.Р. Новианди, Г.М. Идроэс и др. [20] представили обзор инструментов анализа данных (кластеризация, регрессия, визуализация) и платформ (LMS, opensource, AI-библиотеки). Первоначальное определение учебной аналитике было предложено Дж. Сименсом в 2011 году: « измерение, сбор, анализ и интерпретация данных об обучающихся и контекстах их обучения с целью понимания и оптимизации процесса и среды обучения» [22]. Данный термин будем использовать в нашей работе.

Полагаем, что сбора аналитических сведений об обучающихся может быть недостаточным. Для реальной адаптации процесса необходимо задействовать специальные инструменты – педагогические механики. В отличие от пассивного мониторинга, механики активно перестраивают работу учебных блоков: меняют требования к доступу, подключают дополнительные пояснения или переводят учащегося на более глубокий уровень.

В электронной образовательной среде российских вузов, как правило для организации учебного процесса используются различные LMS. Так, в работе В.Г. Ежковой, В.В. Щербак [7] представлены технологии и инструменты LMS Moodle с настройкой, аналитикой и визуализацией, а также представлен новый программный продукт для управления учебной деятельностью обучающихся. Е.В. Карманова и Я.М. Захарова связывают интеллектуальный анализ образовательных данных с обработкой больших цифровых следов, остающихся при работе с образовательными порталами [8]. Технически ориентированная работа команды авторов Д.М. Златкович, Н. Денич и др. [25] показывают, как можно реализовать динамическую адаптивность в LMS Moodle на основе модели учебных стилей Фелдера-Сильвермана.

В контексте данных исследований под педагогическими механиками нами понимается совокупность технологических и методических способов, обеспечивающих динамическую настройку образовательного контента.

Изложенные выше теоретические положения задают понимание того, что представляет собой адаптивная образовательная траектория в ЦОС университета, что имен- но учебная аналитика выступает тем связующим звеном, которое превращает идею персонализации в управляемый процесс, а педагогические механики позволяют воплотить принципы персонализации в цифровой образовательной среде. Для практической реализации описанных идей в реальном учебном процессе вуза перейдем к вопросу, каким образом достигается такая адаптация. В связи с этим рассмотрим методологические решения и инструментальные средства, позволяющим воплотить принципы персонализации в цифровой образовательной среде университета.

В ФГБОУ ВО «Амурский государственный университет» учебный процесс реализуется в цифровой образовательной среде Moodle.

Основными данными в Moodle, позволяющими проводить учебную аналитику, являются исходные цифры и факты, «сырые данные»: результаты тестов входного, текущего (по темам / разделам / модулям) и промежуточного контроля; количество попыток выполнения задания и динамика их улучшения; время, затраченное на изучение теоретического материала (логирование входа в ресурсы); активность на форумах, в чатах (количество и содержательность постов, вопросы к преподавателю); пропуски дедлайнов (косвенный показатель затруднений) и т.д.

Для реализации задач учебной аналитики LMS Moodle предоставляет многоуровневую систему инструментов, которые, согласно технической документации, условно можно разделить на четыре группы: «базовые индикаторы активности, показатели на основе модели «Сообщество исследователей», предустановленные прогностические модели, а также дополнительные и пользовательские средства аналитики» [14].

К простейшим показателям, фиксирующим факт взаимодействия с курсом, относятся «базовые индикаторы активности»: действия на чтение – оценка объема просмотренного контента (лекции, файлы, страницы); действия на запись – фиксация отправки работ, создания сообщений на форуме, записей в базах данных; доступ к курсу – маркер входа в курс до старта или после его завершения; просроченные задания – индикатор наличия невыполненных работ с истекшим сроком; завершенность профиля – степень заполнения личной информации (значение от -1 до 1).

Показатели на основе модели «Сообщество исследователей». Система оценивает два параметра: когнитивная глубина (Cognitive Depth) – уровень проработки материала по шкале от нуля до пяти: от полного отсутствия открытия активности (0) до повторной отправки доработанного задания после получения обратной связи и комментирования работ других участников (5). Максимальный уровень зависит от типа элемента; социальная широта (Social Breadth) – интенсивность взаимодействия с участниками: от отсутствия контактов (0) до работы с несколькими участниками (создание темы на форуме, дополнение вики) – 3 балла [14].

Moodle предлагает пользователям набор готовых моделей, доступных через интерфейс «Аналитика». Они используют описанные выше индикаторы для предсказания определенных событий или оценки состояния курса:

• •    «обучающиеся в зоне риска отчисления» – предсказывает отсев на основе когнитивных и социальных показателей;

• •    «обучающиеся, давно не заходившие в курс» – выявляет потерявших интерес или выпавших из процесса;

• •    «активности к сдаче» – проверяет наличие заданий с приближающимся дедлайном;

• •    «риски для самого курса» – оценивает готовность курса (наличие преподавателей, студентов, корректность настроек) [14].

