Учебная аналитика в традиционном образовании: ее роль и результаты

Бесплатный доступ

На сферу высшего образования сегодня оказывают большое воздействие массовизация, цифровизация и бюрократизация. Массовизация привела к неизбежной проблеме академической неоднородности и необходимости адаптивного обучения, цифровизация - к преподаванию с применением дистанционных технологий и, в результате, к производству учебных данных, а бюрократизация - к оценке качества работы образовательных организаций на основе в большинстве своем количественных показателей. На пересечении этих феноменов сформировалось новое направление научных исследований и прикладных разработок -учебная аналитика. За рубежом учебная аналитика активно обсуждается и развивается, разрабатываются государственные политики, ее регулирующие и стимулирующие, создаются профессиональные ассоциации специалистов в данной сфере. Сторонники учебной аналитики считают, что данные, собираемые и осмысливаемые в образовательной организации, позволяют принимать более объективные решения, чем те, что основаны на экспертных мнениях. Учебная аналитика воспринимается ими как необходимый инструмент для определения в образовательных программах «узких мест» и выявления учебных траекторий обучающихся, что необходимо для индивидуализации обучения и перехода к адаптивности. Противники же учебной аналитики видят в ней угрозу текущей расстановке сил в образовании, ролям преподавателя и управленца, указывают на специфические компетенции и высокие риски утечки персональных данных. Россия пока находится, скорее, вне глобальной дискуссии: отдельные кейсы стали появляться лишь в последнее время, а учебная аналитика все еще входит для наших соотечественников в число потенциальных направлений развития.Предлагаемая обзорная статья призвана дать представление о современном понимании учебной аналитики, истории развития этого направления научных исследований и прикладных разработок в мире и в России, перспективах и ограничениях его применения в нашей стране с позиции ключевых интересантов высшего образования, а также предложить рекомендации руководителям вузов по организации системы учебной аналитики.Эта статья будет полезна руководителям вузов для принятия управленческих решений относительно организации системы управления учебными данными, включающей их сбор, анализ и использование, а также преподавателям и исследователям высшего образования.

Еще

Учебная аналитика, анализ образовательных данных, высшее образование, успех студентов, решения, основанные на данных

Короткий адрес: https://sciup.org/142227568

IDR: 142227568   |   DOI: 10.15826/umpa.2020.03.026

Текст научной статьи Учебная аналитика в традиционном образовании: ее роль и результаты

В области цифровизации образования 2019 год ознаменовался разработкой российскими вузами моделей цифрового университета и по -лучением грантов на их реализацию в рамках на -циональной программы «Цифровая экономика»1. Такие модели включают четыре обязательных блока: систему управления на основе данных, цифровые образовательные технологии, индивидуальные образовательные траектории и компе -тенции цифровой экономики2. Для реализации ме- роприятий по каждому блоку цифрового универ -ситета компетенции в области работы с данными необходимы, однако текущий уровень развития этой сферы в России пока еще невысок.

Грамотность в сфере использования данных теперь входит наряду с информационной гра-мотностью в глобальную рамку цифровой гра-мотности и включает обработку, оценку данных и управление ими. Согласно докладу ЮНЕСКО Россия, в отличие от европейских и американских государств, а также некоторых членов СНГ, таких как Казахстан и Таджикистан, не имеет установленной рамки цифровой грамотности [1].

Работа с образовательными данными, нацеленная на улучшение их результатов, активно развивается за рубежом - там проводятся исследования , предлагаются технические решения, фиксируются статьи в нормативных документах, регулирующие деятельность образовательных ор-ганизаций. В российском же образовании учебная аналитика пока широко не обсуждается, наши соотечественники редко участвуют в ключевых на -учных мероприятиях, посвященных этой теме [2].

Цель предлагаемой статьи - устранение разрыва между требуемым и текущим уровнем ком -петенций в сфере учебной аналитики в образова-тельных организациях страны, причем в первую очередь - в вузах как наиболее технически обеспеченных . Для реализации указанной цели проведен обзор научных публикаций об учебной аналитике, представленных в базах цитирования Scopus, Web of Science и РИНЦ на русском и английском языках . Из этих публикаций извлечены задачи учебной аналитики, история ее развития, практики применения в России и за рубежом - в Америке, Европе, Азии, Африке, а также проблемы, которые необходимо решить вузам, начинающим работу в данном направлении.

Что такое учебная аналитика и кому она может быть полезна

В широком смысле учебная аналитика пони -мается как измерение, сбор, анализ и представление данных об учащихся и окружающем их кон -тексте; ее цель заключается в понимании и оптимизации учебного процесса [3]. Согласно докладу Национального форума по совершенствованию преподавания и обучения в высшем образова-нии (англ. National Forum for the Enhancement of Teaching and Learning in Higher Education) учебная аналитика имеет три направления: дескриптивное, предиктивное и прескриптивное [4].

Дескриптивная аналитика отвечает на во -прос: «Что происходит?» Она позволяет увидеть текущую ситуацию в образовательной среде. Как подчеркивается в вышеназванном докладе, это направление учебной аналитики наиболее прос-тое в плане используемых методов и инструмен-тов. Результатом дескриптивной аналитики может быть набор графически представленных дан -ных об учебной активности студента. Студенты отмечают, что для подавляющего большинства из них визуализация учебных активностей при -носит пользу [5].

На основе предиктивной аналитики можно ответить на вопрос: «Что, скорее всего, произойдет ?» Для этого используются данные об уже прошедших учебных событиях. На их основе строятся статистические модели, которые позволяют предсказывать дальнейшие события, например низкую вовлеченность студента в учебный про -цесс или отчисление из университета. Как пишут авторы доклада, предиктивная аналитика, в отличие от дескриптивной и прескриптивной аналитики, наиболее часто ассоциируется с учебной аналитикой. В первую очередь это связано с наличием большого числа исследований, посвященных прогнозированию успешной учебной деятельности.

Обращаясь к прескриптивной аналити-ке, можно ответить на вопрос: «Что следует делать ?» Как и в случае с предиктивной аналитикой , здесь используются ретроспективные данные. Однако ключевая особенность прескриптивной аналитики состоит в формировании рекоменда-ций, основанных на анализе этих данных. Такие рекомендации позволяют принимать обоснован -ные решения об учебной деятельности. Например, составлять индивидуальные учебные планы сту-дентов, учитывая их предыдущий образовательный опыт, а также индивидуальные характеристики , что крайне важно в условиях академической неоднородности учебных групп [6].

Основным источником данных для учебной аналитики является информационная система вуза. В сфере высшего образования главный ее элемент для учебного процесса - система управления обучением - LMS (Learning Management System). В этой системе содержится информация о поведении студентов (число переходов по ссылкам в курсе, участие в форумах, выполнение заданий в электронной форме, количество допущенных ошибок, а также время, проведенное в системе [7, 8]). Главным носителем информации являются логи - автоматически генерируемые записи , содержащие сведения о различных активностях пользователя в системе, о результатах его обучения, об учебных планах и рабочих программах дисциплин [9].

