CC BY
10
► МОДЕРНИЗАЦИЯ ОБРАЗОВАНИЯ
УДК 37.01:004 DOI: 10.31862/2218-8711-2023-2-120-132
ББК 74.026.9
БОЛЬШИЕ ДАННЫЕ В КОНТЕКСТЕ ИНФОРМАЦИОННОГО ОБРАЗОВАТЕЛЬНОГО ПРОСТРАНСТВА
BIG DATA IN THE CONTEXT OF INFORMATION EDUCATIONAL ENVIRONMENT
Бояринов Дмитрий Анатольевич
Доцент кафедры аналитических и цифровых технологий, Смоленский государственный университет, кандидат педагогических наук, доцент
E-mail: dmboyarinov@mail.ru
Boyarinov Dmitry A.
Assistant Professor at the Department of analytical and digital technologies, Smolensk State University, PhD in Education, Associate Professor E-mail: dmboyarinov@mail.ru
Аннотация. В статье рассматривается проблема использования больших данных в условиях обучения в рамках информационного образовательного пространства, в частности, получения и обработки больших данных для построения индивидуальных образовательных траекторий. Делается вывод о сформированности к настоящему моменту в рамках существующих цифровых образовательных платформ и систем управления образованием источников больших данных, анализ которых позволяет решить широкий спектр проблем, возникающих при проектировании, организации, реализации, мониторинге образовательного процесса в современных условиях.
Abstract. The article discusses the problem of using big data when learning within the information educational environment, in particular, for obtaining and processing big data to create individual learning paths. The conclusion is made about the formation of big data sources within the existing digital educational platforms and education management systems, the analysis of which allows one to solve a wide range of problems that arise in the design, organization, implementation, and monitoring of the educational process in modern conditions.
Ключевые слова: информационное образовательное пространство, большие данные,
Keywords: information educational environment, Big Data, digital educational
Ф 1 Контент доступен по лицензии Creative Commons Attribution 4.0 International License The content is licensed under a Creative Commons Attribution 4.0 International License
© Бояринов Д. А., 2023
цифровые образовательные платформы, индивидуальные траектории обучения.
platforms, individual Learning paths.
Для цитирования: Бояринов Д. А. Большие данные в контексте информационного образовательного пространства // Проблемы
Cite as: Boyarinov D. A. Big Data in the Context of Information Educational
Environment. Probiemy sovremennogo
современного образования. 2023. № 2. С. 120-132. obrazovaniya. 2023, No. 2, pp. 120-132. doi:
Второе десятилетие XXI в. в педагогике ознаменовалось значительными и динамичными изменениями, охватившими как практическую, так и теоретическую сферу. Процессы цифровизации с началом пандемии получили существенное ускорение. Произошел масштабный переход к «новой нормальности» в педагогической практике, которая характеризуется в первую доминированием технологии дистанционного обучения, основанной на применении современных цифровых образовательных платформ.
Процессы цифровизации пронизывают все стороны общественной жизни, и служат предметом научной рефлексии в рамках различных областей знания, в частности информатики и смежных с ней дисциплин. Как результат в данной области к концу первого десятилетия XXI в. получило распространение понятие «большие данные»
Современный уровень исследований в данной области позволяет сделать вывод об огромном потенциале, который раскрывается при обработке больших данных с помощью соответствующих методов. По мере развития процессов информатизации образования интерес к проблематике больших данных растет и в педагогической среде [1; 2]. Понятие «большие данные» можно охарактеризовать через систему признаков, известную как «пять V»:
1. Скорость (velocity). Большие данные характеризуются высокой скоростью сбора. В силу этого скорость их обработки во многих случаях должна позволять получать результаты «в режиме реального времени».
2. Объем (volume). Большие данные характеризуются значительным объемом, полностью исключающими возможность их обработки отдельным человеком или человеческим коллективом. Обработка больших данных возможна только компьютерными методами на основе искусственного интеллекта.
3. Достоверность (veracity). Большие данные обладают высокой достоверностью, соответственно результаты их обработки являются репрезентативными.