Помимо встроенных средств, возможности учебной аналитики могут быть расширены за счет использования дополнительных модулей и гибких механизмов настройки. Плагин «аnalyticsgraphs» – визуализирует оценки, пики активности, помогает связываться с отстающими; анализ логов (Logs) – выгружает историю всех взаимодействий для выявления паттернов обучения; аnalytics API – позволяет создавать собственные индикаторы.

На базе центра цифровых технологий и технического обеспечения АмГУ, при участии лаборатории «Информатизации образования» используя программный интерфейс «аnalytics API» была сконструирована модель «прогнозирования успешности освоения дисциплины». При реализации дисциплины «Цифровые технологии в профессиональной деятельности» применяется LMSMoodle. Дисциплина разработана как электронный учебный курс (ЭУК).

Совокупность перечисленных показателей и инструментов создала основу для построения гибких АОТ. Данные, собираемые через общие индикаторы, показатели когнитивной глубины и социальной широты, а также результаты работы (учебная аналитика) прогностических моделей и разработанной собственной модели «прогнозирования успешности освоения дисциплины», выступили в качестве сигнальной системы для запуска соответствующих педагогических механик.

Понимаем, что методология сбора аналитических данных дает ответ на вопрос «Кто из студентов испытывает трудности и в чем именно эти трудности выражаются?» Для ответа на вопрос «как скорректировать обучение для преодоления этих трудностей?» необходимо обратиться к арсеналу адаптивных возможностей системы. В связи с этим рассмотрим конкретные механизмы LMS Moodle, позволяющие преподавателю или системе автоматически изменять содержание, последовательность или сложность учебных заданий.

Дисциплина «Цифровые технологии в профессиональной деятельности» входит в учебные планы всех направлений подготовки и специальностей, относится к блоку элективных дисциплин свободного выбора и предназначена для обеспечения реализации индивидуальной образовательной траектории студентов. ЭУК по данной дисциплине разработан и размещен на платформе LMS Moodle университета. Содержательное наполнение и структура курса соответствуют установленному порядку в университете [1].

ЭУК ежегодно осваивают до 140 студентов, представляющих разные направления подготовки (экономика, энергетика, социология, филология, техносферная безопасность, IT), курсы (второй и третий) и национальности (россияне, граждане КНР). Такое разнообразие исходного уровня владения цифровыми инструментами и когнитивных стилей делает данную дисциплину удобной для апробации адаптивных механик.

Ниже описаны ключевые настройки LMS Moodle, позволяющие перестроить фиксированный курс в персонализированную траекторию.

Первая настройка – это входная диагностика и маршрутизация по группам ограничений. Основная точка ветвления задается инструментом «Группы ограничений» (Group restrictions). В начале курса студенты проходят входное тестирование, охватывающее базовые темы дисциплины (работа с текстовыми редакторами, таблицами, поисковыми системами, основами информационной безопасности). На основе набранного балла система автоматически распределяет обучающихся по группам:«базовый уровень»: для студентов, показавших результаты ниже порогового значения (менее 60%). Их траектория включает дополнительные видео-инструкции и упрощенные практические задания на первых неделях курса; «продвинутый уровень»: для студентов, набравших 60% и более. Им сразу открываются задания повышенной сложности, предполагающие самостоятельный анализ кейсов и работу с профессиональными программными средствами.

Такое разделение позволило избежать ситуации, когда слабо подготовленный студент получает демотивирующе сложное задание, а сильный – тратит время на уже знакомый материал.

Вторая – условный доступ для пошагового контроля освоения курса. Для обеспечения ритмичной работы и гарантированного усвоения ключевых разделов используется механизм «Условный доступ» (Restrictaccess). Доступ к следующему тематическому модулю открывается только после того, как студент: просмотрел видео-лекцию (отслеживается системой); выполнил практическое задание (загрузил файл); достиг порогового балла в тесте по текущей теме. Так, доступ к теме 2 «Web-приложения и сервисы» открывается для студентов при просмотре видео-лекции темы 1 «Цифровая экономика», выполнении практических заданий «знакомство с различными сервисами для оценки цифровых компетенций, прохождение тестирования на уровень владения цифровыми компетенциями», прохождения тестирования по теме с не менее 80% правильных ответов.

В случае неудачной попытки тестирования система не блокирует студента полностью, а предлагает повторно изучить теоретический материал и пройти тест заново. Установленное встроенное ограничение на три попытки предотвратило формальное «угадывание» ответов. Только при последовательном прохождении всех тем курс считается освоенным, что гарантирует сформированность заявленных компетенций.