Е. Д. Патаракин [10] отмечает, что исходными данными для учебной аналитики выступают именно цифровые записи. Однако существует мнение , что для более эффективной работы учебная аналитика должна быть дополнена данными само -отчетов - тех опросов, которые проходят студенты . При этом в литературе сообщается, что комбинация двух источников данных - LMS и самоот-четов - применяется исследователями достаточно редко [8]. Считается, что цифровые записи лучше предсказывают успех студентов, чем их социально -демографические характеристики [11]. В то же время предсказание когнитивных и эмоциональ-ных характеристик студентов на основе цифро-вых записей по своей точности проигрывает тра-диционным данным самоотчетов [7]. Поскольку студенчество - это период не только освоения новых знаний и навыков, но и взаимодействия с различными людьми, анализ совокупных данных об обучающемся (характеризующих наряду с его академическими результатами и социаль-но-психологические особенности личности) перспективен для определения уровня благополучия студента в целом. Это крайне важно для выявления кризисных состояний и своевременного пре -доставления студентам помощи вузовскими спе-циалистами по воспитательной работе [12].

Учебная аналитика является мощным инстру-ментом повышения эффективности системы обра-зования для всех ее интересантов - администраторов , преподавателей и студентов. Именно учебная аналитика обеспечивает решения, основанные на данных, развивая «доказательный менеджмент» и «доказательную педагогику» [13]. Однако представление о том, в чем заключается качество образования и, следовательно, какие параметры нужно использовать для его оценки, для каждого участника образовательного процесса может быть сво-им [14]. Администраторы чаще фокусируются на измеримых результатах, достигаемых сферой образования, для преподавателей и студентов более важным является сам учебный процесс [15]. В этом смысле учебная аналитика способна удов -летворить интересы всех сторон, предоставляя ряд полезных решений, но для этого с самого начала всем следует договориться о едином и непротиво-речивом перечне индикаторов качества образова-ния и интерпретации результатов их анализа, что само по себе представляет нелегкую задачу.

Обращение к учебной аналитике раскры-вает новые возможности для каждой категории интересантов.

Администраторам это позволяет транс фор -мировать процесс принятия решений в системе образования, отказавшись от экспертных оценок, которые все еще являются основным методом [9]. По мнению исследователей, учебная аналитика может сопровождать образовательные реформы, предлагая наиболее эффективные решения [3]. С точки зрения организации учебного процесса на основе данных учебной аналитики администра-торы смогут сбалансировать трудоемкость дис-циплин [16] и улучшить качество обучения [17].

Педагогам учебная аналитика помогает по -высить вовлеченность студентов в процесс обуче-ния [18]. Это особенно важно в условиях больших студенческих групп, когда полноценная индивидуальная обратная связь и поддержка затруднены [19]. На основе данных можно также оценить качество преподавания [11] и получить обратную связь, позволяющую судить об успешности усвоения дисцип-лин [13]. Отслеживая успеваемость и активность студентов, преподаватели получают возможность точнее устанавливать причинно-следственные связи между поведением своих подопечных и их ре -зультатами [20]. Более того, использование учебной аналитики позволяет преподавателям расширить понимание социальных, поведенческих и когнитивных аспектов учебного процесса [21].

Студентами учебная аналитика может быть использована для снижения рисков быть отчие -ленными [13] и для повышения образовательных результатов [20], а также для создания индивидуальных образовательных траекторий [22]. Помощь именно студенту является основной целью учеб -ной аналитики. В этом смысле обеспечение качества обучения может быть основано на «цикле учебной аналитики» (англ. learning analytics cycle), предложенном в работе Д. Клоу [23]: студенты > данные > метрики > интервенции. Источником данных выступают студенты, о них собирается такая информация, как, например, активность в системе LMS и социально-демографические характеристики . На этой основе вычисляются метрики - либо в виде визуального представления собранных данных, либо в виде списков студентов, которым может понадобиться помощь. Метрики предоставляются , как правило, преподавателям или администраторам для разработки интервенций - изменений в учебном процессе для его улучшения. Последняя тенденция - открытие доступа к аналитике образовательных результатов и самим сту-дентам; их осведомленность о своем прогрессе уже может играть роль интервенции. Так, например , популярны приложения, в которых студент может сравнить свою учебную активность с актив -ностью сокурсников (см., например, работу [24]).

Таким образом, эффекты, которые ожидаются от использования учебной аналитики, оцениваются экспертами как многообещающие. Прогнозируется, что внедрение анализа данных способно трансформировать традицией-ное образование начиная с помощи в принятии эффективных решений на уровне образователь-ных программ и заканчивая поддержкой студен -тов. Однако данных о том, что учебная аналитика уже является неотъемлемой составляющей дея-тельности вузов, пока мало.

Как появилась и институционализировалась учебная аналитика

Образовательные данные используются ис-следователями из двух смежных областей зна-ний: области учебной аналитики (англ. learning analytics - LA) и области анализа образовательных данных (англ, educational data mining - EDM). Прежде чем углубляться в обзор практик первой области, рассмотрим, чем она отличается от второй . Стоит отметить, что представляющие эти области знаний научные сообщества стали фор -мироваться сравнительно недавно. При этом понятие «анализ образовательных данных» появилось раньше, чем понятие «учебная аналитика ». Первый научный журнал, посвященный анализу образовательных данных (англ. Journal of Educational Data Mining3), начал издаваться в 2009 году. Область же учебной аналитики стала институционализироваться двумя годами поз -же, когда в США было создано Общество учебной аналитики (англ. The Society for Learning Analytics Research - SoLAR4).

И учебная аналитика, и анализ образовательных данных объединяют в себе две дисцип-лины: образование и компьютерные науки [25] -и направлены на совершенствование сферы об -разования. Однако цели у этих областей знаний разные [26].

Основной целью анализа образовательных данных является поиск закономерностей в не -структурированной информации об образова-нии. Исследователи, работающие в этой области, стремятся ответить на такие вопросы: «Какие характеристики учащихся связаны с высокими ака-демическими достижениями? Какие действия учащихся связаны с их удовлетворенностью и во -влеченностью в учебный процесс?»

Цель учебной аналитики - скорректировать процесс обучения и решить проблемы конкрет-ных учащихся. Работающие в этой области исследователи ищут ответы на следующие вопросы: «Кто из учащихся, скорее всего, не сможет успешно завершить курс? Какие дисциплины выбрать учащемуся для изучения в следующем семестре?» Таким образом, главным отличием учебной аналитики от анализа образовательных данных являет -ся применение полученной информации для улуч-шения образовательного процесса.

Представленный выше тезис о том, что область знания «анализ образовательных данных» сформировалась раньше области знания «учебная аналитика», подтверждается и в русскоязычном публикационном дискурсе. Речь идет о периодах выхода научных работ, посвященных анализу образовательных данных и учебной ана-литике (2013-2016 и 2015-2019 годы соответственно). В этих работах сложно провести разделительную черту между темами, которым они посвящены. Во всех указанных работах с помощью различных методов оценивается академи-ческая успеваемость обучающихся. Однако в работах по анализу образовательных данных чаще всего обсуждаются задачи администрации обра-зовательной организации: 1) обеспечение защиты персональных данных участников образова-тельного процесса, ее юридические и технические аспекты [27-30]; 2) контроль качества студенческого контингента [31]; 3) оценка продуктивности профессорско-преподавательского состава [32]; 4) обеспечение качества дистанционного обучения [33] и электронных ресурсов [34]. Авторы же работ по учебной аналитике чаще рассматрива-ют отдельные вузовские системы, в которых собираются и анализируются образовательные дан -ные (см., например, работу [22]).

А. А. Веряев и Г. В. Татарникова [35] используют обсуждаемые нами понятия через наклон -ную черту, подчеркивая единство целей этих двух обозначаемых ими областей знаний. Тем не менее они указывают, что в рамках учебной аналитики педагогический процесс рассматривается сис-темно и целостно, а в рамках анализа образовательных данных - более упрощенно, с фокусом на анализ больших данных. Такое понимание несколько расходится с принятым в мировом науч -ном сообществе.