4. Вариативность (variety). Большие данные характеризуются значительной неоднородностью (например, могут включать в себя как количественные, так и качественные показатели). Соответственно, алгоритмы и процедуры обработки больших данных должны быть адаптивными и вариативными.
5. Ценность (value). Большие данные обладают практической ценностью, возрастающей по мере их накопления.
DOI: 10.31862/2218-8711-2023-2-120-132.
10.31862/2218-8711-2023-2-120-132.
(Big Data) [1].
Заметим, что в различных исследований количество «V», выделяемых авторами, может варьироваться в определенном диапазоне, но на фундаментальные представления о природе больших данных это существенным образом не влияет.
Информационное образовательное пространство должно обладать следующими свойствами по отношению к своим субъектам (обучающимся и преподавателям) [3]:
• отражать личностные установки и личностные смыслы субъектов;
• создавать условия для вовлечения субъектов в разнообразные формы совместной деятельности;
• обеспечивать условия для формирования динамической системы субъектов, объединяющихся в микро- и макрогруппы, реализующих различные, взаимопересе-кающиеся и личностно значимые задачи.
Современные цифровые образовательные платформы можно рассматривать как структурные элементы информационного образовательного пространства. В силу своей природы они представляют собой достаточно эффективные инструменты генерации больших данных, описывающих учебный процесс и его субъектов. Ранее мы отмечали, что необходимым элементом информационного образовательного пространства являются инструменты, «создающие предпосылки не только для отслеживания хода учебного процесса, но и для построения прогнозов его дальнейшей динамики и направленности» [4].
Одним из таких инструментов являются технологии построения и обработки индивидуальных траекторий обучения [3]. Поддержка индивидуальных траекторий обучения предполагает учет индивидуальных особенностей обучающегося во всей их динамике. Если такие особенности, как темперамент и наличие или отсутствие предметных способностей, являются «статичными», мало подверженными изменениям на протяжении даже длительных промежутков времени, то такая личностная особенность, как текущий уровень сформированности предметных компетенций, подвержена практически непрерывным изменениям по ходу учебного процесса.
Возникает проблема получения и обработки больших данных для построения индивидуальных образовательных траекторий в рамках информационного образовательного пространства, поиску путей решения которой посвящено настоящее исследование. В рамках его теоретического этапа необходимо установить, какие виды больших данных выделяются современными исследователями применительно к педагогической сфере, какие подходы к их обработке предлагаются и решение каких педагогических задач (в том числе связанных с индивидуализацией процесса обучения) считается возможным с их использованием.
В монографии О. А. Фиофановой [5] описывается анализ технологической инфраструктуры цифровых открытых данных в образовании, электронных образовательных ресурсов и сервисов обработки больших данных в образовании. Результаты анализа, приведенные в работе О. А. Фиофановой, позволяют сделать вывод о сформированно-сти к настоящему моменту в рамках существующих цифровых образовательных платформ и систем управления образованием источников больших данных, анализ которых позволяет решить широкий спектр проблем, возникающих при проектировании,
организации, реализации, мониторинге образовательного процесса в современных условиях.
К настоящему времени в отечественной и зарубежной педагогике сформирован достаточно объемный корпус научных исследований, посвященных анализу специфики больших данных в педагогической сфере, а также целям, методам и алгоритмам их обработки. При этом многие авторы уделяют значительное внимание проблемам и вызовам, сопряженным с использованием больших данных в образовании.
Х. Рейндерс и И. Дж. Лан сформулировали критерий практической полезности больших данных в педагогике: «Данные бессмысленны, если они не могут служить педагогической цели, если их нельзя добыть и если их нельзя проверить и интерпретировать» [2].
В. В. Утёмов и П. М. Горин дают определение, весьма полно, на наш взгляд, характеризующее роль и место больших данных в образовании: «Оперирование большими данными (Big Data) в образовании - это технология аналитики образовательной системы, включающей измерение, сбор, анализ и представление структурированных и неструктурированных данных огромных объемов об обучающихся и образовательной среде с целью понимания особенностей функционирования и развития образовательной системы» [1].
