Использование больших данных в образовательном процессе в школе
Обновлено: 02.07.2024
Смена трендов в образовании
Раньше специальности менялись раз в несколько поколений, и если твой прадед был кузнецом, то это значило, что твой отец — кузнец и ты сам тоже будешь кузнецом. В наши дни человек за жизнь несколько раз меняет профессию. Многие профессии просто исчезают, другие трансформируются до неузнаваемости, и людям приходится переучиваться. Запрос на массовое переобучение стоит на повестке дня, но при этом технологии обучения принципиально не меняются на протяжении нескольких веков.
Раньше ты мог учиться только у условного Пифагора. А если ты жил в деревне, в которой Пифагора не было, то доступ к знаниям у тебя отсутствовал. Позже стали появляться книги, и фигура учителя постепенно отошла на второй план: из генератора знаний он превратился в их проводника. С XV века, когда возникло массовое книгопечатание, ничего кардинально не поменялось. Был бумажный учебник — стал айпэд, была деревянная доска — стала электронная, был мел — стал фломастер. Нет особой разницы между книгой профессора и его лекцией на ютьюбе. Просто текст превратился в кино. Объем знания и его контроль остались такими же.
Большие данные и персонификация процесса обучения
Используя большие данные, мы должны научиться подавать материал так, чтобы человеку было интересно учиться. В других областях жизни — в финансах, ретейле, страховании — большие данные уже используются давно: мы знаем, что любят есть на обед те, кому нравится классическая музыка, и какую машину купит семья с двумя детьми и собакой. В ретейле все началось с IT-директора сети магазинов Walmart, который опирался на большие данные и выявлял важные закономерности. Например, то, что пиво должно стоять на полке рядом с чипсами, очевидно; но однажды, анализируя чеки, он обнаружил, что в пятницу вечером пиво надо продавать вместе с памперсами. И это действительно сработало.
Школьная система и классификация учеников
В школьной системе традиционно есть ученик, есть учитель и есть условные формы контроля знаний. Но возможно разработать такие алгоритмы, которые позволят создавать информационный образ ученика и учителя, персонифицировать процесс обучения и детально контролировать все стадии усвоения материала. Обучение будет похоже на уроки с репетитором, только репетитором будет компьютер. Мы строим такую платформу, которая снимает с ученика разные данные и понимает, как конкретный человек учится.
Если мы можем фиксировать, где ученик ошибается, что решает быстро, что решает медленно, когда отвлекается, то мы можем составить его детальный портрет. Сколько на что потратил времени, правильно решил или нет, много ли водил мышкой по экрану, сколько раз решал одну и ту же задачу — мы формируем огромный дата-центр, который позволяет давать ребенку вариативный контент. Система сама решает, какую задачу предложить, и распознает, когда ученик отвлекся или устал. Мы уже можем посмотреть, как выглядит профиль умного ученика, что есть общего у двоечников, чем одна школа отличается от другой. Эта система — рентген, который позволяет нам видеть, что происходит в процессе обучения с конкретным учеником, школой, городом, регионом.
Мы можем классифицировать учеников — очень умные, средние и не самые способные ученики. В целом есть два типа школьников, которых мы научились вычислять: те, кто начинает быстро и потом устает, и те, кто начинает медленно и разгоняется. Под них тоже можно адаптировать систему, которая в перспективе будет учитывать все — наличие шума, погодные условия, освещенность, данные трекеров, пульс.
Мы начали с обучения математике, сейчас доступны задания школьной программы до 6-го класса, но вообще это можно делать с любым предметом.
Роль учителя и форматирование
Существенная роль учителя сохранится еще долгое время, и никакая система не заменит Пифагора. Но для задач массового и корпоративного образования компьютерные системы могут быть крайне эффективными. Как минимум они помогут экономить время. Интеллектуальные системы, работающие на уровне лучшего учителя, будет доступны в любой школе. Тогда нам удастся преодолеть понятие цифрового неравенства, сократить барьеры обучения детей с ограниченными возможностями. Из двоечника нельзя сделать вундеркинда, но подтянуть его можно. И все благодаря персонифицированному подходу и умному компьютеру, который знает все о том, как вы усваиваете материал.
