CC BY
1
3. Произведен комплексный расчет конструкций инженерной защиты на основе инженерно-геологических изысканий данного участка строительства в расчетных программах: разгрузочной плиты и плиты основания - в программе Plaxis, колонн в - SCAD и шпунтового ограждения - в Geo5.
4. Результатами численного моделирования являются следующие параметры конструкций: разгрузочная плита толщиной 300 мм с арматурным каркасом 5028 А500С, плита основания толщиной 500мм с арматурным каркасом 5028 А500С, колонна - сечение 600х600мм с продольным армированием 4 стержнями 028 А500С, подобран шпунт Ларсен Л-5УМ.
5. Анализируя результаты технико-экономического сравнения, используя конструкции, полученные из расчетов, можно сделать вывод, что подземная система водоотводных ливневых колодцев с инженерной защитой является более выгодным вариантом по сравнению с обычной системой водоотводных ливневых колодцев вследствие экономии капитала на земельных участках. Экономический эффект от внедрения технологии составляет 19,8%, то есть 2874500 руб.
6. Настоящее исследование является социально значимым, так как непосредственно связано с обустройством социальной среды как в городе, так и в сельской местности. Облагораживание и рациональное использование территории - основные аспекты проделанной работы.
Источники:
1. ВСН 136-78 «Инструкция по проектированию вспомогательных сооружений и устройств для строительства мостов».
2. ГОСТ 32960-2014 Дороги автомобильные общего пользования. Нормативные нагрузки, расчетные схемы нагружения. - 2015 г.
3. Журавлев П. А., Марукян А. М. Инженерная защита зданий, сооружений и территорий как фактор инновационного развития территориального планирования //Вестник МГСУ. - 2020. - Т. 15. - №. 10. - С. 1440-1449.
4. Клявлин М. С. и др. Экономические аспекты определения стоимости строительства с применением инновационных материалов //Вестник евразийской науки. - 2017. - Т. 9. - №. 2 (39). - С. 27.
5. Левкевич В. Е. и др. Оценка сооружений инженерной защиты, систем водоснабжения и водоотведения средствами дистанционной диагностики //Вестник Брестского государственного технического университета. - 2021. - №. 1 (124). - С. 96-100.
6. Лейер, Д. В. Особенности организации водоотводных сооружений в стесненных городских условиях / Д. В. Лейер, А. К. Рябухин, Д. Г. Серый // Точки научного роста: на старте десятилетия науки и технологии : Материалы ежегодной научно-практической конференции преподавателей по итогам НИР за 2022 г., Краснодар, 12 мая 2023 года. - Краснодар: Кубанский государственный аграрный университет имени И.Т. Трубилина, 2023. - С. 169-171. -EDN MIZUUF.
7. Любарский, Н. Н. Оценка влияния моделей грунтов на результаты расчетов удерживающих сооружений на оползневом участке автомобильной дороги в районе г. Сочи / Н. Н. Любарский, Д. В. Лейер, Д. Г. Серый // Природные и техногенные риски. Безопасность сооружений. - 2022. - № 2(57). - С. 45-53. - EDN CDIONB.
8. Пашов, С. Н. Исследование эффективности мероприятий инженерной защиты котлована на основе из композитных шпунт-свай и грунтоцементных конструкций / С. Н. Пашов, А. К. Рябухин, Д. В. Лейер // Механика грунтов в геотехнике и фундаментостроении : Материалы научно-технической конференции, Новочеркасск, 28-30 сентября 2022 года. - Новочеркасск: ООО "Лик", 2022. - С. 555-567. - EDN CRYSQS.
9. Лейер, Д. В. Особенности проектирования опор трубопроводов на оползневых склонах / Д. В. Лейер, Д. Г. Серый, Н. Н. Любарский // Транспортные сооружения. - 2021. - Т. 8, № 3. - DOI 10.15862/02SATS321. - EDN XTKWHY.
10. Di Giacomo T. V. et al. A sustainable approach to flood protection engineering within the Aniene river valley linear park //JOURNAL OF FRONTIERS IN CONSTRUCTION ENGINEERING. - 2012. - С. 14-20.
11. Makarov A. et al. Country area territory protection from flooding; construction conditions, problem definition and solution //Procedia Engineering. - 2015. - Т. 117. -С. 225-231.
12. Priymachenko O., Kobzar O. Methodology of studies for selecting engineering decisions in territory planning. - 2018.
13. Trofimov V. T., Korolev V. A. Engineering protection of territories and buildings in the system of engineering and environmental protection //Moscow University Geology Bulletin. - 2012. - Т. 67. - С. 52-57.
14. Zhymov P., Sadoviy Y., Tomchenko O. Methodology for the territories' engineering construction assessment with difficult geological conditions //IX International Youth Science Forum "Litteris et Artibus. - 2019. - С. 1-7.