В педагогической сфере рассматриваемые авторы выделяют пять основных типов больших данных [1]:
• личные данные субъектов учебного процесса;
• данные, описывающие педагогическое взаимодействие обучающихся с цифровыми образовательными платформами;
• данные, характеризующие эффективность применяемых дидактических средств;
• данные общесистемного характера;
• данные прогностического характера.
Соответственно, В. В. Утёмов и П. М. Горин выделяют шесть групп взаимосвязанных процессов, характеризующие основные направления применения больших данных в педагогическом исследовании [1]:
• процесс целеполагания (в ходе которого происходит постановка цели исследования и формулировка его задач);
• процесс планирования (в ходе которого осуществляется подбор источников информации, выработка процедур получения необходимых данных, построение алгоритмов обработки полученных данных);
• процесс сбора данных (в ходе которого осуществляется сбора данных, формирующих единую информационную базу);
• процесс анализа показателей (в ходе которого происходит анализ собранной информации и осуществляется выработка способов представления полученных результатов);
• процесс корректировки (в ходе которого осуществляется необходимая обратная связь);
• процесс завершения (в ходе которого происходит фиксация выявленной закономерности).
В. В. Утёмов и П. М. Горин выделяют следующие девять видов больших данных в образовании применительно к конкретному обучающемуся [1]:
1. «Используемый образовательный контент» (характеристика взаимодействия обучающегося с образовательным контентом в процессе обучения).
2. «Межличностные коммуникации» (характеристика взаимодействия обучающегося с другими субъектами образовательного процесса и социальным окружением во внеучебной сфере).
3. «Учебная стратегия» (характеристика предпочтительных для данного обучающегося методов планирования и осуществления учебной деятельности).
4. «Предыстория» (характеристика предшествующих этапов учебной деятельности).
5. «Медиаобразование» (характеристика предпочтительных для данного обучающегося источников медиаконтента и способов взаимодействия с ним).
6. «Принятие решений» (характеристика целеустремленности обучающегося).
7. «Социокультурная среда (характеристика социокультурной среды, в которую погружен обучающийся вне учебного процесса).
8. «Ближайшее состояние» (обобщенная характеристика действия учащегося, социального фона, физических и физиологических параметров на небольшом по отношению к текущему моменту временном горизонте).
9. «Деструктивное поведение» (характеристика действий учащегося, выходящих за рамки принятых в учебной деятельности и социальном окружении норм).
Б. А. Кондратенко и А. Б. Кондратенко выделяют следующие перспективные направления применения больших данных в образовании [6]:
1. Ранняя профессиональная ориентация (выбор «образовательных продуктов» и образовательных организаций, оптимально соответствующих личностным особенностям обучающихся).
2. Новые адаптивные образовательные траектории (диагностика общих и предметных способностей обучающихся на основе больших данных как инструмент построения образовательных траекторий, отражающих эти особенности).
3. Контроль профессиональной траектории (образовательное учреждение (речь в первую очередь идет о высшем образовании) может на основе больших данных отслеживать профессиональное развитие своих выпускников).
4. Открытость и прозрачность образования (открытость и доступность больших данных для обработки создает предпосылки для того, чтобы сами обучающиеся могли анализировать информацию, характеризующую ход своего образовательного процесса и на этой основе принимать решения по его корректировке).
Б. А. Кондратенко и А. Б. Кондратенко также выделяют вызовы, присущие использованию больших данных в образовании. К этим вызовам относятся [6]:
1. Возможность «предиктивной дискриминации» (принятия управленческих решений, дискриминирующих субъектов образовательного процесса только на основе анализа больших данных).
2. Негативный социальный эффект, связанный с автоматизацией многих управленческих функций за счет использования больших данных и алгоритмов их
обработки, что повлечет за собой значительное сокращение числа рабочих мест в соответствующей области.
3. Возможность «технократической сегрегации» (выделение лиц, обладающих всеми необходимыми компетенциями в сфере работы с большими данными, от всех остальных членов социума в некое привилегированное сообщество).
4. Проблема обеспечения безопасности больших данных, защиты от несанкционированного доступа и использования.
Х. Рейндерс и И. Дж. Лан следующим образом отметили основные вызовы, присущие использованию больших данных в педагогике [2]:
• конфиденциальность («кому принадлежат данные?»);
• безопасность («кто должен иметь доступ к данным?»);
• этика («кто охраняет данные?»).
Г. А. Мамедова, Л. А. Зейналова и Р. Т. Меликова выделяют наиболее, по их мнению, актуальные направления использования больших данных в образовании [7]:
1. Классификация (например, классификация источников образовательной информации, классификация учебных заданий).
2. Регрессия (прогнозирование результатов итоговых испытаний, выходного уровня сформированности компетенций выпускника, последующей востребованности на рынке труда).
3. Кластеризация (выделение групп обучающихся со сходными индивидуальными особенностями, как основа для формирования групповых траекторий обучения).
4. Анализ данных социальных сетей (как основа для выделения групп обучающихся и дальнейшей реализации групповых технологий обучения).
Также они особо отмечают большой потенциал облачных технологий применительно к задаче обеспечения хранения и обработки больших данных.
Е. В. Бебенина и О. М. Елкин [8] концентрируются на проблеме использования больших данных в таком аспекте управления учебным процессом, как составление учебного расписания. В качестве перспективного направления применения технологий больших данных они отмечают проектирование индивидуальных образовательных траекторий.
О. А. Фиофанова выделяет четыре основных направления исследований в области «доказательного управления и анализа образовательных данных» [9]:
• исследование развития современных цифровых образовательных платформ, электронных портфолио, а также цифровых следов в образовании;
• исследование и разработка технологий искусственного интеллекта как инструмента анализа больших данных применительно к предметной области педагогики, к этому направлению также относится проектирование, внедрение и исследование открытых репозитариев образовательных данных;
• исследование и разработка специфических методов анализа, ориентированных на педагогические данные;
• исследование структуры компетенций в сфере обработки больших данных в педа -гогике, соответствующих концепций и практик компетентностного развития спе -циалистов (в том числе исследование и оценка эффективности дополнительных
образовательных программ, ориентированных на формирование и развитие соответствующих компетенций).
В развитие последнего из выделенных направлений О. А. Фиофанова отмечает три основные трудовые функции, при выполнении которых необходимо наличие компетенций в сфере обработки больших данных [10]:
• построение прогнозов развития сферы образования как единого целого, отдельных ее структурных компонентов и человеческого потенциала на основе анализа больших данных;
• принятие управленческих решений в сфере образования на основе результатов анализа больших данных;
• осуществление сравнительного анализа различных управленческих и педагогических подходов к развитию образовательных систем на основе анализа больших данных.
Е. Ю. Огурцова и Р. Н. Фадеев выделяют четыре основных источника больших данных на уровне высшего образования [11]:
• персональные данные;
• данные, характеризующие особенности сценариев и интенсивность взаимодействия обучающихся с отдельными компонентами информационного образовательного пространства;
• данные, позволяющие соотнести образовательные достижения и особенности взаимодействия с образовательным контентом;
• административные данные (к которым относятся сведения по посещаемости, причинам пропусков занятий и т. д.).
Отметим, что в данном вопросе рассматриваемые авторы весьма близки по своему видению к В. В. Утёмову и П. М. Горину [1].
Е. Ю. Огурцова и Р. Н. Фадеев указывают на два основных риска, связанных с большими данными в образовании [11]:
• проблема конфиденциальности (обусловленная наличием информации личного характера во многих данных, относящихся к большим данным);
• проблема некорректного использования прогнозов, построенных на основе анализа больших данных (в пределе такие прогнозы могут повлечь за собой принятие управленческих решений, в том числе связанных с поощрением или наказанием, на основе несовершенных субъектом поступков).
В исследовании К. Фишера с соавторами приводится система уровней больших данных в образовании. Авторы выделяют три уровня - микроуровень, мезоуровень и макроуровень [12].