С самого рождения нас форматируют — сначала родители (объясняют, что можно делать, а что нельзя), потом школьные учителя, университетские преподаватели и внешняя среда. Мы очень ограниченные люди, живущие как котята в известном эксперименте: одни котята жили в мире, где все было покрашено горизонтальными полосками, а другие, где все покрашено вертикальными, и, когда их выпустили на свободу, кто-то не видел никаких вертикальных предметов и врезался в ножку стула, а кто-то не мог подняться по лестнице. Мы видим только то, что мы знаем. А чего не знаем, не видим. То есть, как маркетологи, мы заметим пиво и чипсы, а пиво и памперсы — нет. И в образовании так же.
Тот самый эксеримент, проведенный в 1973 году, в рамках которого котята провели свои первые шесть недель в боксе, где видны только вертикальные линии.
Методы объективного анализа данных, составляющие основу наших алгоритмов, позволяют вычислить закономерности, возникающие в процессе обучения. Это позволяет оптимизировать процесс обучения и сделать его более увлекательным и для троечника, и для отличника. Зависимостей на самом деле очень много, просто мы их еще для себя не открыли.
Полезные советы родителям
Родители не должны переносить всю ответственность за хорошее образование на школу. Школа — не панацея. О дополнительном образовании ребенка должны заботиться именно родители.
Нужно поступать с детьми так, как это делают интеллектуальные электронные системы, — не давать ребенку слишком легкие задачи, чтобы он не терял интерес, и не давать слишком сложные, чтобы он не разочаровывался в себе.
| Главная Образование |
Открывая конференцию, руководитель Рособрнадзора Сергей КРАВЦОВ сообщил, что ведомство совместно с Министерством просвещения РФ и Минобрнауки России ведёт работу по развитию аналитических систем и по формированию информационного массива, так называемого озера данных, в сфере образования. Его основу составляют сведения, получаемые по результатам всероссийских проверочных работ, ЕГЭ, ОГЭ и других контрольно-измерительных процедур.
— Эти данные анализируются в целях управления качеством образования. В частности, в прошлом году мы на четверть уменьшили число проверок региональных образовательных учреждений: в связи с использованием больших данных они стали более точечными. Мы планируем использовать большие данные и при совершенствовании системы аккредитации и оценки вузов.
Сегодня без больших данных (Big Data) управлять мегаполисом практически невозможно. Речь идёт о транспортных потоках, здравоохранении, внедрении системы искусственного интеллекта, градостроительных решениях, предотвращении правонарушений и в ещё целом ряде аспектов. Образование с этой точки зрения является наиболее сложной сферой. С анализом использования больших данных в сфере управления столичным образованием выступил мэр Москвы Сергей СОБЯНИН .
— В Москве почти 1,5 млн школьников, воспитанников и студентов, более 117 тыс. педагогов; это в два раза больше, чем, например, в Финляндии. Однако очевидно, что никаких больших данных не появится, если не будет создана современная инфраструктура. Мы к ней шли достаточно долго — с 2012 г. На первом этапе появились новые компьютеры, скоростной Интернет и сеть электронных услуг начиная от записи в образовательные учреждения. Сегодня ежедневно цифровыми сервисами пользуется около 400 тыс. горожан. Одним из элементов базовой инфраструктуры является электронный дневник. Введена система облачной бухгалтерии, персонифицированного учёта, без которых дальнейшие шаги в области больших данных были бы невозможны.
Центральным событием второго этапа стало развитие Московской электронной школы (МЭШ) с библиотекой цифровых учебных материалов. Однако создать инфраструктуру мало: нужно выстроить систему мотивации пользователей и насытить ресурс контентом, отметил С. Собянин.
На сегодняшний день в библиотеке МЭШ размещено более 30 тыс. электронных сценариев уроков, свыше 35 тыс. интерактивных образовательных приложений, более 1 тыс. электронных учебных пособий и учебников, свыше 450 тыс. атомарных учебных материалов. Контент увеличивается в арифметической прогрессии, обновляясь ежедневно.