EDN: FBVQLL
Н.А Литвинова - преподаватель факультета технологического менеджмента и инноваций, Университет ИТМО, Санкт-Петербург, Россия, [email protected],
N.A Litvinova - lecturer at the Faculty of Technological Management and Innovation, ITMO University, St Petersburg, Russia;
Е.С. Гаврилюк - к.э.н., доцент, ординарный доцент факультета технологического менеджмента и инноваций, Университет ИТМО, Санкт-Петербург, Россия, [email protected],
E.S. Gavrilyuk - candidate of economic sciences, associate professor, senior lecturer at the Faculty of Technological Management and Innovation, ITMO University, St Petersburg, Russia;
М.О. Неробелова - магистрант факультета технологического менеджмента и инноваций, Университет ИТМО, Санкт-Петербург, Росия, [email protected],
M.O. Nerobelova - Master's Faculty of Technological Management and Innovation, ITMO University, St Petersburg, Russia.
АНАЛИЗ ВОЗМОЖНОСТЕЙ ИСПОЛЬЗОВАНИЯ ЦИФРОВОГО СЛЕДА ОБУЧАЮЩЕГОСЯ ДЛЯ РАЗРАБОТКИ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ ANALYSIS OF THE POTENTIAL USE OF STUDENT'S DIGITAL FOOTPRINT FOR DEVELOPING RECOMMENDER SYSTEMS
Аннотация. В статье рассматриваются возможности анализа цифрового следа обучающегося для сопровождения индивидуальных образовательных траекторий через создание рекомендательных систем. Цель исследования - определение перспектив использования элементов цифрового следа обучающегося в зависимости от цели рекомендательной системы. Методология включает в себя анализ литературы и кейс-метод для оценки практики внедрения рекомендательных систем. Используется количественный и качественный контент-анализ для выявления тенденций развития персонализированного образования. В результате работы проведен анализ практики внедрения рекомендательных систем в отечественных и зарубежных вузах, определены элементы цифрового следа, чаще остальных используемые на практике. Выделены виды рекомендательных систем в контексте сопровождения индивидуальных образовательных траекторий в зависимости от цели использования, проведена их сравнительная характеристика. Сопоставлены виды рекомендательных систем с элементами цифрового следа, используемыми для их создания. Полученные результаты могут быть использованы для оценки эффективности анализа отдельных элементов цифрового следа обучающегося и оптимизации бизнес-процессов университетов за счет образовательной аналитики.
Abstract. The article explores the possibilities of analyzing the student's digital footprint to support individual educational trajectories through the creation of recommendation systems. The aim of the research is to determine the prospects of using elements of the learner's digital footprint depending on the purpose of the recommendation system. The methodology includes literature analysis and case studies to evaluate the implementation practices of recommendation systems. Both quantitative and qualitative content analysis are employed to identify trends in the development
of personalized education. The analysis of the implementation practices of recommendation systems in domestic and foreign universities has been conducted, and elements of the digital footprint most commonly used in practice have been identified. Types of recommendation systems in the context of supporting individual educational trajectories are identified based on their purpose of use. Types of recommendation systems are compared with elements of the digital footprint used to create them. The results obtained can be used to assess the effectiveness of analyzing individual elements of the learner's digital footprint and optimize university business processes through educational analytics.
Ключевые слова: рекомендательные системы, индивидуальные образовательные траектории, индивидуализация образования, искусственный интеллект, машинное обучение, персонализация, цифровой след обучающегося, образовательная аналитика (LA), интеллектуальный анализ образовательных данных (EDM).
Keywords: recommender systems, individual educational trajectories, education personalization, artificial intelligence, machine learning, personalization, student digital footprint, learning analytics (LA), educational data mining (EDM).
Введение
В условиях цифровой трансформации высшего образования происходят существенные преобразования в организации учебного процесса. Повышение интереса к системам управления обучением и расширение возможностей информационных систем университетов позволяет накопить значительный объем данных о ходе образовательного процесса, который может быть использован для построения индивидуальных образовательных траекторий [1].
Персонализация образования посредством реализации индивидуальных образовательных траекторий является ключевым показателем цифровой зрелости университета, так как предполагает высокий уровень развития информационных систем университета для организации процесса построения индивидуальных образовательных траекторий, а также анализ цифрового следа обучающегося для адаптации образовательной программы под индивидуальные потребности. Сегодня технологии машинного обучения позволяют автоматизировать обработку цифрового следа обучающегося и впоследствии разрабатывать рекомендации для всех участников образовательного процесса [2].
Зарубежные и отечественные исследователи выделяют период пандемии COVTD-19 в качестве катализатора развития аналитики данных для совершенствования образовательного процесса. Переход на онлайн-обучение привел к резкому скачку информации, размещенной на образовательных платформах университетов.
Основной проблемой, связанной с увеличением информации в электронном виде, особенно в условиях перехода к персонализированному подходу, становится информационная перегрузка обучающихся. Им становится сложнее ориентироваться в этапах образовательного процесса и отбирать подходящие учебные материалы. Недостаток поддержки на этом этапе приводит к снижению мотивации у студентов и возможной дальнейшей потере контингента для университета. Создание интеллектуальной системы, которая предоставляет индивидуальные рекомендации студенту по выбору курса или уровня подготовки, основываясь на его опыте и персональных предпочтениях, способствует приводит к приросту доли студентов, участвующих в процессе выбора дисциплин и к повышению мотивации у студентов к обучению [3].
Интерес к разработке рекомендательных систем для университетов возрос в связи с масштабным распространением технологий искусственного интеллекта. Рекомендательные системы уже сегодня активно применяются в коммерческих организациях для персонализированного подбора продукта и удержания клиента. Образовательная сфера имеет ряд особенностей, поэтому используемые в коммерческом секторе технологии формирования рекомендаций не могут быть напрямую перенесены, поэтому потенциал образовательной аналитики сегодня раскрывается не в полной мере [4].