Далее в нашем обзоре основным предметом обсуждения является именно учебная аналитика.

Важность использования учебной аналити-ки для улучшения системы образования подчер-кивается не только на уровне профильных ор-ганизаций, таких как SoLAR или LACE (англ. LA Community Exchange5), но и на уровне государств . Учебная аналитика нашла свое место в рекомендациях Государственного совета Китайской Народной Республики [19]. Департамент образования США также рекомендует использовать дан -ные об онлайн-обучении для совершенствования системы образования [26].

Флагманом внедрения учебной аналити-ки стал Университет Пердью, в котором создана внутриуниверситетская система Course Signals, позволяющая отслеживать студентов, которым необходима помощь. Презентация данной системы на конференции по учебной аналити-ке (англ. LAK - Learning Analytics and Knowledge)

в 2012 году стала толчком к дальнейшим исследованиям в этой сфере [4]. Позже появились такие системы, как Degree Compass в государственном Университете Остин Пии и Student Dashboard в Университете Ноттингем Трент. Возможности этих и иных систем будут рассмотрены подроб-нее в следующем разделе.

Что же касается России, то о широком распространении учебной аналитики говорить пока рано. Сегодня наша страна находится, скорее, вне глобальной дискуссии на эту тему. Нужно отметить, что ни один российский вуз не является членом международных ассоциаций, занимающихся вопросами учебной аналитики; национальной политики по применению учебной аналитики в сфе-ре образования у нас пока тоже нет. При том, что российские вузы имеют свои системы управления обучением (LMS), где собираются данные о ходе учебного процесса и академической успеваемос-ти каждого студента, результаты использования учебной аналитики освещены лишь в несколь-ких научных публикациях (например, в [10, 36]) или в кейсах университетов (например, в [9, 37]). Таким образом, мы можем заключить, что учебная аналитика как область знаний все еще не получи -ла широкого развития в российской науке.

Вне научного дискурса учебная аналити-ка тем не менее обсуждается все чаще, особенно на уровне высшего образования. Крупнейшая в России конференция по образовательным тех -нологиям EdCrunch закрепляет образовательные данные в качестве основной темы мероприятия6 7 и приглашает к участию не только зарубежных экспертов, но и тех немногочисленных россиян, кто реализует проекты в данной области. В 20172018 годах в составе серии массовых открытых онлайн-курсов по онлайн-обучению Поволжский государственный технологический университет предложил на платформе Open Profession обучиться всем желающим аналитическому сопровожде-нию онлайн-обучения, то есть использованию анализа образовательных данных обучающихся на онлайн-курсах8. Другая разработка, выполненная также в рамках проекта «Современная цифровая образовательная среда в РФ», принадлежит Высшей школе экономики и представляет собой инструмент для автоматической психометричес-кой экспертизы онлайн-курсов9. Новый проект в области учебной аналитики, инициированный Университетом НТП и Институтом образования ВШЭ - консорциум «Доказательная цифровизация для успеха студентов», объединяет вузы для реализации потенциала имеющихся в них данных о студентах и обмена лучшими практиками для улучшения их опыта обучения10.

Таким образом, мы отделили учебную аналитику от более широкого поля анализа образова-тельных данных и очертили круг тем, которыми занимаются отечественные исследователи. Далее представлено более подробное обсуждение раз -вития учебной аналитики за рубежом на между -народном, национальном и институциональном уровне.

О чем говорит зарубежный опыт использования учебной аналитики

В зарубежной практике, в отличие от практики российской, ведутся дискуссии и разработки часто уже не отдельных технологических ре -шений, а объединенных или даже единых национальных систем учебной аналитики.

Еще в 2015 году британцы считали, что инновации в сфере анализа студенческих данных реализуются большей частью за рубежом [11], а летом 2018 года в Соединенном королевстве при поддержке Jisc, некоммерческого поставщика технологических решений, был запущен первый национальный сервис для совместного ис-пользования всеми университетами и колледжа -ми страны. Проект предусматривает интеграцию в облачном хранилище данных из LMS, библиотек и студенческих информационных систем всех организаций. Это помогает и образовательным организациям, и студентам (первым - предсказывать и предотвращать академические неу-дачи обучающихся, а вторым - развивать навыки саморегуляции). Сервис обеспечивает образовательным организациям возможность сравнивать результаты своих студентов с результатами сту-дентов тех же направлений подготовки в других учебных заведениях, что позволяет оценивать текущую ситуацию и разрабатывать оптималь -ные меры для ее улучшения. Кроме того, сами образовательные организации отмечают, что сервисы учебной аналитики упрощают процесс сбора информации для отчетности перед государствен -ными структурами [38].

В США государственные и частные вузы объединились в некоммерческую организацию Predictive Analytics Reporting (PAR) Framework. PAR - провайдер аналитических услуг - позволяет сравнивать свою организацию с другими, предсказывать академические успехи студен -тов и обмениваться лучшими практиками сохра-нения контингента. Для американской системы с большой долей отчислений и многочисленны -ми образовательными кредитами удержание сту-дентов до завершения обучения является крайне важной и острой задачей. Проект предоставляет вузам возможность работать с различными ин -ституциональными данными для поиска решений своих задач, используя компетенции высококвалифицированных сотрудников [39]. Параллельно с этим разрабатываются и совершенствуются от -дельные вузовские системы, и именно их, как правило , приводят в пример, говоря о технологических решениях учебной аналитики.

В Канаде нет единой национальной системы учебной аналитики, но отдельные вузы активно ее развивают [11]. Под эгидой Университета Атабаска, специализирующегося на дистанционном обучении, сформировалось сообщество исследователей учебной аналитики, ведущих разнообразные проекты - от сентимент-анализа (анализа тональности текста) до антропоморфных педагогических агентови.

Австралия не имеет единой системы учебной аналитики для образовательных организаций, и каждый вуз решает эту задачу своими силами. В основном работа ведется со студенческими дан -ными для предсказания неуспеха и своевремен-ных интервенций. Согласно правительственному исследованию мало какие вузы идут глубже и рас -сматривают отчисление студентов как лакмусо-вую бумажку степени их вовлеченности.

В Австралии с целью улучшения и обучения, и преподавания в дополнение к работе с данными из корпоративной электронной системы для вы -страивания студентами своих индивидуальных траекторий в образовательном пространстве уни-верситетов применяют метод анализа социальных сетей [39].

Эти четыре страны (Соединенное королевство , США, Канаду и Австралию), пожалуй, можно назвать основными действующими лица -ми учебной аналитики - вузы именно этих стран создают крупнейшие ассоциации учебной анали-тики, организуют основные научные мероприятия по учебной аналитике и проводят исследо-вания, признаваемые классикой в данной области знаний. В отличие от остальных стран, опыт которых будет освещен ниже, указанные страны уже перешли к оценке эффективности внедренных систем (результаты этих исследований мы представили в таблице).

Как показывают приведенные в таблице дан -ные, применение учебной аналитики позволило улучшить образовательный опыт студентов, и в первую очередь это сказалось на повышении их академических результатов.

В континентальной Европе проекты в об -ласти учебной аналитики поддерживаются го -сударственными и иными крупными структу-рами. В Австрии это Министерство образования , в Дании - Инновационный фонд Дании, в Финляндии - Академия наук, в Германии - Федеральное министерство образования, в Норвегии и Испании - национальные финансирующие организации [46]. Информации о реализованных национальных системах учебной аналити-ки в Европе немного. Министерство образования Дании в 2013 году запустило проект User Portal Initiative, цель которого - создание единой LMS для всех школ страны, чтобы можно было реализовывать образовательные инициативы на раз -личных уровнях, основываясь на массиве данных обо всех учениках. В Норвегии вместо единой национальной системы в коммерческом секторе наб -людается разнообразие программных решений с возможностью анализа учебных данных, причем собранных из организаций различного уров-ня - от детского сада до старшей школы, а также по программам обучения учителей [39].

Кроме того, в континентальной Европе реализуются проекты, объединяющие ресурсы партнеров из разных стран для совместного ос -воения новой области знания - учебной аналитики . Это проект STELA (Successful Transition in Education using Learning Analytics)12, объединяющий Лёвенский католический, Ноттингемский, Дельфтский технологический и Грацский техно -логический университеты, проект LACE13 (The Learning Analytics Community Exchange), проект

Лучшие практики университетских систем учебной аналитики Best practices of learning analytics systems of universities

Система

Цель

Отражаемые в системе данные

Результаты

Student Dashboard, Университет Нот -тингем Трент [40]

Снижение отсева, повышение чувства принадлежности, улучшение академических результатов посредством предоставления студенту данных о его вовлечен -ности

Использование электрон -ного пропуска.

Использование инфор -мационной системы уни -верситета (логи,загрузка работ).

Пользование библиотеч-ными ресурсами.

Посещаемость занятий. Использование учебных электронных ресурсов

Использование системы учебной аналитики помогло 72 % студентов тратить больше времени на учебу [18].

Изменили свое поведение после начала ис-пользования системы 27 % студентов [11]. Использование системы позволило достичь достаточно высокой вовлеченности обучаю -щихся: 77 % студентов имели высокий ее уровень [11]

Course Signals, Университет Пер -дью [20]

Определение студентов, входящих в группу риска по академической успе-ваемости

Использование инфор-мационной системы университета.

Социально-демографическая информация.

Данные об успеваемости

Доля студентов, продолживших обучение в вузе, среди тех, кто использовал данную систему в рамках двух и более дисциплин, на 10 % выше, чем доля студентов, которые обучались без нее [20].

Количество оценок «отлично» и «хорошо» возросло на 10 %, а оценки «удовлетворительно » и «неудовлетворительно» студенты стали получать реже [11]

Degree Compass, государственный Университет Остин Пии [41]

Помощь в построении индивидуального учеб -ного плана

Пройденные курсы.

Данные об успеваемости

В 90 % случаев система правильно рекомендует дисциплины, по которым студент получит оценку «хорошо» или «отлично» [41]

Knewton, Аризонский университет*

Создание адаптивных курсов на основе измене -ния порядка представле-ния учебных материалов

Взаимодействие сту -дента с электронным курсом (ответы на задания , указания на ошибки и т. д.)

На 11 % повысилась доля студентов, успешно завершивших курс [42].

На 9 % снизилась доля студентов, не сумевших завершить курс [42].

Успешно завершили курс за более короткий период времени по сравнению с теми, кто не использовал систему, 45 % студентов [42]

Check My Activity, Мэрилендский университет [24]

Улучшение академичес-ких результатов посред-ством предоставления студенту данных о его активности

Использование инфор -мационной системы университета.

Данные об успеваемости

Студенты, получившие оценки «удовлетворительно » и«неудовлетворительно», на 40 % меньше пользовались системой [24].

Студенты, которые использовали систему, имели в 1,92 раза больше шансов получить более высокую оценку [24]

Early Alert, Университет Новой Англии [43]

Определение студентов, у которых есть трудное -ти во время обучения, и предложение им по -мощи

Эмоциональная само -оценка.

Посещаемость.

Данные об успеваемости. Изучаемые дисциплины. Использование онлайн -портала университета и университетских сайтов

Отсев студентов снизился на 7 % [44]. Использование системы позволило повы-сить у студентов чувство принадлежности университету [45]

* Cm.: Knewton. URL: (дата обращения: 27.08.2020).

SHEILA14 (Supporting Higher Education to Integrate

В азиатских, латиноамериканских и африканских странах уровень развития учебной аналитики, и в первую очередь одного из ее пререквизитов - образовательных технологий - значительно ниже и варьируется в широком диапа-зоне в пределах одной страны. Развитие этой сферы упирается в проблему неравенства, особенно неравенства цифрового, проявляющегося в неравномерной обеспеченности образовательных ор-ганизаций и обучающихся компьютерной техни-кой и качественной интернет-связью, а также неравенства в качестве подготовки педагогических работников к использованию цифровых техноло -гий. В сфере высшего образования ситуация обстоит чуть лучше, но она тоже несравнима с ситуацией в европейских или американских вузах. В КНР решения для учебной аналитики реализу -ются технологическими компаниями. Ими разработаны стартапы Pigai («оценивающий вебсайт»), Mita (обучающий ассистент с возможностью предиктивной аналитики), Yuantiku (банк заданий для заучивания наизусть и проверки) и продукты с возможностью сбора и анализа данных от ин -новационных и технологических лидеров New Oriental Online (от компании Nasdaq, специализирующейся на преподавании английского язы-ка) и 100 Education (онлайн-тьютор от Xiaomi). Сам тренд рассматривается как вызов традицион-ной системе с жесткой иерархией, с подходом к обучению, где преподаватель находится в центре , и экзаменами с большими ставками, играющими определяющую роль в жизни учащихся [19].

Наиболее технологически обеспеченные об -разовательные организации в ЮАР, самом развитом регионе африканского континента, реализуют, скорее, не учебную, а академическую аналитику, задачей которой является предоставление отчет -ности правительству государства; студент же оказывается наименее значимой стороной из всех за -интересованных в аналитике образовательных данных сторон. Также африканцы остро ставят вопрос об этике сбора и использования данных и призывают выстраивать свои системы ориги-нальным путем, не заимствуя модели капиталистических стран [19].

Юго -Восточная Азия и Латинская Америка -крайне неоднородные регионы и в вопросах до -ступности цифровых технологий, и в качестве преподавания, поэтому для одних стран актуальной задачей является обеспечение всех студентов доступом к компьютеру и обучение преподавате-лей пользованию им (Мьянма и Тимур), а другие уже применяют информационные технологии для трансформации педагогики и политики управле-ния образовательными организациями (Вьетнам, Таиланд). Региональные инициативы по развитию учебной аналитики запущены в ряде стран Латинской Америки, на переднем крае находятся Бразилия, Эквадор, Колумбия, Мексика, Аргентина и Чили [19]. В Уругвае в рамках проекта Plan Ceibal реализуется национальная политика по обеспечению технологически усовершенство-ванного обучения, включающая помимо приобретения компьютеров для преподавателей и сту-дентов создание интеллектуального онлайн-тьютора [39]. Тем не менее даже в отсталых с точки зрения технологий регионах принятие решений на основе образовательных данных и учебная ана-литика как одно из связанных с ним направлений уже зафиксированы в стратегиях развития как ориентир для развития, а законодательства и конституции пополняются законами и статьями о за -щите персональных данных [19].

К сожалению, ситуация в сфере учебной аналитики в странах Восточной Европы, в том числе и в России, остается в литературе нераскрытой, так что заполнение этой лакуны - перспективная задача для исследователей.