Четвертая настройка, наиболее тонкая реализована в отдельных темах дисциплины с помощью элемента «Лекция» (Lesson). В отличие от линейной последовательности страниц, здесь заложен ветвящийся сценарий. Например, в теме 4, посвященной цифровому этикету, после лекции в видеоформате студенту предлагается контрольный вопрос. В зависимости от того, какой вариант ответа выбран, система направляет учащегося: правильный ответ осуществляет переход к практическому заданию 4 «Использование цифрового этикета в профессиональной деятельности»; частично правильный ответ – направление на страницу с дополнительными пояснениями и примерами; ошибочный ответ возвращает студента на страницу просмотра лекции повторно, с теоретическим описательным блоком и объяснениями (например, текстовая лекция и лекции МООС). Этот подход имитирует поведение преподавателя, который не просто фиксирует ошибку, а дает индивидуальную «подсказку» в зависимости от ее характера.

Пятая позволяет настроить адаптивное тестирование через банк вопросов с метками. Для промежуточного и итогового контроля знаний применяется гибкая настройка тестов. В банке вопросов каждому заданию присваиваются метки (теги) по двум параметрам: тема (работа с текстом, электронные таблицы, ИИ-сервисы), уровень сложности (легкий, средний, высокий).

Тест собирается динамически по следующему принципу: если студент в первой попытке правильно отвечает на 3 легких вопроса подряд, система автоматически предлагает ему следующий блок вопросов уже среднего уровня сложности по той же теме. Если же студент ошибается в среднем вопросе, алгоритм может вернуть его к легкому уровню или подставить аналогичный вопрос для закрепления. Таким образом, тест не столько констатирует уровень, сколько помогает его достичь.

Важно подчеркнуть, что описанные механики не устраняют преподавателя из учебного процесса, а меняют его функцию. Вместо рутинной проверки работ и выдачи однотипных заданий преподаватель превращается в аналитика (интерпретирует сводки по действиям студентов встроенной аналитики Moodle, выявляет «точки застревания») и фасилитатора (вмешивается в работу алгоритмов, изменяет сложность контента, подбирает дополнительные материалы, корректирует последовательность изучения модулей, подключая индивидуальные консультации для студентов, чьи траектории выбиваются из общего паттерна).

Описанные выше инструментальные решения представляют собой отдельные «кирпичики», из которых складывается персонализированное обучение. Однако их разрозненное применение не дает целостного эффекта. Играет важную роль и разнородный состав обучающихся на курсе «Цифровые технологии в профессиональной деятельно-

Рис. Трехуровневая модель формирования адаптивной образовательной траектории в цифровой образовательной среде университета сти» (разные направления, курсы, национальности), который делает неэффективным применение какой-либо одной механики изолированно. Студенту с техническим образованием и филологу требуются принципиально разные последовательности действий. Универсальным ответом на этот вызов становится не набор разрозненных настроек, а целостная модель адаптивной образовательной траектории, где каждая из описанных механик занимает свое место и срабатывает в строго определенный момент.

Обобщая теоретические положения (Л.С. Выготский, Б. Блум) и анализируя практические возможности LMS Moodle [14], мы предлагаем трехуровневую модель формирования адаптивной образовательной траектории в ЦОС университета, включающую следующие этапы: диагностический, модульно-адаптивный, рефлексивно-корректировочный (рис.). Вопросы моделирования в педагогике и этапность раскрываются, подробно рассматриваются авторами А.В. Лейфа и Н.С. Бодруг в предыдущих работах [10; 11].

Диагностический этап (входной контроль) предполагает распределение студентов по траекториям: «базовая» – для слабоподготовленных, «стандартная» – для средних, «продвинутая» – для сильных, с дополнительными заданиями исследовательского характера.

Модульно-адаптивный этап (основное обучение): внутри каждого модуля – микроветвление. Если студент не усвоил модуль / тему, ему предлагается дополнительный ви- деоматериал и упрощенные упражнения; если усвоил – следующий модуль / тема или углубленные кейсы.

Рефлексивно-корректировочный этап (аналитика и обратная связь) содержит сбор данных LA, их визуализацию для студента («ваш темп освоения», «рекомендуем повторить темы 1, 2») и для преподавателя («группа риска по дисциплине», «вовлеченность студентов»).

Предложенная трехуровневая модель формирования адаптивной образовательной траектории в цифровой образовательной среде университета задает целостный сценарий персонализированного обучения, а описанные настройки LMS Moodle предоставляют инструментальную базу для ее реализации.

Разнородный состав студентов, осваивающих дисциплину «Цифровые технологии в профессиональной деятельности», создал естественную экспериментальную площадку для проверки разработанной модели. Цель организованного педагогического эксперимента – эмпирическое подтверждение того, что использование модели формирования адаптивной образовательной траектории в цифровой образовательной среде университета действительно ведет к улучшению образовательных результатов (должному уров-

Таблица

Изменение уровня готовности студентов по результатам освоения дисциплины «Цифровые технологии в профессиональной деятельности», в баллах

Компоненты готовности Группа До эксперимента Промежуточный контроль После эксперимента М±m М±m М±m 1 2 3 4 5 Когнитивный показатель КГ 3,3±0,3 3,5±0,3 3,8±0,3 ЭГ 3,4±0,4 3,7±0,3 4,5±0,3 p КГ-ЭГ <0,05 <0,05 >0,05 Операциональнодеятельностный показатель КГ 3,3±0,3 3,5±0,2 3,8±0,2 ЭГ 3,4±0,4 3,6±0,4 4,6±0,4 p КГ-ЭГ <0,05 <0,05 >0,05 Мотивационный показатель КГ 3,4±0,2 3,6±0,3 4,1±0,3 ЭГ 3,7±0,3 4,0±0,4 4,6±0,3 p КГ-ЭГ <0,05 <0,05 <0,05 Временной показатель КГ 3,4±0,2 3,6±0,3 4,1±0,3 ЭГ 3,7±0,3 4,0±0,4 4,6±0,3 p КГ-ЭГ <0,05 <0,05 <0,05 Интегральный показатель КГ 3,3±0,3 3,5±0,3 4,0±0,3 ЭГ1 3,5±0,4 3,8±0,4 4,6±0,3 p КГ-ЭГ <0,05 <0,05 >0,05 Уровень готовности КГ III (повышенный) III (повышенный) III (повышенный) ЭГ III (повышенный) III (повышенный) IV (высокий) ню профессиональной готовности студентов) по сравнению с традиционным линейным построением курса.

В эксперименте студенты были разделены на две группы (разных направлений подготовки и специальностей, разных курсов и национальностей, но выравненных по исходному уровню). Контрольная группа (КГ) обучалась по линейному фиксированному курсу (все модули открыты последовательно). Экспериментальная группа (ЭГ) – по адаптивной образовательной траектории с использованием описанных механизмов.

Основываясь на исследованиях, проводимых авторами [10; 11] были выделены компоненты профессиональной готовности студентов: когнитивный, операциональнодеятельностный, мотивационный, временной. Когнитивный показатель, характеризующий теоретические знания, полученные в процессе освоения дисциплины. Операционально-деятельностный показатель основывается на скорости и качестве выполнения практико-ориентированных заданий (взаимодействие умения и навыков применения). Мотивационный показатель, раскрывающий динамику вовлеченности (активность, снижение / рост числа обращений за помощью, работа в форуме и чатах). Временной – общее время, затраченное на освоение дисциплины. Расчеты и интегральное оценивание проводились по общепринятым методикам по совокупности когнитивного, операционально-деятельностного, мотивационного и временного показателей. Оценивание приведено к четырем уровням – высокому, повышенному, базовому, недостаточному, согласно исследованиям трудов [3; 10; 11; 13].

В ЭГ при лучших образовательных результатах (интегральный показатель 4,6 против 4,0 в КГ) достигается более высокая «плотность» учебного времени и снижается доля студентов, испытывающих затруднения. Использование модели формирования АОТ в ЦОС университета для ЭГ позволила студентам обеспечить индивидуальный темп обучения, что подтверждает необходимость студентам разное время для усвоения материала. Формирующее оценивание было направлено для выявления у студентов пробелов и перенаправления по траектории. Динамическое оценивание позволило, постоянно отслеживая успехи студента, также менять его траекторию обучения. При этом модель формирования адаптивной образовательной траектории в ЦОС университета стремится поддерживать каждого студента именно в его «зоне ближайшего развития», не давая слишком легких или слишком сложных заданий.

Применение методов учебной аналитики и реализация адаптивных образовательных траекторий в цифровой среде университета позволяет преодолеть противоречие между массовостью образования и потребностью в персонализации. Предложенная модель формирования адаптивной образовательной траектории в ЦОС университета может быть тиражирована на любые дисциплины направлений подготовки и специальностей (от гуманитарных до естественно-научных), не требуя дополнительного программного обеспечения. Основными ограничениями могут служить трудоемкость первоначальной разработки ветвящегося контента, возникающий риск чрезмерной алгоритмизации и необходимость повышения цифровых компетенций преподавателей. Видим перспективы дальнейших исследований в виде использования искусственного интеллекта для прогнозирования образовательных траекторий, интеграции данных учебной аналитики из разных дисциплин для формирования индивидуального профиля студента.