К большим данным микроуровня относится подробная информация о различных взаимодействиях в рамках информационной образовательной среды. Эти данные характеризуются высокой степенью детализации и динамикой изменения (обновления) порядка секунды. Такие данные собираются автоматически в рамках цифровых образовательных платформ в процессе взаимодействия обучающихся с информационными системами, образовательным контентом, другими обучающимися и преподавателями.
Типичным примером данных микроуровня являются журналы нажатий клавиш и информация о местоположении мобильного устройства, ассоциированного с обучающимся.
К большим данным мезоуровня относятся «письменные артефакты» обучающихся, представленные в электронной форме. Они собираются в ходе выполнения письменных заданий на базе цифровой образовательной платформы или социальных сетей (в этом случае они изначально представлены в электронном виде) или в рамках офлайн-обуче-ния (в этом случае они нуждаются в дальнейшей оцифровке) [12]. К. Фишер с соавторами отмечают, что данные мезоуровня дают возможность отслеживать развитие когнитивной сферы обучающегося, динамику социализации и анализировать аффективную сферу (мотивацию и настроение).
К большим данным макроуровня относятся «данные, собранные на институциональном уровне» [12]. К ним относятся демографические данные обучающихся, расписания занятий, академическая успеваемость, информация о переводе и отчислении и прохождении итоговой аттестации. Данные макроуровня обычно собираются в течение определенного промежутка времени, такие данные редко обновляются (например, один раз в семестр, если речь идет об учебном расписании или результатах промежуточной аттестации).
Согласно выводам К. Фишера с соавторами, большие данные микроуровня можно использовать для анализа [12]:
• знаний обучающегося;
• особенностей метапознания и саморегуляции;
• аффективных состояний, характерных для обучающегося;
• как источник информации для персонализации образовательного контента.
Большие данные мезоуровня, по мнению К. Фишера с соавторами, позволяют обеспечить понимание [12]:
• когнитивной сферы обучающегося (в том числе знаний и навыков);
• социальных процессов, в которые вовлечен обучающийся (в первую очередь в рамках решения учебных задач);
• поведенческих процессов, характеризующих личность обучающегося;
• аффективного статуса обучающегося (в первую очередь настроения и мотивацию обучающегося).
Большие данные на макроуровне характеризуются следующими основными направлениями применения [12]:
• «системы раннего предупреждения» (early-warning systems), ориентированные на раннее выявление неблагополучия в освоении курса (вплоть до намерения отчислиться с курса);
• системы управления учебными курсами и информационные системы учебного назначения;
• административная аналитика.
А Рао и К. Баглоди выделяют следующие основные направления практического использования больших данных в образовании [13]:
• привлечение абитуриентов;
• контроль, анализ и прогнозирование поведения обучающихся и характеристик их вовлеченности в учебный процесс;
• управление научными исследованиями в рамках образовательной организации (при этом ведущим инструментом выступает «совместная облачная аналитика больших данных» (Collaborative cloud based Big Data analytics));
• повышение эффективности обучения (в первую очередь за счет обеспечения оперативной обратной связи, выявления и прогнозирования потребностей обучающихся).
М. А. Хан, М. Койах и Вивек основное внимание концентрируют на возможностях индивидуализации учебного процесса, которые предоставляют большие данные и их обработка с использованием технологий искусственного интеллекта [14]. Интеллектуальные обучающие системы, основанные на больших данных, позволяют реализовывать индивидуализированный учебный процесс в рамках четырех основных функций [14]:
• отслеживание индивидуального вклада обучающегося;
• индивидуализированная постановка учебных задач;
• реализация эффективной обратной связи;
• поддержка интерфейса между обучающимся и компьютером.
М. А. Хан, М. Койах и Вивек отмечают значимость выявления и анализа индивидуальных различий обучающихся при создании педагогических инструментов, ориентированных на отдельных учащихся и адаптации учебного процесса в соответствии с индивидуальными требованиями на различных платформах [14]. Они также отмечают, что большие данные позволяют сделать педагогическое оценивание более точным и своевременным [14].