Важный инструмент — единый электронный дневник. Для понимания масштабов больших данных, которые генерирует этот проект, необходимо отметить, что в нём фиксируется 10 млн школьных оценок ежемесячно. Перечень используемых образовательных материалов, виды контрольных работ — всё записывается в дневник. По объёму информации это сервис номер один в городе, подчеркнул мэр Москвы.
Благодаря МЭШ и электронному дневнику каждый столичный школьник сегодня оставляет цифровой след, отражающий практически все аспекты его учёбы: как он справляется с заданиями, чему научился, в каких кружках занимается, какие музеи, театры, технопарки посещает, что проектировал и изобретал, какие книги читает, в каких олимпиадах участвует, какими компетенциями владеет и т.д.
Задача следующего этапа — создать инструмент анализа, с помощью которого педагоги смогут оценивать результаты обучения, прогнозировать будущие достижения, выявлять дефицит знаний и навыков и своевременно принимать меры по его ликвидации в соответствии с образовательными потребностями каждого ученика. Школа получила возможность выстраивать индивидуальные траектории обучения, максимально учитывая способности учащихся.
По словам С. Собянина, большие данные также помогут ученикам сформировать портфолио, которые будут пополняться победами на олимпиадах, полученными сертификатами, выполненными проектами и другими достижениями за весь период обучения в школе. Уже сегодня наличие подобных инструментов добавляет абитуриентам несколько баллов ЕГЭ и даёт им дополнительный шанс на поступление в вуз.
Продолжает развиваться система аналитики, позволяющая предсказывать риски на уровне отдельных учащихся и управления образовательным учреждением в целом. Онлайн-сервисы самопроверки, которыми можно воспользоваться в любой момент с мобильного устройства, востребованы уже 200 тыс. обучающихся. Используются продвинутые технологии распознавания речи с применением нейросетей, что позволяет оценивать устные экзамены в электронной форме. Система обучения и диагностики с использованием виртуальной реальности даст возможность проверять наличие навыков из реальной жизни. Форматы заданий международных исследований, преобразование информации в симуляционные задачи, интерактивные эксперименты, оценка критического мышления, формирование банка данных на основе жизненных ситуаций, новейших научных и технологических достижений, развитие системы предпрофессионального экзамена — все эти элементы начинают так или иначе внедряться в столичном образовании.
В целом доля выпускников, сдающих ЕГЭ по трём предметам на 220 баллов и более, выросла за последние годы почти в три раза, число победителей всероссийской олимпиады школьников — в 2,6 раза, и не в последнюю очередь это произошло благодаря доступу детей к современным электронным учебным материалам и технологиям обучения, считает С. Собянин. Серьёзный вопрос — не только накопить эти данные и систематизировать их, но и понять, какие можно сделать выводы: заменить ЕГЭ портфолио, выстроить новые критерии успешности, знаний. Это тонкий вопрос, требующий аккуратного подхода и обсуждения, отметил в завершение мэр Москвы.
От городского масштаба — к общегосударственному.
К дискуссии подключилась Министр просвещения РФ Ольга ВАСИЛЬЕВА . Как отметила выступающая, ведомство является сторонником взвешенного, сбалансированного подхода в вопросах интеграции современных цифровых технологий в учебный процесс, но один из важнейших аспектов не вызывает сомнения — это прежде всего принятие управленческих решений на всех уровнях: федеральном, региональном, муниципальном и школьном — на основе анализа больших данных.
Формирование национальной базы данных в области образования началось со старта участия России в международных сравнительных исследованиях по математике и естественно-научным предметам в 1991 г. В настоящее время различные работы по сбору данных ведутся на всех уровнях управления системой образования, при этом существует необходимость объединить имеющуюся на разных уровнях информацию в эффективную базу, доступ к которой получат все участники образовательного процесса.
Технология больших данных используется при формировании Национальной системы учительского роста. Это один из приоритетных проектов министерства, в рамках которого разрабатывается системная модель непрерывного развития профессионального мастерства, обновления содержания учебных программ, совершенствуется модель аттестации учителей. Планируется не только повышать предметный уровень педагогов, но и формировать гибкие компетенции, ведь им необходимо научить детей эффективно работать в команде, создавать собственные проекты, решать мультидисциплинарные задачи, работать в конвергентной среде.