Ускорение темпов роста количества данных об образовательном процессе, развитие предиктивной аналитики, а также резкий рост возможностей технологий искусственного интеллекта способствует развитию образовательной аналитики. Вместе с тем скорость обработки данных на местах не позволяет эффективно применять ее возможности.
Развитие образовательной аналитики и интеллектуального анализа образовательных данных приводит к выработке рекомендаций, предоставляемых рекомендательными системами [3]. Отечественные и зарубежные университеты уже активно внедряют данные системы в образовательный процесс. Они используются как для формирования рекомендаций поступающим при выборе образовательной программы, так и для сопровождения процесса выбора дисциплин и уровня их изучения действующими студентами во время построения индивидуальных образовательных траекторий. Отдельно можно выделить системы, которые позволяют определять студентов, нуждающихся в поддержке наставника, и на раннем этапе разрешать возникающие проблемы для сохранения контингента. Одним из основных источником данных для создания рекомендательных систем служит цифровой след обучающихся, генерирующийся на протяжении всего процесса обучения. В результате накапливается большой массив данных.Сегодня недостаточно изученным является вопрос, какие данные необходимо извлекать из этого массива и в какую структуру объединить для последующего использования.
Цель данного исследования - на основе анализа практики внедрения рекомендательных систем для сопровождения индивидуальных образовательных траекторий определить перспективы использования элементов цифрового следа обучающегося в зависимости от цели создания рекомендательной системы.
В основе гипотезы исследования лежит предположение о необходимости использования уникального набора элементов цифрового следа обучающегося в зависимости от целей рекомендательной системы, а также в ограниченности использования элементов цифрового следа обучающегося в связи с отсутствием методик сбора, анализа и интерпретации образовательных данных.
Научная новизна заключается в сопоставлении использования элементов цифрового следа обучающегося с целями рекомендательной системы в контексте сопровождения индивидуальных образовательных траекторий.
Материалы и методы
Методологическую базу исследования составил анализ литературы для определения используемых элементов цифрового следа обучающегося при разработке рекомендательных систем. Использование кейс-метода позволило провести анализ и оценку практики внедрения рекомендательных систем для сопровождения индивидуальных образовательных траекторий в отечественных и зарубежных вузах.
Для определения тенденций развития данного направления проведен количественный и качественный контент-анализ исследований, посвященных персонализированному образованию. Выборка работ для контент-анализа производилась среди исследований, опубликованных издательством Elsevier с 2019 по 2024 год. На момент сбора материала 2024 год включал в себя только два полных месяца, при этом также задействован в обработке данных для определения трендов начала текущего года. Ограничением в данном исследовании выступил тип публикации. Для анализа выбраны исследовательские и обзорные статьи, имеющие ключевые слова. Количественный контент-анализ включал в себя определение наиболее встречающихся ключевых слов и отслеживание динамики употребления ключевых слов, связанных с использованием искусственного интеллекта и рекомендательных систем. Качественный контент-анализ направлен на определение контекста использования терминологии по тематике данного исследования.
Литературный обзор
Разработка рекомендательных систем в образовании напрямую связана с темпами развития индивидуальных образовательных траекторий.
Теоретическую основу развития персонализированного образования среди современных исследователей заложил Э.Ф.Зеер, обозначив самодетерминацию, самоактуализацию и самоперсонализацию в качестве предикторов проектирования персонализированных траекторий становления субъектов непрерывного образования [5]. Э.Ф.Зеер сформулировал подходы и принципы прогнозирования индивидуальных сценариев учебно-профессионального развития студентов. Особое значение при прогнозировании индивидуальной траектории Э.Ф.Зеер отводит таким характеристикам образовательной среды университета, как интенсивность, психологический комфорт, демократичность и открытость [6].
Данейкин Ю. В., Калпинская О. Е., и Федотова Н. Г. обозначили ключевые принципы проектного подхода к внедрению индивидуальных образовательных траекторий, включающие системность, командную работу, взаимодействие с внешней средой, цифровую трансформацию, а также кадровое сопровождение проектной работы. Внедрение индивидуальных образовательных траекторий, по мнению исследователей, требует цифровой трансформации процесса образования, предполагающей максимальное использование информационной системы университета [7].
Значимый вклад в обоснование и апробацию использования технологий искусственного интеллекта для построения индивидуальных образовательных траекторий внесли исследователи из Московского городского педагогического университета Р.Б. Куприянов, Д.Л. Агранат, и Р.С. Сулейманов. Авторами был реализован подход, когда каждому студенту подбираются подходящие модули исходя из его предпочтений, в результате которого удалось увеличить долю студентов, участвующих в выборе дисциплин и повысить удовлетворенность образовательным процессом [3].
Старостин В.С., Аржанова К.А., Долгополов Д.В., Дитрих А.Д. разработали модель оценки готовности визу к внедрению рекомендательных систем с использованием технологий искусственного интеллекта для индивидуализации траекторий обучающихся. Основными факторами, определяющими степень готовности вуза, исследователи называют ожидаемые результаты университета, цифровую грамотность сотрудников и студентов, развитие ИТ-инфраструктуры и портфель образовательных программ [2].