Анализ научной литературы, проведенный нами, позволяет констатировать наличие достаточно большого корпуса работ, посвященных проблеме применения больших данных в образовании. Это создает определенные предпосылки для решения проблемы, поставленной нами в начале исследования. Мы полагаем, что для построения индивидуальных образовательных траекторий в рамках информационного образовательного пространства должны использоваться большие данные всех трех уровней, по классификации К. Фишера с соавторами [12].
Большие данные микроуровня, на наш взгляд, должны основываться на журналах нажатий клавиш и истории навигации между страницами. Эту информацию необходимо соотнести с параметрами успешности выполнения текущих учебных заданий. В результате анализа количества допущенных ошибок, скорости выбора способа рассуждения, приводящего к правильному результату, реакции на затруднения (которая, на наш взгляд, оптимальным образом выявляется по изменению нажатий клавиш и наличию/ отсутствию влияния на особенности навигации) можно установить текущие параметры и динамику изменений многих личностных характеристик обучающегося, существенных для построения индивидуальной образовательной траектории.
Большие данные мезоуровня, на наш взгляд, должны быть представлены картами концептов изученного теоретического материала, создаваемыми обучающимися с
определенной периодичностью (не реже двух раз в семестр). Выбор в пользу карт концептов обусловлен двумя факторами:
1. Составление карт концептов представляют собой эффективный инструмент выявления особенностей когнитивной сферы обучающихся, это обусловлено тем, что «практически вся когнитивная деятельность связана и зависит от процесса категоризации» [15].
2. Карты концептов по своей природе допускают достаточно простую формализацию (языком теории графов) и перевод в цифровой вид, позволяющий их автоматизированную обработку.
Таким образом, на мезоуровне большие данные дают информацию об особенностях когнитивной сферы обучающихся и текущем уровне понимания изучаемого предмета. Эта информация также, по мере обновления, должна учитываться при построении индивидуальных образовательных траекторий.
Большие данные макроуровня, на наш взгляд, должны быть представлены информацией о стабильных личностных характеристиках (темперамент и наличие или отсутствие предметных способностей) и дополнены данными по академической успеваемости.
Таким образом, возникает возможность получения в режиме реального времени большого массива исходной информации, представленной преимущественно в цифровом виде (или допускающей сравнительно оперативную оцифровку), на основании которой могут строиться (и корректироваться при необходимости) индивидуальные траектории обучения. Этот массив информации описывает:
1. Индивидуальные психологические характеристики учащегося.
2. Характеристики владения учащимся образовательным контентом (текущий уровень сформированности предметных компетенций).
3. Характеристики взаимодействия учащегося с другими субъектами учебного процесса (обучающимися и преподавателями).
4. Характеристики взаимодействия учащегося с образовательным контентом (предпочтительные формы и источники учебной информации, когнитивный стиль, устоявшиеся приемы планирования и осуществления учебной деятельности).
5. «Учебный бэкграунд» данного учащегося (описание предшествующего опыта обучения).
6. Характеристика волевой и мотивационной сферы обучающегося.
Можно сделать вывод о наличии всей необходимой информации для построения индивидуальных образовательных траекторий.
Подводя итог проведенному обзору, необходимо отметить, что проблема комплексного анализа целей, задач, форм, методов, алгоритмов использования больших данных в педагогической теории и практике к настоящему моменту далека от полного решения. Однако накопленные результаты теоретических исследований и практического опыта позволяют сделать определенные выводы относительно отдельных аспектов данной проблемы. В частности, предложенные нами подходы к получению и отбору больших данных для построения индивидуальных образовательных траекторий в рамках
информационного образовательного пространства могут применяться на практике при проектировании и реализации учебного процесса на основе современных цифровых образовательных платформ. Дальнейшей перспективой исследования является разработка алгоритмов построения индивидуальных образовательных траекторий по отобранным большим данным и решение вопроса об использовании больших данных при построении групповых образовательных траекторий и реализации иных форм группового обучения.
Список литературы
1. Утёмов В. В., Горев П. М. Развитие образовательных систем на основе технологии Big Data // Научно-методический электронный журнал «Концепт». 2018. № 6 (июнь). С. 449-461. URL: http://e-koncept.ru/2018/181039.htm (дата обращения: 20.08.2022).
2. Reinders H., Lan Y. J. Big data in language education and research // Language Learning & Technology. 2021. Vol. 25, No. 1. P. 1-3. URL: http://hdl.handle.net/10125/44746 (дата обращения: 20.08.2022).
3. Бояринов Д. А. Образовательные карты в контексте проектирования адаптивного сетевого образовательного пространства // Человек и образование. 2019. № 1. С. 77-80.
4. Boyarinov D. A. Pedagogical Model for Creating Individual Learning Paths Based on Educational Maps // Valeeva R. (ed.) VI International Forum on Teacher Education, Kazan Federal University, Russia. 27 May - 09 June 2020. ARPHA Proceedings 3. P. 277-289.
5. Фиофанова О. А. Анализ больших данных в сфере образования: методология и технологии: моногр. M.: Изд. дом «Дело» РАНХиГС, 2020. 200 с.
6. Кондратенко Б. А., Кондратенко А. Б. Перспективы применения анализа больших данных в современном образовании // Вестн. Балтийского федерального ун-та им. И. Канта. Сер.: Филология, педагогика, психология. 2018. № 1. С. 117-126.
7. Мамедова Г. А., Зейналова Л. А., Меликова Р. Т. Технологии больших данных в электронном образовании // Открытое образование. 2017. № 6 (21). С. 41-48. DOI: http:// doi.org/10.21686/1818-4243-2017-6-41-48.
8. Бебенина Е. В., Елкин О. М. Повышение качества управления образованием с использованием технологии обработки больших данных // Отечественная и зарубежная педагогика. 2020. Т. 1, № 6 (72). С. 22-29.
9. Фиофанова О. А. Анализ современного состояния исследований в области управления образованием на основании данных // Ценности и смыслы. 2020. № 1 (65). С. 71-83.
10. Фиофанова О. А. Управление на основе больших данных в сфере образования // Государственная служба. 2021. № 3. С. 86-91.
11. Огурцова Е. Ю., Фадеев Р. Н. Большие данные и цифровая аналитика в университетском образовании // Ноосферные исследования. 2021. Вып. 4. С. 37-44.
12. Mining Big Data in Education: Affordances and Challenges / Ch. Fischer, Z. A. Pardos, R. Sh. Baker [et al.] // Review of Research in Education. March 2020. Vol. 44. P. 130-160. DOI: https://doi.org/10.3102/0091732X20903304.
13. Archana Rao P. N., BaglodiK. Role of Big Data in Education Sector: A Review // International Journal of Advances in Science Engineering and Technology. Feb. 2018. Vol. 6, Iss. 1, Spl. URL: https://www.iraj.in/journal/journal_file/journal_pdf/6-445-15245677381-3.pdf (дата обращения: 20.08.2022).
14. Khan M. A., Khojah M., Vivek V. Artificial Intelligence and Big Data: The Advent of New Pedagogy in the Adaptive E-Learning System in the Higher Educational Institutions of Saudi Arabia // Education Research International. Vol. 2022, Article ID 1263555, 10 p. DOI: https://doi.org/10.1155/2022/1263555.
15. Бояринов Д. А. Карты интеграции знаний в контексте проблемы автоматизированной обработки педагогической информации // Проблемы современного образования. 2019. № 6. С. 232-239. URL: http://www.pmedu.ru/images/2019-6/22.pdf (дата обращения: 20.08.2022).
References
1. Utemov V. V., Gorev P. M. Razvitie obrazovatelnykh sistem na osnove tekhnologii Big Data. Nauchno-metodicheskiy elektronnyy zhurnal "Kontsept". 2018, No. 6 (June), pp. 449-461. Available at: http://e-koncept.ru/2018/181039.htm (accessed: 20.08.2022).