Как отметила О. Васильева, большие данные позволят в перспективе отслеживать профессиональные успехи педагогов: получать актуальную информацию о квалификации, продвигать молодых учителей при помощи наставничества и делать систему повышения квалификации более гибкой и эффективной. По информации, приведённой министром, на сегодняшний день педагоги в возрасте 22–25 лет составляют 5,5%, такова же доля учителей в возрасте 25–30 лет. Эта цифра не изменится к 2024 г., а к 2025-му нехватка педагогов в российской системе образования составит 187 тыс. человек.
На основе больших данных строится Навигатор оценки качества дополнительных образовательных программ. Это общедоступный портал с региональным и муниципальным сегментами, который обеспечивает простой поиск. Здесь каждая семья может выбрать программу допобразования по своим критериям и потребностям. Федеральный компонент навигатора — база данных, содержащая сведения о дополнительных программах, реализуемых в каждом из 85 субъектов Федерации с независимой оценкой качества организаций.
Резюмируя, министр отметила, что сбор данных на всех уровнях уже сегодня носит системный характер, исключающий высокую нагрузку на учителей. Данные собираются автоматически путём интеграции информационных систем.
Философского подхода к Big Data придерживается руководитель Департамента по образованию и навыкам ОЭСР Андреас ШЛЯЙХЕР .
— Большие данные позволяют улучшить качество образования. В то же время когда мы говорим о данных, то думаем, что их очень легко измерить. Но какие данные нужны, что мы хотим развивать в учениках, как отслеживать их прогресс, используя цифры? Образование весьма сложная система; она имеет дело с людьми. Данные должны касаться всех компонентов учебной среды: стандартов, программ, системы экзаменов, технологий, и всегда следует учитывать контекст, в котором ученики получают знания. Даже в Москве, несмотря на то что условия вроде бы одинаковы, образовательные результаты существенно различаются.
Результаты тестирования легко интерпретировать в математике, естественных науках, в чтении, но гораздо сложнее оценить, может ли студент думать как учёный: математик, философ, филолог, отслеживать то, как он доходит до правильного ответа. Когда мы говорим о когнитивных навыках, таких как критическое мышление, важно не забывать и о социальных, т.е. об умении взаимодействовать с другими людьми. Это те компетенции, которые очень сложно измерить с помощью инструментов XX в.
Большие данные позволяют проводить сегментацию образовательных учреждений в зависимости от условий внешней среды и уже внутри выделенных групп говорить о факторах, которые помогают добиваться высоких учебных результатов или же препятствуют этому. Их анализ, в частности, уже сегодня подтверждает следующую гипотезу: успех зависит не от того, сколько ресурсов инвестируется в образование, а от того, как это происходит. Идея заключается в том, что бюджеты бывают одинаковыми, но вы их можете вкладывать в разные аспекты, регулируя число учащихся на одного преподавателя, использование цифровых инструментов, проектной деятельности и традиционных образовательных технологий, и получать разные результаты. И только подход на уровне больших данных может показать различия.
Тема больших данных позволяет говорить о связи образования и экономического развития страны, считает Владимир МАУ , ректор РАНХиГС — вуза, при котором в 2018 г. был создан Центр обработки больших данных. Здесь существуют два подхода.
— Первый — экономическое влияние образования на рост. Безусловно, образование в целом — это общественное благо, но дальше начинаются вопросы: инвестиции в какой уровень образования дадут эффект, какие между ними должны быть временные интервалы. Второй — возможности больших данных с точки зрения оценки эффективности качества образования. Вопрос вроде бы простой, но на него нет единственно верного ответа: например, качество образования, измеряемое ЕГЭ, не всегда коррелирует с вложениями в образование в данном регионе.
Управление данными становится фактором, регулирующим финансовые потоки, подчеркнул ректор. В какой-то мере образование может оказаться насыщенным деньгами, но насыщение информационными потоками не наступает никогда. В этом смысле бизнес управления данными становится не менее важным фактором, чем управление деньгами.
Самого по себе озера данных недостаточно для эффективной работы со статистикой. Важно, чтобы данных было не просто много, но чтобы они постоянно текли в это озеро.