Значительная часть исследований, посвященных анализу образовательных данных, в качестве барьера к внедрению рекомендательных систем, выделяет отсутствие методик сбора, анализа и интерпретации данных, а также дефицит кадров [1; 2]. Бродовская Е. В., Домбровская А. Ю., Петрова Т. Э., Пырма Р. В. и Азаров А. А. по результатам сравнительного анализа данных сайтов ведущих зарубежных и отечественных вузов делают вывод, что в российских вузах цифровые технологии ориентированы, прежде всего на информирование студентов, а не на коммуникацию. Исследователи отмечают недостаточное количество цифровых следов образовательного процесса в информационных системах российских вузов, что уменьшает возможности построения индивидуальных траекторий обучения с учетом профессиональных интересов [8].
Рассматриваемые исследования внесли существенный вклад в развитие индивидуальных образовательных траекторий с помощью технологий искусственного интеллекта и машинного обучения, однако они не исчерпывают многих проблем, значение которых повысилось в связи с увеличением количества данных, собираемых о студенте, доступных для анализа с целью персонифицировать его образовательный путь.
Результаты
Тенденции развития персонализированного подхода в образовании
Технологии искусственного интеллекта сегодня активно применяются в различных сферах. В том числе этот тренд прослеживается и в образовании. Машинное обучение позволяет расширить возможности персонализированного подхода в образовании и создать условия обучения, подходящие под индивидуальные потребности каждого студента.
Анализ литературы за последние пять лет и начало 2024 года по запросу «персонализированное образование» («personalized education») показывает, что использование искусственного интеллекта в качестве ключевого слова резко выросло в 2020 и 2024 годах. Для анализа отобраны 50 наиболее релевантных публикаций по заданной тематике за каждый год. Таким образом, выборка составила 300 статей с 2019 по 2024 год. Несмотря на то, что срез выполнен в марте 2024 года, за январь и февраль 2024 года количество упоминаний термина «искусственный интеллект» («artificial intelligence») возросло кратно по сравнению с публикациями за весь 2023 год - с 6-ти упоминаний из 50 статей 2023 года до 19-ти упоминаний из 50 статей 2024 года. Результаты представлены на рисунке 1.
о-
2019 2020 2021 2022 2023 янв-фев2024
Рисунок 1 - Количество использований ключевого слова «искусственный интеллект» на 50 статей по запросу «персонализированное образование»
(Источник: составлено авторами на основе данных издательства Elsevier, размещенных на сайте https://www.sciencedirect.com)
В 2019 году резкий рост интереса к данной тематике вызван пандемией COVID-19 и переходом на онлайн-обучение во всех вузах, а соответственно увеличением количества данных об образовательном процессе, доступных для анализа. В 2024 году наблюдается рост количества исследований, посвященных искусственному интеллекту во всех сферах, в том числе в образовании. Привлекает внимание тот факт, что до 2024 года искусственный интеллект не занимал выше 10-го места по частоте использования среди ключевых слов. В статьях, посвященных персонализированному образованию, по большей мере уделялось внимание психологическим аспектам необходимости внедрения такого подхода. Сегодня все больше говорится о способах и инструментах его реализации. В январе-феврале 2024 года искусственный интеллект вошел в топ 3 используемых ключевых слов и оказался на одной позиции с персонализацией («personalize»), которая входила в состав запроса при подборе публикаций. Искусственный интеллект в январе-феврале 2024 года уступил только терминам «образование» («education») и «обучение» («learning»), которые также соответствуют тематике запроса. Результаты представлены в таблице 1.
Таблица 1 - Топ 10 ключевых слов по частоте использования в выборке публикаций по запросу
«персонализированное образование»
2019 2020 2021 2022 2023 HHB-$ee 2024
personalize (31) personalize (31) personalize (34) personalize (33) personalize (42) education (45)
learning (28) learning (23) education (24) learning (26) learning (23) learning (42)
education (18) education (21) health (15) personalization (20) education (13) artificial intelligence (19)
system (16) system (14) learning (14) system (15) model (12) personalize (19)
medicine (13) health (13) medicine (14) education (11) medicine (11) health (15)
model (10) model (11) personalization (12) cancer(9) personalization (11) network (14)
health (9) knowledge (9) system (12) datum (9) digital (8) medicine (10)
information (9) mobile (9) intervention (11) disease (8) personalized medicine (8) model (10)
nutrition (9) personalization (8) model (9) medicine (8) cognitive (7) outcome (10)
datum (8) artificial intelligence (7) diabetes (8) artificial intelligence (7) recommendation (7) system (9)
Источник: составлено авторами на основе данных издательства Elsevier, размещенных на сайте https://www.sciencedirect.com
Не менее важным является вошедший в топ 10 в январе-феврале 2024 года термин «network», используемый вместе с «graph», «convolutional» и «neural», которые в совокупности отражают использование графовых нейронных сетей (Graph neural networks) и сверточных нейронных сетей (Convolutional neural network), входящих в состав технологий глубокого обучения. Впервые в 2024 году среди ключевых слов появился «chatGPT», занявший сразу 12-е место по количеству упоминаний. Среди ключевых слов в 2024 году также стали чаще встречаться «обработка естественного языка» («natural language processing»), «взаимодействие человека и компьютера» («human-computer interaction»), «федеративное обучение» («federated learning»), что подтверждает повышение интереса к инструментам и методам анализа образовательных данных и технологиям машинного обучения для реализации персонализированного подхода в образовании.