2. Reinders H., Lan Y. J. Big data in language education and research. Language Learning & Technology. 2021, Vol. 25, No. 1, pp. 1-3. Available at: http://hdl.handle.net/10125/44746 (accessed: 20.08.2022).
3. Boyarinov D. A. Obrazovatelnye karty v kontekste proektirovaniya adaptivnogo setevogo obrazovatelnogo prostranstva. Chelovek i obrazovanie. 2019, No. 1, pp. 77-80.
4. Boyarinov D. A. Pedagogical Model for Creating Individual Learning Paths Based on Educational Maps. In: Valeeva R. (ed.) VI International Forum on Teacher Education, Kazan Federal University, Russia. 27 May - 09 June 2020. ARPHA Proceedings 3. Pp. 277-289.
5. Fiofanova O. A. Analiz bolshikh dannykh v sfere obrazovaniya: metodologiya i tekhnologii: monogr. Moscow: Izd. dom "Delo" RANKhiGS, 2020. 200 p.
6. Kondratenko B. A., Kondratenko A. B. Perspektivy primeneniya analiza bolshikh dannykh v sovremennom obrazovanii. Vestn. Baltiyskogo federalnogo un-ta im. I. Kanta. Ser.: Filologiya, pedagogika, psikhologiya. 2018, No. 1, pp. 117-126.
7. Mamedova G. A., Zeynalova L. A., Melikova R. T. Tekhnologii bolshikh dannykh v elektronnom obrazovanii. Otkrytoe obrazovanie. 2017, No. 6 (21), pp. 41-48. DOI: http://doi. org/10.21686/1818-4243-2017-6-41-48.
8. Bebenina E. V., Elkin O. M. Povyshenie kachestva upravleniya obrazovaniem s ispolzovaniem tekhnologii obrabotki bolshikh dannykh. Otechestvennaya izarubezhnaya pedagogika. 2020, Vol. 1, No. 6 (72), pp. 22-29.
9. Fiofanova O. A. Analiz sovremennogo sostoyaniya issledovaniy v oblasti upravleniya obrazovaniem na osnovanii dannykh. Tsennosti i smysly. 2020, No. 1 (65), pp. 71-83.
10. Fiofanova O. A. Upravlenie na osnove bolshikh dannykh v sfere obrazovaniya. Gosudarstvennaya sluzhba. 2021, No. 3, pp. 86-91.
11. Ogurtsova E. Yu., Fadeev R. N. Bolshie dannye i tsifrovaya analitika v universitetskom obrazovanii. Noosfernye issledovaniya. 2021, Iss. 4, pp. 37-44.
12. Fischer Ch., Pardos Z. A., Baker R. Sh. et al. Mining Big Data in Education: Affordances and Challenges. Review of Research in Education. March 2020, Vol. 44, pp. 130-160. DOI: https:// doi.org/10.3102/0091732X20903304.
13. Archana Rao P. N., Baglodi K. Role of Big Data in Education Sector: A Review. International Journal of Advances in Science Engineering and Technology. Feb. 2018. Vol. 6, Iss. 1, Spl. Available at: https://www.iraj.in/journal/journal_file/journal_pdf/6-445-15245677381-3. pdf (accessed: 20.08.2022).
14. Khan M. A., Khojah M., Vivek V. Artificial Intelligence and Big Data: The Advent of New Pedagogy in the Adaptive E-Learning System in the Higher Educational Institutions of Saudi Arabia. Education Research International. Vol. 2022, Article ID 1263555, 10 p. DOI: https://doi.org/10.1155/2022/1263555.
15. Boyarinov D. A. Karty integratsii znaniy v kontekste problemy avtomatizirovannoy obrabotki pedagogicheskoy informatsii. Problemy sovremennogo obrazovaniya. 2019, No. 6, pp. 232-239. Available at: http://www.pmedu.ru/images/2019-6/22.pdf (accessed: 20.08.2022).
Интернет-журнал «Проблемы современного образования» 2023, № 2
Статья поступила в редакцию 25.08.2022 The article was received on 25.08.2022