Кроме того, большие данные — это в некотором смысле подход, противоположный традиционному научному анализу. Научный анализ — это выявление причинно-следственных связей на сравнительно небольшом объёме данных. Большие данные фактически несут в себе отказ от казуальности. Выводы на основе обильных данных — это совсем другой подход, мы с ним почти никогда раньше не сталкивались. Корреляция приходит на смену казуальности.
Инструменты математической статистики, машинного обучения, компьютерной лингвистики, технологии искусственного интеллекта открывают дорогу для синтеза источников разных данных и улучшения работы системы образования. В. Мау обозначил ряд ключевых направлений.
Первое — оперативный мониторинг текущих процессов на основе больших данных. Возможные примеры — выявление аномалий в результатах ЕГЭ и ГИА, анализ вузовских программ, поиск тематически близких программ за рубежом, кластеризация и ранжирование образовательных учреждений по объёмам подготовки, мониторинг спроса на отдельные профессии на рынке труда.
Второе — формирование базы данных для проведения корреляционных исследований в области экономики образования, охватывающих всю совокупность учащихся, студентов, учителей, профессоров. Это даст возможность получить более точные ответы на ряд традиционных вопросов, в частности о влиянии образования на экономический рост, оплату труда, занятость, заболеваемость, преступность в регионе, внутреннюю миграцию между регионами и утечку мозгов за рубеж. Можно сравнивать частные и государственные школы, результаты студентов на платных и бюджетных местах в вузах, оценивать влияние ЕГЭ на широту и глубину остаточных знаний, корреляцию баллов ЕГЭ с успеваемостью в вузе и т.д.
Третье направление — развитие экспериментов с учебными пособиями и технологиями образования. Сюда относятся вариативность глав и разделов учебников, валидация значимости школьных стандартов, эксперименты с объёмом и формой отчётности, оценка влияния технологий на формирование цифровых навыков в школе, различные способы включения школ в цифровую среду.
Четвёртое направление — улучшение качества прогнозов спроса на профессии на пять — семь лет вперёд.
Пятое — развитие системы искусственного интеллекта для управления системой образования, что позволит снизить нагрузку на экспертов, например при аккредитации вузов. Лингвистический анализ текстов документов, программ, оценочных средств может быть предварительной стадией, после чего к оценке приступает человек.
Существенное направление в работе — анализ профессионального и возрастного состава педагогов, поскольку это даёт представление о характере профессионального дефицита. Мы большое внимание уделяем сбору данных относительно достижений школьников, что позволяет формировать цифровое образовательное портфолио не только на основании ЕГЭ, но и с помощью других доступных нам показателей развития. Отдельное направление — сбор информации о вакансиях на региональных рынках труда. Понимание направлений развития экономики в регионах позволяет нам корректировать наши образовательные программы, направленные на раннюю предпрофессиональную подготовку детей.
Важное направление — дополнительная подготовка к профессиям будущего. В нашем случае это цифровые продукты для профессий в интернет-среде и создание совместно с учителями индивидуальных образовательных траекторий. Запускаем проект по обмену лучшими практиками в рамках Клуба учителей России. Таким мы видим вклад бизнеса в развитие цифровой экономики страны и системы образования в частности.
Автор Анна Вичугова Категория Machine Learning, Use Cases, Статьи, Цифровая трансформация
Чтобы повысить мотивацию студентов к обучению, преподаватели активно применяют различные подходы к организации образовательного процесса, в т.ч. используемые в HR. Сегодня мы покажем, как, по аналогии с управлением человеческими ресурсами, аналитика больших данных (Big Data) и методы машинного обучения (Machine Learning) помогают увеличить вовлеченность учеников и улучшить качество образования.