Анализ цифрового следа обучающегося
В контексте обсуждения применения машинного обучения и анализа данных для реализации персонализированного подхода в образовании значимой технологией является интеллектуальный анализ образовательных данных (Educational data mining, далее - EDM), который представляет собой частный случай
интеллектуального анализа данных (Data mining) применительно к образовательному процессу. Цель EDM заключается в поиске закономерностей, характерных для этой предметной области, и разработке новых алгоритмов, моделей и методов обработки образовательных данных, направленных на совершенствование образовательного процесса [8,10].
Образовательная аналитика (Learning analytics) также тесно связана с обсуждаемой тематикой. Цель образовательной аналитики заключается в оптимизации процесса обучения на основе анализа образовательной среды, исследования поведения обучающихся, используемых методов и материалов для обучения. В отличие от EDM, сосредоточенного на технологических аспектах обработки образовательных данных, образовательная аналитика, прежде всего, направлена на решение образовательных задач [11].
Глобальной задачей и EDM, и образовательной аналитики является совершенствование образовательного процесса на основе анализа цифрового следа его субъектов. Цифровой след представляет собой неструктурированный массив данных о человеке, генерируемый при любом его взаимодействии с цифровыми сервисами [12,13,14].
Исследователи выделяют активный и пассивный цифровой след. К активному цифровому следу относят данные, оставленные пользователем сознательно и намеренно. Пассивный цифровой след накапливается и обрабатывается с помощью алгоритмов без прямого участия пользователя [12,14,15]. Пассивный цифровой может формироваться как за счет считывания информации о действиях пользователя цифровой платформой, так и за счет сбора информации о субъекте цифрового следа, полученной от других участников образовательного процесса, например, отзыв научного руководителя.
Результатом обработки и систематизации данных цифрового следа с помощью EDM и образовательной аналитики называют цифровой профиль обучающегося, который также дополняется личностными характеристиками и сведениями о предпочтениях обучающегося. Цифровой профиль выступает промежуточным звеном между неструктурированными данными цифрового следа обучающегося и цифровой моделью, которая впоследствии позволяет формировать рекомендации при реализации индивидуальной образовательной траектории [15].
Рисунок 2 - Накопление и анализ цифрового следа обучающегося
(Источник: составлено авторами)
Так как к цифровому следу можно отнести любое взаимодействие пользователя с цифровыми платформами, то определить конкретный перечень элементов цифрового следа обучающегося не представляется возможным. Автономная некоммерческая организация «Университет Национальной технологической инициативы 2035» разработала стандарт цифрового следа, применяемый в образовательных организациях [19]. Кроме того, существует ряд исследований, классифицирующих элементы цифрового следа по различным критериям [12; 14; 15]. В таблице 2 представлены укрупненные группы элементов цифрового следа обучающегося в зависимости от показателя для цели обработки цифрового следа.
Таблица 2 - Элементы цифрового следа обучающегося
Показатель Элемент цифрового следа Источник данных
1 Успеваемость Средний балл по предметам Выгрузка журнала оценок
Результаты промежуточной аттестации Выгрузка журнала оценок / выписка из электронной зачетной книжки
Процент выполненных заданий в курсе Выгрузка из LMS / Отчет преподавателя
Количество попыток / время, затраченное на решение заданий Выгрузка из LMS / Отчет преподавателя
Победы на профильных олимпиадах Портфолио обучающегося в информационной системе университета
2 Посещаемость Количество посещенных занятий Выгрузка журнала посещаемости / Выгрузка из LMS
Время захода и выхода из встречи в онлайн-формате Выгрузка из Zoom, Discord, Google meets и др.
3 Активность коммуникаций Соотношение объема контента обучающегося и других пользователей Аудиозаписи Zoom-конференций / Выгрузка Trello / Чат-лог Discord, Telegram, Zoom, VK и др.
4 Содержание коммуникаций Сентимент в тексте (эмоционально окрашенные элементы текста) Аудиозаписи Zoom-конференций / Выгрузка Trello / Чат-лог Discord, Telegram, Zoom, VK и др. / эмотикон-реакции на сообщение
Сведения о вложенном файле в сообщении Вложенный файл к сообщению
5 Соблюдение дедлайнов Фактическое время сдачи задания Временные метки отправки сообщения по электронной почте или загрузки материала в облачное хранилище / Выгрузка из LMS
Продолжение таблицы
Показатель Элемент цифрового следа Источник данных
6 Вовлеченность Количество обращений к учебным материалам Выгрузка из LMS
Процент просмотра обучающих материалов Выгрузка из LMS
Качественная и количественная оценка задаваемых вопросов преподавателю Отчет преподавателя
7 Интересы Заполненная персональная страница с научными интересами и персональными предпочтениями Выгрузка интересов из профиля обучающегося информационной системы университета
Участие в учебных и во внеучебных мероприятиях Портфолио обучающегося в информационной системе университета
8 Усвоение материала Пройденный материал Тексты рабочих программ дисциплин / Индивидуальный учебный план / Выгрузка из LMS
Письменные работы Контрольные работы / лабораторные работы / курсовые работы / ВКР / Выгрузка из LMS
9 Личностные характеристики Результаты тестов и анкетирований Выгрузка результатов теста
Источник: составлено авторами
Кроме представленных в таблице элементов цифрового следа можно отметить более статичные характеристики, которые составляют цифровой профиль обучающегося и помогают глубже погрузиться в контекст обучения. К ним относятся социально-демографические и медицинские характеристики обучающихся [14].
Анализ цифрового следа обучающихся способствует развитию идей непрерывного образования в части преемственности различных уровней образования, совершенствованию организации учебного процесса с использованием индивидуальных образовательных траекторий и оптимизации управления образовательной системой [1; 13].
Рекомендательные системы
Развитие образовательной аналитики и интеллектуального анализа образовательных данных приводит к выработке рекомендаций, предоставляемых рекомендательными системами [3]. Рекомендательные системы могут затрагивать разных стейкхолдеров образовательного процесса: от студентов до административного персонала.
Понимание контекста обучения позволяет не просто персонализировать образовательный трек, но и за счет этого существенно улучшить некоторые показатели деятельности университета. Так, в Университете штата Джорджия (Georgia State University) при использовании инструментов образовательной аналитики удалось повысить показатель удержания студентов от семестра к семестру на 5 %, а также сократить время на получение степени на полгода [3]. В университете использовалось моделирование поведения обучающихся для прогнозирования результатов их образовательной деятельности и выявления студентов с высокой вероятностью отчисления. Важную роль в этом процессе играют академические консультанты, которые на основе постоянно обновляющихся данных об успеваемости студента и условиях его обучения могут оперативно диагностировать проблему и своевременно предложить меры по ее устранению.
Исходя из подхода к построению индивидуальной образовательной траектории в глобальном понимании и локальном рекомендательные системы также можно разделить на два уровня: глобальный и локальный. В первом случае система должна позволять последовательно выстраивать траекторию обучения, основываясь на нескольких элементах цифрового следа обучающегося, и прогнозировать итоговые результаты обучения, в том числе ожидаемый доход. В таком случае рекомендательная система может использоваться как студентом самостоятельно, так и на консультациях с академическим наставником (тьютором или эдвайзером). Кроме того, система формирует рекомендации непосредственно для наставников или административного персонала вуза для решения оперативных задач управления индивидуальными образовательными траекториями, выявления студентов, находящихся в зоне риска и требующих повышенного внимания со стороны наставника. Руководитель образовательной программы на основании рекомендаций системы может актуализировать содержание курсов в соответствии с запросом обучающихся, а также требованиями рынка труда [16]. В локальном понимании система должна подбирать курс для освоения в текущем семестре или образовательную программу для поступления с опорой на предпочтения пользователя для самостоятельной интерпретации результатов.
При внедрении рекомендательных систем важно учитывать психологические и этические аспекты использования данных, накапливаемых в процессе образовательной деятельности. Использование технологий искусственного интеллекта позволяет автоматизировать процесс подбора дисциплин при построении индивидуальной траектории обучения, при этом встает вопрос ответственности за предоставленные искусственным интеллектом рекомендации. Данная область требует глубоких исследований, чтобы математическая модель с помощью имеющихся данных могла сформировать максимально точные рекомендации. Применение технологий искусственного интеллекта в образовательной среде возможно при условии обоснованности и объяснимости рекомендаций, касающихся построения индивидуальной траектории или оценки достижений обучающихся [16]. Использование непроверенной логики рекомендаций при взаимодействии с обучающимися может привести к неуправляемым проблемам и помешать эффективному освоению учебной программы. В данном контексте сложным является вопрос, какие данные стоит собирать, хранить и анализировать для получения максимально точных рекомендаций. В таблице 3 представлен анализ практики внедрения рекомендательных систем в отечественных и зарубежных вузах с указанием элементов цифрового следа, используемых при построении модели.
Таблица 3 - Анализ практики внедрения рекомендательных систем в вузах
Университет Задачи рекомендательной системы Используемые группы элементов цифрового следа (из таблицы 2)
1 2 3 4 5 6 7 8 9
Институт математики и компьютерных наук ТюмГУ [16] Подбор дисциплин и прогнозирование результатов обучения, подбор команды для реализации проекта 1 1 1 1
Московский городской педагогический университет [7] Подбор дисциплин 1 1 - 1
Ульяновский государственный университет Подбор дисциплин 1 1 1 1
Университет ИТМО Подбор образовательной программы для поступающих 1
Высшая школа экономики Подбор образовательной программы для поступающих 1 1
Уральский федеральный университет Подбор образовательной программы для поступающих, 1 - 1
Shenzhen Polytechnic [17] Подбор образовательной программы для поступающих и прогнозирование результатов обучения 1 1 - 1
Georgia State University [3] Выявление потенциальных должников на ранних этапах для оперативной помощи эдвайзера 1 1
Arizona State University's Подбор дисциплин, выявление потенциальных должников на ранних этапах для оперативной помощи эдвайзера 1 1 - - 1 - 1 1 1
Austin Peay State University Подбор дисциплин 1 1 -
Всего использований 7 2 0 0 1 0 6 4 7
Источник: составлено авторами
Кроме рассмотренных ранее элементов цифрового следа, для разработки рекомендательных систем зачастую используются данные о количестве обучающихся по направлению подготовки для погружения в контекст обучения. В некоторых вузах учитывают ожидания работодателей и общий рейтинг курсов на основе оценок прошедших обучение студентов. В Китае в связи с культурными особенностями учитывают не только предыдущее образование студента, но и образование его родителей [17]. В Соединенных штатах используют данные из социальных сетей [3].
На основе проведенного анализа можно сделать вывод, что и в отечественных, и в зарубежных вузах сегодня чаще используются элементы цифрового следа, связанные с образовательными успехами обучающихся, а также социально-демографические данные о студенте такие, как пол, возраст, предыдущее образование и текущая деятельность. Прежде всего, это связано с ограниченными техническими возможностями, а также в связи с отсутствием методик и инструментов сбора, анализа и интерпретации данных из других источников. В зависимости от выбранного метода обучения модели рекомендации могут быть на основании схожести с другими студентами или на основании персональных предпочтений, однако используемых параметров не всегда достаточно для формирования целостного плана обучения [18].
Неиспользуемые элементы цифрового следа обучающегося представляют интерес для дальнейших исследований. Возможность оценивать процесс освоения материала и степень удовлетворенности студента позволит вовремя скорректировать его уровень обучения при необходимости, если он окажется слишком легким или сложным. Неоднократное наложение одного материала в разных курсах также снижает мотивацию студента, поэтому рекомендательные системы должны анализировать рабочие программы предлагаемого курса с уже изученными, а также анализировать последовательность изучения.
В зависимости от цели и адресата использования рекомендательной системы в контексте сопровождения индивидуальных образовательных траекторий можно выделить 3 вида рекомендательных систем: определяющая, сопровождающая и административная. В таблице 3 представлена сравнительная характеристика выделенных систем с указанием элементов цифрового следа, которые могут быть задействованы при разработке систем.
Таблица 4 - Сравнительная характеристика рекомендательных систем для сопровождения _индивидуальных образовательных траекторий_
Вид рекомендательной системы Определяющ ие Сопровождающие Административные
Адресат Абитуриент / студент начальных курсов Студент старших курсов Административный персонал / академический консультант
Цель Самоопределение / целеполагание Персонализация образовательного пути Управление контингентом
Задачи Подбор образовательной программы для поступления / помощь в выборе модуля образовательной программы Соотношение с пройденным материалом / подбор дисциплин и уровня изучения материала / подбор команды для проекта / подбор научного руководителя Определение потенциальных должников / актуализация содержания курсов
Элементы цифрового следа Средний балл / результаты итоговой аттестации / результаты тестов на профориентацию Средний балл / результаты промежуточной аттестации / пройденный материал / письменные работы / портфолио / научные интересы / результаты тестов и анкетирований Средний балл / результаты промежуточной аттестации / количество попыток / время, затраченное на решение заданий / количество посещенных занятий / объем контента / фактическое время сдачи задания / количество обращений к учебным материалам / оценка задаваемых вопросов преподавателю
Уровень Локальный Локальный / Глобальный Глобальный
Источник: составлено авторами
Рекомендательные системы для абитуриентов и студентов начальных курсов используют наименьшее количество входных данных, так как нет инструментов для их сбора и передачи на более ранних ступенях
образования. Сопровождающие и административные могут задействовать все собранные элементы цифрового следа обучающегося, однако на сегодняшний день недостаточно изучены методики анализа этих данных, а также этичность их использования.
Обсуждение
Анализ практики внедрения рекомендательных систем в университетах для сопровождения индивидуальных образовательных траекторий показывает, что несмотря на перспективность данного направления и увеличение элементов цифрового следа, доступных для анализа, данное направление все еще слабо развито. Сегодня для обучения модели зачастую используют данные об успеваемости и персональные предпочтения на основе легкого анкетирования. Постепенное увеличение анализируемых признаков в дальнейшем позволит повысить точность прогнозирования образовательных результатов обучающихся, снизить количество отчислений и персонифицировать трек обучения под потребности и возможности каждого студента.
В условиях быстро растущего объема неструктурированных данных о студентах острым является вопрос их отбора. Для того, чтобы понимать, какие данные стоит извлекать, необходимо определить цель и рекомендательной системы. Исследование показывает, что в зависимости от цели и от контекста обучения могут использоваться различные элементы цифрового следа обучающихся.
Заключение
В результате исследования было подтверждена гипотеза в части недостаточного использования элементов цифрового следа обучающихся при разработке рекомендательных систем для сопровождения индивидуальных образовательных траекторий. На этот факт оказывает влияние не только отсутствие методик сбора, хранения и интерпретации некоторых образовательных данных, но и недостаточная изученность этичности их использования.
Использование технологий искусственного интеллекта и внедрение рекомендательных системы для сопровождения образовательных программ становятся трендами и логичным продолжением развития персонализированного подхода в образовании. Анализ образовательных данных обеспечивает преемственность между различными ступенями образования и адаптировать образовательный маршрут под индивидуальные возможности.
Полученные результаты могут стать основой для дальнейших исследований, посвященных оценке эффективности анализа отдельных элементов цифрового следа обучающегося и оптимизации бизнес-процессов университетов за счет образовательной аналитики. Важным является направление исследований, посвященных выявлению проблем использования рекомендательных систем и способов их решения.
Источники:
1. Горбатов С. В., Краснова Е. А. Цифровой след как механизм индивидуализации образовательной траектории студента (на примере курса «Цифровые технологии самообразования») // Перспективы науки и образования. 2022. № 4 (58). С. 193-208. DOI:10.32744/pse.2022.4.12.
2. Старостин В.С., Аржанова К.А., Долгополов Д.В., Дитрих А.Д. Определение готовности вуза к внедрению технологий искусственного интеллекта для персонализации образовательных траекторий // Вестник университета. 2023. №10. С. 29-39.
3. Куприянов Р. Б., Агранат Д. Л., Сулейманов Р. С. Использование технологий искусственного интеллекта для выстраивания индивидуальных образовательных траекторий обучающихся // Вестник российского университета дружбы народов. Серия: Информатизация образования. 2021. №1. С. 27-35. DOI: 10.22363/2312-8631-2021-18-1-27-35.
4. Jones, K.M.L. Advising the whole student: eAdvising analytics and the contextual suppression of advisor values. // Educ Inf Technol. 2019. no 24, pp. 437458. DOI: https://doi.org/10.1007/s10639-018-9781-8.
5. Зеер Э. Ф., Сыманюк Э. Э. Теоретико-прикладные основания персонализированного образования: перспективы развития // Педагогическое образование в России. 2021. №1. С. 17-25.
6. Зеер Э. Ф., Степанова Л. Н. Акмеологическая технология прогнозирования индивидуальных профессионально-ориентированных траекторий развития личности студентов // Образование и наука. 2023. №6. С. 69-98.
7. Данейкин Ю. В., Калпинская О. Е., Федотова Н. Г. Проектный подход к внедрению индивидуальной образовательной траектории в современном вузе // Высшее образование в России. 2020. №8-9. С. 104-116.
8. Бродовская Е. В., Домбровская А. Ю., Петрова Т. Э., Пырма Р. В., Азаров А. А. Цифровая среда ведущих университетов мира и РФ: результаты сравнительного анализа данных сайтов // Высшее образование в России. 2019. №12. С. 9-22.
9. George G., Lal A. M. Review of ontology-based recommender systems in e-learning // Computers & Education. 2019. Vol. 142. DOI: 10.1016/j.compedu.2019.103642. URL: https://www.sciencedirect.com/science/article/pii/S0360131519301952 (Дата обращения: 18.04.2024).
10. Баранова Е. В., Швецов Г. В. Методы и инструменты для анализа цифрового следа студента при освоении образовательного маршрута // Перспективы науки и образования. 2021. № 2 (50). С. 415-430. DOI: 10.32744/pse.2021.2.29.
11. Romero C. Ventura S. Educational data mining and learning analytics: An updated survey. // Wiley Interdisciplinary Reviews. Data Mining and Knowledge Discovery. 2020. no 10(3). e1355. DOI: https://doi.org/10.1002/widm.1355. Available from: https://wires.onlinelibrary.wiley.com/ doi/10.1002/widm.1355 (Дата обращения: 18.04.2024).
12. Верхорубова П. А., Едренкина М. В., Попова Е, И. Проектирование цифрового следа реализации индивидуальных образовательных траекторий // Вестник Шадринского государственного педагогического университета. 2021. №4 (52). С. 46-51.
13. Мантуленко В. В. Перспективы использования цифрового следа в высшем образовании // Преподаватель XXI век. 2020. №3 (1). С. 32 -42. DOI: 10.31862/2073-9613-2020-3-32-42.
14. Есин Р. В., Зыкова Т. В., Кустицкая Т. А., Кытманов А. А. Цифровая образовательная история как составляющая цифрового профиля обучающегося в условиях трансформации образования // Перспективы науки и образования. 2022. №5 (59). С. 566-584. DOI: 10.32744/pse.2022.5.34.
15. Курзаева Л. В., Савва Л. И., Назарова Е. К., Абзалов А. Р., Килиевич Д. А. Анализ и обработка данных цифрового следа обучающихся // Мир науки. Педагогика и психология. 2022. № 6 (10). URL: https://mir-nauki.com/PDF/72PDMN622.pdf (Дата обращения: 27.03.2024).
16. Захарова И. Г., Воробьева М. С., Боганюк Ю. В. Сопровождение индивидуальных образовательных траекторий на основе концепции объяснимого искусственного интеллекта // Образование и наука. 2022. №1 (24). С. 163-190. DOI: 10.17853/1994-5639-2022-1-163-190.
17. Xiao M., Yi. H. Building an efficient artificial intelligence model for personalized training in colleges and universities // Computer Applications in Engineering Education. 2021. Vol. 29, no 2. pp. 350-358. DOI: 10.1002/cae.22235.
18. Таратухина Ю. В., Барт Т. В., Власов В. В. Машинное обучение модели информационной рекомендательной системы по вопросам индивидуализации образования // Образовательные ресурсы и технологии. 2019. №2 (27). С. 7-14.
19. Стандарт цифрового следа. URL: https://standard.2035.university/. (дата обращения: 18.04.2024).