Критика учебной аналитики и барьеры в ее использовании

Резюмируем достоинства «компьютерной» учебной аналитики в сравнении с теми инстру-ментами, что использовались в вузах прежде. Во-первых , новые технологии позволяют при оценивании успеваемости студента учитывать не толь -ко выполнение заданий, но и работу между ними, взаимодействие с учебным материалом. Во-вторых, автоматическая регистрация работы студента поз -воляет снизить роль субъективных оценок и они -раться на статистический анализ, в том числе находя некие важные закономерности в успеваемости обучающегося, которые прежде были незаметны. В -третьих, использование компьютерной учебной аналитики экономит время преподавателя и при подведении промежуточного и итогового контро-ля, и при составлении отчетности по своей работе.

Несмотря на все свои достоинства, учебная аналитика служит объектом критических отзы-вов и сталкивается с барьерами, препятствующими ее внедрению.

Первая группа барьеров лежит на поверхнос-ти. Прежде всего это недостаточность у населения универсальных навыков XXI века - навыков пользования компьютерной техникой и анализа данных. Ситуация с переходом на дистанционные формы обучения в условиях пандемии вы -явила, что знания преподавателей, администраторов и студентов тоже далеки от идеальных [47].

Недавнее исследование НАФИ показало, что лишь треть преподавателей вузов использует цифро-вые инструменты для оценки и отслеживания успеваемости студентов и выявления тех, кто нуждается в поддержке [48]. С. Бакингэм Шум и Т. Мак-Кей [49] описывают опыт своих вузов, который может быть решением этой проблемы. Подразделения, созданные для внедрения учебной аналитики, объединяют специалистов-аналитиков , владеющих статистическими методами, информатиков, понимающих возможности вузовских систем и способных их адаптировать под за -прос, и преподавателей, владеющих учебным процессом и предметом, которые формируют задачи для анализа учебных данных, представляют желаемый формат результатов и поддерживают об -ратную связь по ходу проведения проекта.

Вторая группа барьеров также очевидна и час -то обсуждаема, она лежит в сфере обеспечения работы с персональными данными участников об -разовательного процесса и включает следующие вопросы:

  • 1)    этические (особенно в условиях усиления учебной аналитики биометрическими данными [50]);

  • 2)    правовые (например, несовершенство нынешнего законодательства в вопросах защиты персональных данных [27]);

  • 3)    технические (несоответствие существующего программного обеспечения для сбора и ана-лиза данных текущему запросу [51]).

В отчете рабочей группы ICDE (International Council for Open and Distance Education) подчеркивается , что, несмотря на продуктивное развитие учебной аналитики в течение последних деся-ти лет, этическим аспектам все же уделяется внимания немного [52]. Однако именно они являются основой для принятия решений о сборе и исполь-зовании образовательных данных. В этом отчете указаны девять ключевых этических аспектов, которые необходимо учитывать: прозрачность, владение данными, доступность данных, валидность и надежность данных, ответственность учебных заведений, коммуникации, культурные ценности, вопросы включения отдельных переменных в базы данных, информированность участников учебного процесса, ответственность студентов. Примером этического кодекса в области учебной аналитики служит документ, разработанный компанией Jisc. С его текстом может ознакомиться или взять за ос -нову своего вузовского кодекса любой желающий16.

Если первые две группы барьеров относи -тельно четко прорисованы и работа по их устра-нению уже активно ведется, то третья группа пока не актуализирована для осмысления, хотя она затрагивает глубинные установки и ценности ака-демического сообщества.

Во-первых, учебная аналитика как дистанционное обучение или программируемое обуче-ние активизирует алармистские суждения о вы -теснении «живого» преподавателя из системы образования. Учебный процесс сужается до предложенных на онлайн-платформе учебных материалов , освоение которых анализируется искусственным интеллектом, обратная связь предоставляется с помощью чат-ботов, а порядок работы с заданиями определяется алгоритмами индиви-дуализации учебных траекторий - без участия преподавателя. Противники такого сценария призывают технооптимистов учитывать, что образование - это не только освоение конкретных знаний и навыков. Передача культурных кодов, носителем которых является преподаватель, социализация, познание своего внутреннего мира через обще -ние с другими - немаловажные составляющие образования , которые не оцифровываются и не анализируются автоматически. Даже говоря только об освоении учебного материала, важно обозначить ограничения учебной аналитики, работающей лишь с имеющимися данными, например теми , что собраны в LMS, без учета происходящего на очных занятиях [38]. Более того, учебная аналитика может быть неэффективной даже тог -да, когда обучение проходит полностью в онлайн-среде, но на разрозненных площадках. Так, в условиях пандемии COVID-19 вузы использовали собственные LMS, Zoom или Discord для проведения вебинаров, мессенджеры для проведения консультаций и т. д. [47], но эти сервисы не увязаны в одну систему, сбор данных из них затруднен, и, следовательно , полноценный анализ ситуации весьма проблематичен. Смешанные или очные форматы потребуют и вовсе ручной фиксации данных в сис-теме для проведения анализа, что увеличивает нагрузку на преподавателей и не гарантирует качест-венного результата в связи с возможными погреш-ностями замеров и ввода информации.

Другой барьер в связи с этим таков: преподаватели воспринимают рекомендательные сис-темы на основе учебной аналитики как посяга-тельство на свое право принимать решения в рам -ках учебного процесса. На это C. Бакингэм Шум и Т. Мак-Кей [49] отвечают, что окончательное решение остается за самим преподавателем, а система учебной аналитики лишь упрощает анализ информации и предоставляет предсказания о воз -можных последствиях различных решений, принятых человеком.

Многие современные образовательные инно-вации строятся на сотрудничестве преподавате-лей и студентов, и учебная аналитика подразумевает , что учебная программа разрабатывается с позиций результатов, которые достигнет студент , и действий, которые он для этого предпримет . Студенты при этом должны иметь высокий уровень субъектности - они лично заинтересованы в качественном обучении (а не в оценках), регулярно отслеживают свои показатели, принимают меры для их улучшения и несут ответствен -ность за свои академические результаты. Свежие исследования студенческой субъектности, однако, свидетельствуют, что высокий ее уровень демонстрирует лишь небольшое число студентов, а у некоторых субъектность находится еще на стадии становления [53].

Говоря остудентоориентированности, необходимо отметить изменение формулы оценива-ния учебных успехов. Традиционно на результаты завершающего испытания по курсу, экзамена , приходится высокая доля в итоговой оценке, но с внедрением в вузы учебной аналитики закрепляется важность регулярной работы студента, и в некоторых образовательных организациях это приводит к выставлению итоговой оценки на основе текущей успеваемости и, возможно , даже к отмене экзамена как такового [19]. Соответственно перед некоторыми преподавате-лями остро встанет вопрос о необходимости пе-ресмотра своих подходов - методических и педагогических , и это может привести не к адаптации к вызовам времени, а к уходу сотрудников.

Во-вторых, немаловажная часть барьеров на пути внедрения учебной аналитики в образо-вательную организацию лежит в плоскости от -ношений преподавателей с администрацией ву-за. Перспективы использования учебной аналитики не только для отслеживания эффективности учебы студентов, но для оценки работы преподавателей [38] очевидно отрицательно сказываются на отношении последних к этим инновациям. Дж. Мейер и Б. Рован [54] пишут, что в «добюро-кратические» времена учителя часто подвергались проверкам и контролю со стороны нанявших их лиц, с середины же XX века бюрократия привела к оцениванию самых разных сфер деятельное -ти образовательной организации, кроме качества преподавания (за исключением формальных свидетельств повышения квалификации). Внедрение учебной аналитики в наши дни воспринимается некоторыми преподавателями не столько спосо-бом улучшения академического опыта студен -тов, сколько инструментом контроля работы самих преподавателей [55], что не может не привести к сопротивлению данной инновации.

При этом сторонники учебной аналитики ут-верждают, что она как раз требует не соперничества , а сотрудничества преподавателей и администраторов , перехода к распределенному управлению организацией. Такие изменения могут войти в конфликт с устоявшейся организационной и да -же национальной культурой [19].

Важно отметить, что для реализации потенциала учебной аналитики система образования должна быть достаточно гибкой и допускать вы -страивание индивидуальных образовательных траекторий, адаптивных обучающих систем, перераспределение нагрузки преподавателей между различными видами работы. К сожалению, пока такие практики не стали типичными для системы высшего образования в России.

Итак, мы продемонстрировали, что внедрение системы учебной аналитики в высшем обра-зовании, как и на любом другом уровне образования , сталкивается с рядом барьеров и влечет серию последствий для организации работы в вузе, для взаимодействия участников учебного процес-са и сотрудников образовательной организации, для проектирования и реализации программ и для профессиональной идентификации преподавате-лей. Однако предложенные нами пути устранения некоторых барьеров и потенциальных проб -лем указывают, скорее, лишь общее направление деятельности, тогда как конкретные действия и их последовательность должны определяться самими организациями с учетом всех своих особенностей и условий работы.

Заключение

Внедрение в вузе учебной аналитики требует существенных инвестиций и трансформации всей системы современного высшего образования, совместных действий участников образовательного процесса и единого понимания ими целей и же -лаемых результатов.

Результаты применения учебной аналитики зависят от мотивов инициатора использования данного инструмента - повысить шансы выпускников на успешную профессиональную жизнь или выявить сотрудников, нуждающихся в методической поддержке, помочь им или сократить кадры на основании невыполнения ключевых пока -зателей эффективности. Образование - это сфера взаимодействия типа «человек - человек», и учебная аналитика должна помогать, а не блокировать действия администраторов, преподавателей и студентов . Чем больше данных остается за пределами анализирующей системы, чем меньше опыта и у системы, и у использующих ее сотрудников, тем больше скепсиса к предиктивной аналитике, основанной на учебных данных. Авторы книги «Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим» пишут: «Мы вступаем в мир постоянного прогнозирования на основе данных, в котором, возможно, не всегда сможем объяснить причины своих ре -шений» [56, 25].

Резюмируем возможности учебной аналити-ки для решения управленческих задач по работе со студентами, принятия тактических и стратегических решений и взаимодействия с контролиру-ющими органами.

  • 1.    Мониторинг учебной деятельности в вузе, оперативное получение информации для экспресс -аналитики или подготовки отчетных материалов.

  • 2.    Высокорезультативное привлечение студентов целевой модели и подготовка будущих аби-туриентов к обучению избранной профессии, особенно в условиях существования единой системы учебной аналитики, включающей как вузы, так и школы. Сейчас и в России ведутся исследования по использованию современных методов при -влечения абитуриентов. Так, например, в Томском госуниверситете работают с данными старше -классников в социальной сети ВКонтакте для от -бора и прицельного рекрутинга [57], но учебные данные пока в этих моделях не учитываются.

  • 3.    Формирование учебных групп на основе интересов и уровня подготовки обучающих -ся для наиболее благоприятного студенческо-го опыта. Рекомендации студентам по текущей успеваемости, выбору курсов из вариативной части или по переводу на другую специаль-ность. Рекомендации преподавателям в отношении групп риска и необходимости интервенций, что вкупе будет работать на сохранение студен -ческого контингента и улучшение академических результатов.

  • 4.    Возможность сбора материала для проведения институциональных исследований и выполне-ния прикладных разработок.

Учебная аналитика может занять важное мес-то в системе принятия решений при управлении вузом. Дескриптивная аналитика и предиктивная аналитика позволяют обнаружить проблему еще до того, как она проявится, и составить перечень возможностей и ограничений, которые потребуется учесть при разработке и выборе альтернатив, а прескриптивная аналитика еще и предложит свои варианты решений. После реализации разработанной альтернативы учебная аналитика соберет данные об ее эффективности.

Структурное обеспечение учебной аналити-ки зависит от размера организации, задач учебной аналитики, уровня компетенций сотрудников и материально-технической базы. Выше нами был представлен опыт британских вузов, где учреждено специальное подразделение, объединяющее аналитиков и технических специалистов с преподавателями, работающими на факультетах. Вероятно, будет полезным наличие в таких подразделениях методистов, помогающих организовать продуктивную коммуникацию между програм -мистами и преподавателями. Руководить проектом может один человек, так называемый директор по обработке и анализу данных (chief data officer), такая должность уже появилась в структуре рос -сийских вузов благодаря проекту «Цифровой университет ». Однако наибольшего успеха, мы полагаем , достигнет команда специалистов с требуемыми навыками, закрепленных за учебными подразделениями , факультетами, понимающих их запросы и специфику. Важные требования - хорошая коммуникация между пользователями системы и еди-ное направление работы, а также согласованность всех систем сбора и анализа данных в организации.

К сожалению, обсуждение кейсов лучших управленческих практик пока невозможно в силу того, что их реализация находится только на начальном этапе. Мы сумели привести в представленной выше таблице результаты внедрения сис-тем учебной аналитики лишь в нескольких зару-бежных вузах, поскольку остальные еще только выстраивают эту работу. В российской традиции обсуждение лучших практик управления в прин-цине развито слабо, но есть основания полагать, что с накоплением опыта цифровых университе-тов эта ситуация несколько улучшится.

Тем не менее уже можно дать руководите -лям вузов рекомендации по развитию учебной аналитики.

  • 1.    Классифицировать имеющиеся в вузе системы и собираемые в них данные, оценить возможность объединения систем, наличие дублирующей информации и, наоборот, областей, не закрытых данными.

  • 2.    Проанализировать, используются ли сейчас эти данные, каким образом и с привлечением каких ресурсов (кадры, материально-техническая база), оценить их потенциал для более широкого применения.

  • 3.    Оценить, для решения каких задач и проблем подразделений вуза учебная аналитика мог -ла бы стать удачным решением, а также выяснить отношение сотрудников и студентов к более ак-тивному развитию этой сферы, снять вопросы и провести акцию информирования.

  • 4.    Уладить организационные, правовые, этические и технические вопросы сбора и исполь-зования учебных данных (определить организационную структуру, пересмотреть положения , учредить этическую комиссию, разработать инструкции).

  • 5.    Организовать и поддерживать в организации высокую культуру работы с данными всеми участниками учебного процесса, а также систему, открытую к предложениям и нововведениям.

При том, что материалы об анализе образовательных данных в России публикуются, хоть и в небольшом количестве, еще с 2013 года, активной дискуссии и обмена практиками в этой об -ласти между вузами так до сих пор и не наблю -дается. Авторы большинства посвященных этой теме отечественных публикаций являются пред -ставителями компьютерных и юридических на -ук, в то время как в мировой практике учебная аналитика - это предмет исследований и споров методистов, педагогов, управленцев, социологов , то есть широкого круга специалистов, работающих в образовании. Чем объясняется незаинтересованность отечественных представителей сферы образования в активной дискуссии о воз -можностях учебной аналитики (непониманием ее пользы, низким качеством имеющихся данных, отсутствием интереса, компетенций, наработок для обмена, желания делиться приобретенным опытом), остается неясным. Но мы надеемся, что наш обзор послужит стимулом для обсуждения этой сферы исследований и разработок и запуска новых проектов, повышающих качество высшего образования.

Список литературы Учебная аналитика в традиционном образовании: ее роль и результаты

  • A global framework of reference on digital literacy skills for indicator 4.4. 2. 2018] / N. Law, D. Woo, J. Torre de la, G. Wong // UNESCO UIS : [сайт]. URL: http://uis.unesco. org/sites/default/files/documents/ip51-global-framework-reference-digital-literacy-skills-2018-en.pdf (дата обращения: 23.06.2020).
  • Buckingham Shum S. J., Luckin R. Learning analytics and AI: Politics, pedagogy and practices // British journal of educational technology. 2019. Vol. 50, no 6. P. 2785-2793. DOI: 10.1111/bjet.12880.
  • Siemens G., Long P. Penetrating the fog: Analytics in learning and education // EDUCAUSE review. 2011. Vol. 46, no 5. P. 30-38.
  • O'Farrell L. Using Learning Analytics to Support the Enhancement of Teaching and Learning in Higher Education // National Forum for the Enhancement of Teaching and Learning in Higher Education. 2017. URL: https://www. teachingandlearning.ie/publication/using-learning-analytics-to-support-the-enhancement-of-teaching-and-learning-in-higher-education/ (дата обращения: 11.06.2020).
  • McGraw-Hill Education. Are learning analytics the new 'likes'? 87 % of college students perform better with access to personalized data, new research finds // McGraw-Hill Education. 2015. URL: https://www.mheducation.com/ news-media/press-releases/learning-analytics-new-likes-college-better-access-personalized-data-new-research. html (дата обращения: 11.06.2020).
  • Загирова Ф.Р. Академическая неоднородность студентов и управление вузами: формирование исследовательской повестки // Университетское управление: практика и анализ. 2018. Т. 22, № 3 (115). С. 141-154. DOI: 10.15826/umpa.2018.03.033.
  • Exploring the potential of LMS log data as a proxy measure of student engagement / C. R. Henrie, R. Bodily, R. Larsen, C. Graham // Journal of Computing in Higher Education. 2018. Vol. 30, no 2. P. 344-362. DOI: 10.1007/ s12528-017-9161-1.
  • Tempelaar D. T., Rienties В., Giesbers B. In search for the most informative data for feedback generation: Learning analytics in a data-rich context // Computers in Human Behavior. 2015. Vol. 47. P. 157-167. DOI: 10.1016/j. chb.2014.05.038.
  • Горлушкина H.H., Коцюба И. Ю., Хлопотав М. В. Задачи и методы интеллектуального анализа образовательных данных для поддержки принятия решений // Образовательные технологии и общество. 2015. Т. 18, № 1. С. 472-482.
  • Патаракин Е.Д. Использование учебной компьютерной аналитики для поддержки совместной сетевой деятельности субъектов образования // Образовательные технологии и общество. 2014. Т. 17, № 2. С. 538-554.
  • Sclater N., PeasgoodA., Mullan J. Learning analytics in higher education. London : Jisc, 2016. 176 p.
  • Sclater N. Rolling Out Learning Analytics at a National Level // EDUCAUSE Review Online. 2019. URL: https://er.educause.edu/articles/2019/6/rolling-out-learning-analytics-at-a-national-level (дата обращения: 11.06.2020).
  • Wong В. T. M. Learning analytics in higher education: an analysis of case studies // Asian Association of Open Universities Journal. 2017. Vol. 12, no 1. P. 21-40. DOI: 10.1108/aaouj-01-2017-0009.
  • Tang S. F., Hussin S. Quality in higher education: A variety of stakeholder perspectives // International Journal of Social Science and Humanity. 2011. Vol. 1, no 2. P. 126. DOI: 10.7763/ijssh.2011.v1.21.
  • Harvey L., Green D. Defining quality //Assessment & evaluation in higher education. 1993. Vol. 18, no 1. P. 9-34. DOI: 10.1080/0260293930180102.
  • Кондратенко Б. А., Кондратенко А. Б. Анализ данных - будущее образования // Гуманитарные технологии в современном мире : материалы VI Международной научно-практической конференции, Калининград, 17-19 мая 2018 г. Калининград, 2018. С. 124-129.
  • Siemens G., Dawson S., Lynch G. Improving the quality and productivity of the higher education sector // Policy and Strategy for Systems-Level Deployment of Learning Analytics. Canberra, Australia : Society for Learning Analytics Research for the Australian Office for Learning and Teaching, 2013. 31 p.
  • Nottingham Trent University. NTU Student Dashboard: Introduction to the Dashboard // Nottingham Trent University. 2017. URL: https://www4.ntu.ac.uk/adq/document_uploads/ rimning_a_course/164304.pdf (дата обращения: 11.06.2020).
  • Lim С. P., Tinio V. L. Learning analytics for the global south // Quezon City, Philippines: Foundation for Information Technology Education and Development. 2018. URL: https://digital.fundacionceibal.edu.uy/jspui/ bitstream/123456789/243/3/Learning-Analytics-Full-Paper-2. pdf (дата обращения: 11.06.2020).
  • Arnold К. E., Pistilli M. D. Course signals at Purdue: Using learning analytics to increase student success // Proceedings of the 2nd international conference on learning analytics and knowledge. ACM. 2012. P. 267-270. DOI: 10.1145/2330601.2330666.
  • Осъкин А.Ф., Осъкин Д.А. Применение интеллектуального анализа образовательных данных для прогнозирования успешности учебной деятельности // Вестник Полоцкого государственного университета. Серия С: Фундаментальные науки. 2016. № 4. С. 8-12.
  • ПаичеикоВ.М. Экспериментальный программный комплекс для моделирования и интерпретации процессов анализа образовательных данных // Современные информационные технологии и ИТ-образование. 2017. Т. 13, № 4. С. 207-215.
  • Clow D. The learning analytics cycle: closing the loop effectively // Proceedings of the 2nd international conference on learning analytics and knowledge. 2012. P. 134-138. DOI: 10.1145/2330601.2330636.
  • Fritz J. Classroom walls that talk: Using online course activity data of successful students to raise self-awareness of underperforming peers // The Internet and Higher Education. 2011. Vol. 14, no 2. P. 89-97. DOI: 10.1016/j. iheduc.2010.07.007.
  • Educational data mining applications and tasks: A survey of the last 10 years / B. Bakhshinategh, O. R. Zaiane., S. El Atia, D. Ipperciel // Education and Information Technologies. 2018. Vol. 23, no 1. P. 537-553. DOI: 10.1007/ s10639-017-9616-z.
  • Bienkowski M., Feng M., Means B. Enhancing teaching and learning through educational data mining and learning analytics: An Issue brief. Washington, D. C. : U. S. Department of Education, 2012. 64 p.
  • Астахова Л. В., Завадский А. О. Особенности организации защиты персональных данных в образовательной организации // Вестник УрФО. Безопасность в информационной сфере. 2013. № 3 (9). С. 4-10.
  • Гаврилова И. В. Организация защиты персональных данных в образовательных учреждениях // Новые информационные технологии в образовании : материалы VII международной научно-практической конференции / Российский государственный профессионально-педагогический университет. Екатеринбург, 11-14 марта 2014 г. Екатеринбург, 2014. С. 509-513.
  • Толмачев В. В. Проблемы защиты персональных данных в образовательных организациях // Известия АСОУ. Научный ежегодник. 2015. Т. 1. С. 126-141.
  • ХлыстоваД.А., Попов К. Г. К вопросу о моделировании угроз персональным данным пользователей в системах дистанционного обучения образовательных организаций // Международный студенческий научный вестник. 2016. № 3-1. С. 96-97.
  • Абруков B.C., Петрова М. В., Ануфриева Д.А. Методы интеллектуального анализа данных при моделировании образовательного процесса в вузе // Вопросы повышения эффективности профессионального образования в современных условиях. XXI и XXII Всероссийские научно-практические конференции / Филиал Кубанского гос. унта в г. Славянске-на-Кубани. Славянск-на-Кубани, 29 января-22 июня 2014 г. Славянск-на-Кубани, 2014. С. 86-90.
  • СтаинДА., ЧасовскихВ.П. Исходные данные модели образовательного процесса вуза в среде современных web-технологий // Современные проблемы науки и образования. 2015. № 1. С. 164.
  • АнисимовА.В. Построение системы дистанционного образования на основе технологий доступа к образовательным удаленным базам данных // Информационные системы и технологии в моделировании и управлении : материалы всероссийской научно-практической конференции, Ялта, 23-24 мая 2016 г. Ялта, 2016. С. 164-168.
  • Горутъко Е.Н. Применение интеллектуального анализа данных в задаче оценки качества электронных образовательных ресурсов // Перспективы развития информационных технологий. 2016. № 30. С. 103-108.
  • ВеряееА.А., Татарникова Г. В. Educational Data Mining и Learning Analytics-направления развития образовательной квалитологии // Преподаватель XXI век. 2016. Т. 1, № 2. С. 151-160.
  • Учебная аналитика МООК как инструмент прогнозирования успешности обучающихся / Т. Ю. Быстрова, В. А. Ларионова, Е.В. Синицын, А. В. Толмачев // Вопросы образования. 2018. № 4. С. 139-166. DOI: /10.17323/1814-95 45-2018-4-139-166.
  • Котова Е.Е., Писарев А. С. Задача классификации учащихся с использованием методов интеллектуального анализа данных // Известия СПбГЭТУ «ЛЭТИ». 2019. № 4. С. 32-43.
  • Are we on our way to becoming a «helicopter university»? Academics' views on learning analytics / J. A. Howell, L. D. Roberts, K. Seaman, D. C. Gibson // Technology, Knowledge and Learning. 2018. Vol. 23, no 1. P. 1-20. DOI: 10.1007/s10758-017-9329-9.
  • Research evidence on the use of learning analytics: Implications for education policy. 2016 / R. Ferguson, A. Brasher, D. Clow [et al.] // Open Research Online, The Open University. URL: http://oro.open.ac.uk/48173Z1/ Analytics%20research%20evidence.pdf (дата обращения: 11.06.2020).
  • NTU Student Dashboard // Learning Analytics Network, University of East London. 2015. URL: http:// analytics.jiscinvolve.org/wp/files/2015/02/Iisc-LA-Network-Mike-Day.pdf (дата обращения: 11.06.2020).
  • Denley T. Degree Compass: A course recommendation system // EDUCAUSE Review Online. 2013. URL: https://er.educause.edu/articles/2013/9/degree-compass-a-course-recommendation-system (дата обращения: 11.06.2020).
  • Newman A., Stokes P., Bryant G. Learning to adapt: A case for accelerating adaptive learning in higher education. Boston, MA : Education Growth Advisors, 2013. 18 p.
  • Leece R., Hale R. Student Engagement and Retention through e-Motional Intelligence // Educational policy. 2009. URL: http://www.educationalpolicy.org/events/R09/PDF/ Leece_E-Motion.pdf (дата обращения: 8.09.2020).
  • Davis D. Altis Consulting: HE Information Management Specialists. Presentation to the UK Learning Analytics Network. Edinburgh, 2015 // Jisk. URL: https:// analytics.jiscinvolve.org/wp/files/2015/05/Jisc-LA-Network-Davis.pdf (дата обращения: 11.06.2020).
  • Leece R., Campbell E. Engaging students through social media // Journal of the Australia and New Zealand Student Services Association. 2011. Vol. 38. P. 10-15.
  • Efforts in Europe for Data-Driven Improvement of Education - A Review of Learning Analytics Research in Seven Countries / J. Nouri, M. Ebner, D. Ifenthaler [et al.] // International Journal of Learning Analytics and Artificial Intelligence for Education (iJAI). 2019. Vol. 1, no 1. P. 8-27. DOI: 10.3991/ijai.vlil.11053.
  • Терентъее E„ Захарова У. «Это работает!»: переход на удаленный режим работы и дистанционное обучение в оценках преподавателей российских университетов // Шторм первых недель: как высшее образование шагнуло в реальность пандемии / Национальный исследовательский университет «Высшая школа экономики», Институт образования. Москва, 2020. С. 67-79.
  • Цифровая грамотность российских педагогов. Готовность к использованию цифровых технологий в учебном процессе // Т. А. Аймалетдинов, Л.Р. Баймуратова, О. А. Зайцева [и др.]. Москва: НАФИ, 2019. Т. 84. С. 43-44.
  • Buckingham Shum S. J., McKay Т. A. Architecting for Learning Analytics: Innovating for Sustainable Impact // EDUCAUSE Review Online. 2018. URL: https://er.educause. edu/articles/2018/3/architecting-for-learning-analytics-innovating-for-sustainable-impact (дата обращения: 11.06.2020).
  • Jones K. M. L. Learning analytics and higher education: a proposed model for establishing informed consent mechanisms to promote student privacy and autonomy // International Journal of Educational Technology in Higher Education. 2019. Vol. 16, no 1. P. 16-24. DOI: 10.1186/ S41239-019-0155-0.
  • Бурова H. В. Прозрачность и открытость информационных систем и данных образовательных учреждений для инновационного развития системы высшего образования // Повышение открытости отечественной статистики : материалы Международной научно-практической конференции, посвященной профессиональному празднику-Дню работника статистики / ФГБОУ ВО «РЭУ им. Г. В. Плеханова». Москва, 2016. С. 26-31.
  • Slade S., Tait A. Global guidelines: Ethics in learning analytics. 2019 // International Council for Open and Distance Education. URL: https://static1.squarespace.com/ static/5b99664675f9eea7a3ecee82/t/5ca37c2a24a694a94e0e 515c/1554218087775/Global+guidelines+for+Ethics+in+Learning+Analytics+Web+ready+March+2019.pdf (дата обращения: 11.06.2020).
  • Фишман Б.Е. О субъектности студента вуза в образовательной деятельности // Высшее образование в России. 2019. №5. С. 145-154. DOI: 10.31992/0869-36172019-28-5-145-154.
  • Meyer J. W., Rowan B. The structure of educational organizations // Schools and society: A sociological approach to education. 1978. Pine Forge Press, 2008. P. 217-225.
  • Университетские преподаватели и цифровизация образования: накануне дистанционного форс-мажора / Р. Н. Абрамов, И. А. Груздев, Е.А. Терентьев [и др.] // Университетское управление: практика и анализ. 2020. Т. 24, № 2. С. 59-74. DOI: 10.15826/umpa.2020.02.014.
  • Майер-Шенбергер В., Кукъер К. Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим. Москва : Манн, Иванов и Фербер, 2014. 240 с.
  • Analysis of user profiles in social networks to search for promising entrants / A. Feshchenko, V. Goiko, G. Mozhaeva [et al.] // INTED2017 Proceedings. 11th international technology, education and development conference, 6-8 March 2017, Valencia (Spain). P. 5188-5194. DOI: 10.21125/inted.2017.1203.
Еще
Статья научная