От описаний к предписаниям: 3 примера Big Data аналитики в ВУЗах
В 2013 году английский Университет Ноттингем Трент внедрил интерактивную систему дескриптивной аналитики студенческих результатов в виде панели мониторинга, которая показывала данные о вовлеченности студентов в учебный процесс. Дэшборд был разработан с целью снизить показатели отсева студентов, улучшить посещаемость и увеличить чувство принадлежности к университетскому сообществу. На панели, доступной студентам, преподавателям и кураторам (тьюторам), выводятся показатели вовлеченности каждого учащегося в сравнении с его одногруппниками: частота работы с библиотекой, сведения об изучаемых курсах, посещаемость и прочие учебные показатели. Таким образом любой студент может посмотреть собственную активность и сравнить себя с сокурсниками, чтобы понять, насколько он включен в учебный процесс и жизнь университета в целом, а также на что стоит обратить большее внимание. Если студент не подает признаков активности в течении двух недель, платформа отправляет уведомления тьюторам, чтобы те быстро связались с обучаемым и поддержали его. Через 3 года после внедрения системы, результаты университетского опроса показали, что 72% первокурсников использовали эту Big Data панель студенческого мониторинга и она вдохновила их увеличить количество времени на учебу [1].
Университет Пердью в США запустил у себя систему предиктивной аналитики, которая собирает информацию об академической истории студентов, их активности в цифровой учебной среде и демографические данные. На основе этой информации рассчитывается уровень риска отсева для каждого студента. Значение этого показателя периодически направляется координатору курса и самому учащемуся. Для наглядности данные визуализированы: зеленым цветом отмечены студенты, которые, вероятнее всего успешно закончат семестр, желтым – те, что находятся в зоне риска, а красным – требующие незамедлительной помощи куратора. Благодаря такой интерактивной Big Data системе удалось улучшить результаты обучения и снизить показатели отсева [1].
Интересен также опыт еще одного ВУЗа США, Университета Карнеги-Меллона, где создана онлайн-платформа с учебными курсами, которая предоставляет студентам подробный отчет об их успехах. Результаты ее эксплуатации показали, что детальные отзывы и возможность посмотреть анализ собственной успеваемости и образовательной активности почти в 2раза ускорили срок прохождения онлайн-курсов [1].
Machine Learning в образовании: рекомендательные системы и оценка знаний
Справедливости ради стоит отметить, что сегодня платформы онлайн-образования используются практически в каждом отечественном и зарубежном ВУЗе. Однако, они, как правило, представляют собой цифровую форму традиционного процесса обучения, когда преподаватель предоставляет материал, а студент его изучает и выполняет задания. Обратная связь в виде отметок и отзывов, в большей степени, направлена на оценку результатов обучения конкретного студента, а не компетенций преподавателя и содержания курса [2]. Поэтому добавление в платформу онлайн-обучения элемента соревновательности с другими студентами, а также рекомендательных советов по выбору других обучающих курсов может значительно повысить эффективность такой системы. Частично это реализовано в независимых и коммерческих агрегаторах онлайн-курсов для самостоятельного дистанционного обучения и повышения квалификации.
Но, например, в одном американском университете, Остин Пии, внедрена рекомендательная система, которая помогает студентам выбрать образовательные курсы и записаться на них. В качестве входных данных используются результаты обучения предыдущих студентов по конкретному курсу, успеваемость каждого студента и сведения об обучающихся с похожими профилями и интересами. На основе анализа этой информации Big Data система с помощью алгоритмов Machine Learning подбирает учебные курсы, максимально соответствующие интересам, способностям и учебной программе отдельного студента. Точность рекомендаций оценивается на уровне 90% [1].
Алгоритмы машинного обучения могут использоваться не только для выдачи релевантных советов по выбору образовательных курсов. Например, университет Северной Каролины (США) в начале 2020 года была представлена система мультизадачного обучения, где модели Machine Learning предсказывают вероятность правильного ответа студента на основе его предыдущего поведения в игровом учебном процессе. Это пригодится для уведомления учителей, когда ученику могут понадобиться дополнительные инструкции и облегчения адаптивных функций обучения в процессе самой игры. Например, изменение сюжетной линии, добавление подсказок и пр. [3]
Как использовать аналитику больших данных и методы Machine Learning для цифровизации бизнес-процессов своего предприятия, вы узнаете, пройдя обучение на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:
Пять типов данных
Образование – это отрасль деятельности человека, в которой всегда производилось больше данных, чем в какой-либо другой области. Огромное количество часов занятий за пять-шесть дней в неделю в течение нескольких лет, большое количество заданий, выполняемых обучающимися, многообразный образовательный контент и количество взаимодействий с ним обучающихся, бесчисленное множество взаимодействий участников образовательного процесса между собой – все это дает основания утверждать, что в образовательных организациях уже имеются те самые большие данные.
Очевидно, что сегодня все образовательные организации работают только с малыми данными. Это связано с тем, что в образовательных организациях отсутствует специальная электронная среда, которая содержит много онлайн-контента и как следствие – большое количество взаимодействий пользователей с этим контентом и между собой относительно него. По сути дела, с большими данными работают авторы онлайн-курсов, электронного обучения.
1) персональные данные;
3) данные об эффективности учебных материалов (какой тип ученика с какой частью контента взаимодействует, результаты взаимодействия, образовательные результаты и т.д.);
4) административные (общесистемные) данные (посещаемость, пропуски по болезни, количество проведенных уроков и т.д.);
5) прогнозные (предполагаемые) данные (какова вероятность участия ученика в той или иной деятельности, какова вероятность выполнения задания и т.д.).
Эти пять типов данных расположены в порядке усложнения их появления и архитектур баз данных, в которые они попадают.
На сегодняшний день образовательным организациям стоит задуматься о том, как они будут работать с такими данными. Каждая образовательная организация не обязана строить электронные системы для получения пяти наборов данных. Однако каждая образовательная организация должна иметь ответ на все вопросы пяти групп данных.
Перспективы
Каким образом работа с большими данными может изменить образовательный процесс? Что дает образовательная аналитика?
Во-первых, анализ данных позволяет работать с индивидуальными программами обучающихся, персонализировать обучение. Данные показывают, какой тип ученика с какой частью контента взаимодействует, как происходит это взаимодействие, где он проявил интерес, а где ему было скучно, с кем и как он взаимодействовал в процессе обучения, как прохождение того или иного курса повлияло на образовательные результаты, на каком этапе обучения ему нужна помощь. Обучение становится адаптивным.
В-третьих, изменение подходов к мониторингу и оценке как самого образовательного процесса, так и образовательных результатов. Мониторинг становится постоянным. Заинтересованность учеников в постоянном мониторинге связана с тем, что анализ данных позволяет сделать его учебный план индивидуальным, заинтересованность учителей связана с возможностью получения информации о продуктивных группах, обратной связи от учащихся к создаваемому контенту (интересно/не интересно, сложно/ легко и т.д.), для руководителей – эффективное распределение ресурсов.
Оценка образовательных результатов может быть самостоятельной и/или коллективной, агрегированной на основе всех данных ученика, полученных из всех взаимодействий. Оценка осуществляется для того, чтобы грамотно расширить образовательную программу ученика. Динамика образовательных результатов фиксируется постоянно, на основе этих данных формируются паттерны (повторяющиеся шаблоны), по которым можно судить о развитии ученика.
В-четвертых, составной частью образовательной аналитики станут новые методы: а) прогноз, когда комбинация известных данных позволит прогнозировать искомое неизвестное; б) метод выявления структуры и кластеризация; в) сетевой анализ.
Использование прогноза потребует разработки алгоритмов. К примеру, зная предыдущие образовательные результаты, можно сделать прогноз, способен ли ученик решить следующую задачу и с каким результатом. Опираясь на анализ данных о том, как взаимодействовал ученик с онлайн-контентом, можно определить, что ему будет интересно на следующем этапе.
В отличие от прогноза, где известно, что нужно определить, метод выявления структуры используется для определения неизвестных паттернов и последующей кластеризации данных.
Метод сетевого анализа рассматривает всех участников образовательного процесса как совокупность отношений, соединенных связями, которые могут быть сильней или слабей в зависимости от интенсивности и частоты общения. Данные о взаимодействии определяются важными параметрами: плотность (количество связей между учениками), доступность (есть ли изгои), расстояние (количество узлов маршрута одного ученика), центричность, взаимность (двунаправленные связи).
Риски
Во-первых, это угроза конфиденциальности. Большая часть создаваемых данных содержит личную информацию, мы можем больше собирать данных и дольше их хранить. Получение согласия на использование данных, анонимизация (удаление персональных данных) бесполезны. Повторное использование данных может восстановить личность человека. Важно подчеркнуть, что данные, сгенерированные учащимся, принадлежат только ему.
Видеоролик про большие данные
Читайте также: