ОПТИМИЗАЦИЯ ПРОЦЕССОВ ОБУЧЕНИЯ В ЭЛЕКТРОННОЙ ОБРАЗОВАТЕЛЬНОЙ СРЕДЕ

Сальникова Т.С.; Матненко Н.Н.

Сальникова Т.С., Матненко Н.Н.

САЛЬНИКОВА Татьяна Сергеевна - кандидат экономических наук, доцент, 08.00.05 - экономика и управление народным хозяйством, доцент РТУ-МИРЭА, Москва, Российская Федерация. E-mail: apm-msiu@yandex.ru

МАТНЕНКО Нелли Николаевна - кандидат экономических наук, доцент, 08.00.05 - экономика и управление народным хозяйством, доцент РАНХиГС, Москва, Российская Федерация. E-mail: interimdean@inbox.ru

Аннотация. В статье в систематизированном виде изложены характеристики качества обучения в электронной образовательной среде, обусловленные использованием многообразных приемов, методик и методов, которые в случае их интегрированного применения позволят решить задачу оптимизации и повышения эффективности процессов обучения. В обобщенном виде представлены результаты исследования процесса обучения студентов, организованного на образовательной платформе Moodle, на примере учебной дисциплины экономической направленности, повышения эффективности учебного процесса с помощью алгоритмических и инструментальных средств машинного обучения.

Ключевые слова: качество, обучение, студент, информационно-коммуникационные технологии, машинное обучение, инструменты, оптимизация.

Для цитирования: Сальникова Т.С., Матненко Н.Н. Оптимизация процессов обучения в электронной образовательной среде // Экономические системы. 2021. Том 14. № 4 (55). С. 53-68. DOI 10.29030/2309-2076-2021-14-4-53-68.

Введение

Развитие информационно-коммуникационных технологий (ИКТ) открыло неограниченные возможности для реализации образовательных проектов, в которых каждый имеет возможность доступа к качественному образованию независимо от времени и своего месторасположения. Динамичное развитие ИКТ уже привело к накоплению огромного количества цифровых данных в различных областях жизнедеятельности, что неизбежно стимулирует многочисленные исследования и развитие областей знаний и учебных дисциплин, упрощая поиск, систематизацию и анализ контента. Искусственный интеллект и машинное обучение решают задачи автоматического анализа имеющихся данных путем поиска закономерностей и взаимосвязей в необработанных данных; в этом заключается значительный вклад в решение сложных проблем [1].

Интеллектуальный анализ образовательных данных (EDM) и Learning Analytics (LA) сосредоточены на анализе данных обучающихся в контексте образовательной среды, такой как Moodle - системы управления обучением (LMS). Обе си-

стемы (EDM и LA) настроены на то, чтобы проанализировать деятельность обучающихся и на основе результатов анализа оптимизировать учебные процессы.

Актуальность данной темы состоит в том, что ключевая роль в решении задач оптимизации и повышения эффективности процессов обучения в целом и отдельных учебных дисциплин в частности принадлежит прогностическому моделированию. Цифровой след обучающегося в LMS и его последующая аналитическая обработка позволяют охватить множество различных аспектов: выявление неуспевающих студентов, прогнозирование того, что студенты не смогут успешно сдать промежуточные и итоговые тесты по дисциплине. Это помогает получать и более общую информацию о том, насколько учебная дисциплина является привлекательной для студентов, каковы степень их вовлеченности в предмет и полезность новых знаний, умений и навыков, которые спроектированы в той или иной учебной дисциплине.

Цель настоящей статьи состоит в представлении результатов проведенного исследования процесса обучения студентов, организованного на образовательной платформе Moodle, на примере учебной дисциплины экономической направленности и повышения эффективности учебного процесса с помощью алгоритмических и инструментальных средств машинного обучения.

Онлайн-обучение большинство исследователей определяет как обучение в синхронной или асинхронной среде с использованием различных устройств (например, мобильных телефонов, ноутбуков и т. д.) с доступом в интернет. В такой среде студенты могут находиться где угодно (независимо от места), чтобы учиться и взаимодействовать с преподавателями (тьюторами) и другими студентами.

Ключевая характеристика дистанционного онлайн-обучения состоит в том, что обучающемуся предоставляется возможность самостоятельно получать необходимые знания, используя широкий набор информационных ресурсов и современные информационные технологии. Авторы учебного пособия «Педагогические технологии дистанционного обучения» отмечают: «Информационные ресурсы - базы данных и знаний, компьютерные, в том числе мультимедиа, обучающие и контролирующие системы, видео- и аудиозаписи, электронные библиотеки -вместе с традиционными учебниками и методическими пособиями создают уникальную образовательную среду, доступную широкой аудитории» [5. С. 51].

В настоящее время образование и процесс обучения по-прежнему в основном сосредоточены на передаче обучающимся информации в целях ее запоминания. Соответственно, сформированные знания студента оцениваются с помощью тестирования. Проблема, однако, состоит в том, что эта модель игнорирует изучение того, насколько хорошо студенты владеют полученными знаниями и как они применяются в реальных жизненных ситуациях [3].

Система машинного обучения позволяет преподавателям осуществлять персональный контроль за процессом обучения и при необходимости помогать студентам в тех областях, где они не справляются. Это контрастирует с традиционным методом обучения, ориентированным на универсализм, при котором все в классе обучаются одинаково.

Машинное обучение представляет собой область исследования, которая разрабатывает алгоритмы для выявления компьютером закономерностей в данных [2. С.93]. Другими словами, алгоритм машинного обучения работает при использовании компьютером программных приложений, которые помогают системе получить и измерить результаты. Применяя алгоритмы, можно получать данные, анализировать их, а затем выдавать результат в приемлемом и удобном виде.

Система машинного обучения в образовании имеет широкий функционал. Пример - анализ образовательного контента, при котором обучение студентов осуществляется машинным образом. Данные технологии применяются для анализа учебного контента, используемого преподавателем для обучения, и определения соответствия качества его содержания существующим стандартам.

К методам машинного обучения прибегают, если требуется определить, соответствует ли содержание, преподаваемое студентам, интеллектуальным способностям каждого из них. Индивидуализация обучения на практике проявляется в том, что процесс выстраивается в соответствии с индивидуальными потребностями каждого студента, что способствует успешности освоения и понимания учебного материала [4].

Системы машинного обучения используются для сокращения времени, необходимого для оценки работы студента. Кроме того, компьютерная техника используется для повышения эффективности и автоматизации формирования отчетности по выставленным оценкам. Автоматизированная система не мешает преподавателям оценивать результаты обучения вручную. Тем не менее технологии помогают анализировать информацию о деятельности студентов, например для обнаружения неправомерного заимствования или недобросовестного поведения.

При традиционном методе обучения преподаватели тратят значительное количество времени на повторяющиеся и утомительные задачи, такие как, например, проверка контрольных и/или самостоятельных работ. Автоматизация подобных задач позволяет существенно сократить время или занятость преподавателей на рутинные операции, что высвободит время для выполнения более важных задач, таких как нацеленность на полное усвоение учебного материала студентами.

Используя информационные технологии, преподаватели получают инструмент контроля за деятельностью каждого студента и возможность оценивать его персональный прогресс в обучении. Обучающие ИТ также могут предоставить дополнительные схемы обучения студентов, которые помогают преподавателям определять лучшие способы обучения. Следовательно, благодаря применению образовательных платформ учебный процесс становится проще, эффективнее, настраивается в соответствии с потребностями каждого студента.

Использование методов, относящихся к электронному обучению, дает возможность выявлять цифровой след студентов не только в учебной деятельности. Собранные данные состоят из таких переменных, как время завершения, просмотры видео, групповые обсуждения, результаты тестирования и т. п. Подоб-

ные показатели применимы в контексте проектирования функций, основанных на алгоритмах машинного обучения. Эксперты утверждают, что алгоритмы могут выявить корреляцию между конкретным поведением студента и его успеваемостью. Именно этот результат используется для определения общей эффективности, проявляемой конкретной машинной программой.

Рекомендательные системы - более очевидная цель использования машинного обучения. Опыт применения этой технологии иллюстрируется ее использованием на некоторых наиболее известных программных платформах, таких как Amazon и Linkedln. Исследователи в сфере образования отмечают большую востребованность рекомендательных систем. В контексте обучения человека рекомендательные системы способны помочь студентам правильно выбрать подходящий для него образовательный контент. В этом отношении есть гарантия реализации намеченных целей развития компетенций в том, что касается машинно-ориентированного образования.

Анализ данных в образовательной сфере связан с данными, которые поступают из образовательной системы, и направлен на улучшение процессов обучения через разработку различных методов и подходов к обучению. Анализ данных в образовании можно разделить на следующие категории: статика и визуализация данных, веб-интеллектуальный и интеллектуальный анализы текста.

Интеллектуальный анализ образовательных данных выполняется для прогнозирования, классификации, регрессии, оценки плотности и кластеризации. Для реализации этих целей используются различные методы, такие как интеллектуальный анализ отношений, интеллектуальный анализ ассоциаций, корреляционный анализ, последовательный анализ и т. д.

Данные собираются из различных источников, включая обучение, осуществляемое с помощью программного обеспечения, используемого в образовательных целях; совместное обучение, поддерживаемое компьютером; различное автоматическое тестирование. Основная цель анализа - улучшить модельный образ студента. Эти модели представляют информацию об обучающихся с точки зрения их текущих знаний, уровня мотивации и когнитивных навыков, т. е. факторы, которые тесно связаны с успеваемостью.

Анализ образовательных данных является тем инструментом, который позволяет сформировать модель обучающегося. Использование моделей, разработанных с помощью инструментов интеллектуального анализа данных, позволяет мониторить различные аспекты образовательной деятельности студентов в режиме реального времени (например, когда они отвлекаются на посторонние вещи или показывают низкую эффективность в обучении, или им скучно, или они не в настроении). С помощью этих моделей можно прогнозировать удержание, возможность отчисления или неуспеваемость студента, поскольку они дают разнообразную информацию о характеристиках или настроении студента.

Алгоритмы пространственного поиска машинного обучения применяются для разработки автоматизированных подходов в целях создания точных моделей доменной структуры из самих данных, например создание q-матрицы на осно-

ве ответов студентов и отзывов студентов. В частности, анализ ковариации позволяет выявить учебные дисциплины, которые могут сформировать у студента требуемый набор умений и навыков. Это помогает определить роль различных навыков в изучении всей предметной области. Структуры знаний частичного порядка используются для анализа взаимосвязи между статистическими инструментами, в частности для ковариации результатов и определенных элементов учебной дисциплины. К примеру, взаимосвязь между определенным элементом и продолжительностью его освоения можно выявить с помощью корреляции Пирсона.

Анализ образовательных данных также используется для выяснения отношений между студентами и преподавателями. Он может определить, какие виды педагогических методов и приемов будут наиболее эффективны для группы студентов или отдельного человека в различных ситуациях. Таким образом, данный анализ применим и для совместного обучения посредством применения методов декомпозиции обучения. Данные, относящиеся к успеваемости студентов по разным учебным дисциплинам, наносятся на кривую (в основном достижения обучающихся), на основе которой формируется наилучшая модель, а веса, относящиеся к каждой дисциплине в модели, помогают выбрать подходящий педагогический прием для обучения.

Еще одно применение интеллектуального анализа данных в образовании -уточнение и расширение понимания педагогической теории и практики для лучшего их усвоения и совершенствования. Обучение на разных уровнях необходимо преподавать по-разному, и очень важно извлекать информацию в различных ситуациях, связанных с успеваемостью обучающихся. В современной образовательной системе становится особенно важно следить за поведением студентов и улучшением их успеваемости.

Применению машинных методов обучения предшествует первичный анализ данных, который позволяет понять некоторые аспекты структуры данных и выявить видимые закономерности в них.

Анализ образовательных данных экономической дисциплины был осуществлен для студентов заочной формы обучения с применением дистанционных образовательных технологий, использование которых включает в себя ряд элементов.

Контактная работа проводится с применением современных компьютерных технологий. Виды используемых инновационных форм: онлайн-вебинары (наличие презентации и форума для обсуждения), практические занятия в форме самостоятельного решения ситуационных задач с возможностью обсуждения результатов с преподавателем на форуме дисциплины, электронное тестирование, консультирование в онлайн-режиме во время проведения вебинаров и на форуме для консультаций.

Лекция проводится в форме вебинара, организованного на платформе ZOOM. Практические занятия предусматривают работу преподавателя с форумом дисциплины в режиме онлайн (синхронный режим).

Самостоятельная работа представляет собой консультирование преподавателем студентов и ответы на их вопросы в форуме (асинхронный режим).

Оценка текущих знаний осуществляется с помощью электронного тестирования и выполнения практических заданий. Промежуточная аттестация - электронное тестирование.

Для реализации дисциплины разработан электронный образовательный ресурс (далее - ЭОР), который размещен в системе Моо^е.

В состав ЭОР по дисциплине включены:

- образовательные материалы (записи прошедших ранее вебинаров, конспект лекций, презентации лекций);

- средства текущего контроля знаний (задания для выполнения практических заданий; промежуточные тесты по темам дисциплины);

- материалы промежуточного (итогового) тестирования;

- методические материалы (вводная лекция, в которой раскрывается организация обучения по дисциплине, ссылка на электронную библиотеку, список рекомендуемой литературы, рекомендации по выполнению практических занятий, правила и критерии аттестации).

Для технической, организационной поддержки существуют специализированные форумы, общие для студентов, которые модерируются соответствующими специалистами.

В весеннем семестре 2020/2021 учебного года в дисциплине были зарегистрированы 877 студентов, обобщенные результаты их деятельности представлены в табл. 1.

Из анализа данных следует, что студенты были мало вовлечены в работу с образовательными ресурсами, такими как лекции, конспект лекций и вебина-ры. В изучении материалов с использованием размещенных в ЭСДО ресурсов просмотры составляли от 65,8% от контингента (лекция по теме 1) до 17,7% (запись вебинара).

Низкая активность может объясняться тем, что, во-первых, данные ресурсы не учитываются при определении итоговой оценки по дисциплине и, во-вторых, студенты могли больше обращаться к внешним ресурсам.

Наибольшая активность наблюдалась на форуме дисциплины: в среднем более пяти просмотров в расчете на одного из общего числа зарегистрированных студентов в дисциплине. Количество активных студентов составило 306 чел., это всего около 35% от общего числа студентов.

Основные темы, затрагиваемые на форуме: уточнение требований по выполнению практических заданий, а также «рекомендуемой» оценки по дисциплине, определяемой автоматически на основании существующего алгоритма, и «итоговой» оценки, которая выставляется преподавателем по окончании сессии. Обсуждения содержательной стороны дисциплины и тестов текущего контроля знаний были единичны. Следовательно, характер вопросов от студентов касался организационной стороны изучения дисциплины, практически отсутствовала дискуссия по содержанию.

Таблица 1

Статистика просмотров ресурсов в расчете на одного студента

Элемент курса Значение Элемент курса Значение

Форумы Вводная лекция 0,270

Новостной форум 0,042

Форум для консультаций 5,193 Список литературы 0,287

Вебинары Инструкция для работы в ZOOM 0,195

Анонс вебинара 0,197

Запись вебинара 0,177

Литература: конспект лекций по дисциплине 0,437

Лекции Практические занятия

Тема 1 0,658 Тема 2 1,226

Тема 2 0,643 Тема 3 0,759

Тема 3 0,555 Тема 4 0,629

Тема 4 0,505 Тема 5 0,602

Тема 5 0,424 Титульный лист для практических занятий 0,360

Рекомендации по выполнению практических заданий 0,688

Текущий контроль знаний

Промежуточный тест 1 9,686 Промежуточный тест 3 8,879

Промежуточный тест 2 9,192 Ответы на задания по практическим занятиям 7,842

Промежуточная аттестация (итоговый тест) 6,839

В табл. 2 представлены результаты успеваемости студентов, которые показали, что студенты в целом успешно завершили обучение по дисциплине: из 877 чел. положительно аттестованы 688, т. е. 78,5%. Неудовлетворительные результаты получили всего 52 чел., или 5,9%. Впечатляет достаточно большая доля студентов (15,6%, или 137 студентов), которые относятся к категории «не явившихся на экзамен».

Таблица 2

Результаты успеваемости студентов

Направление подготовки Всего студентов, чел. Результаты сессии Средний балл

Отлично Хорошо Удовлетворительно Неудовлетворительно Неявка

877 325 298 65 52 137 4,21

Итого,% 100,0 37,1 34,0 7,4 5,9 15,6

Обратимся к успешно аттестованным по дисциплине студентам и попытаемся выявить факторы, оказывающие влияние на успеваемость (табл. 3).

Анализ данных табл. 3 позволяет сделать выводы о том, что вполне ожидаемо выглядят превышение количественных показателей по числу просмотров и числу наилучших зачтенных ответов тестов, самый большой разброс значений

Таблица 3

Статистический анализ результатов тестирования

Показатель Тест 1 Тест 2 Тест 3 Итоговый тест

Число просмотров теста 1297 1100 1214 919

Число наилучших попыток 801 776 779 771

Удельный вес наилучших попыток в числе просмотров, % 61,8 70,5 64,2 83,9

Средний процент правильных ответов,% 76,2 78,5 77,5 87,0

Медианное значение 80 80 80 87

Мода 83 83 80 90

Интервал 83 70 87 77

Минимум 17 30 13 23

Максимум 100 100 100 100

Стандартное отклонение 16,06691 14,56323 15,92890787 12,25914658

Дисперсия выборки 258,1456 212,0876 253,730106 150,2866748

в результатах тестирования, а также наименьшая доля успешных попыток в общем объеме тестирования теста № 1 по сравнению с другими.

В целях подтверждения гипотезы о том, что положительные итоги тестирования являются результатом усвоения материала, проведем корреляционный анализ, где в качестве атрибутивов выбраны элементы дисциплины, а в качестве переменных - количество просмотров, загрузка практических заданий (1, если задание было загружено и зачтено, 0 - в обратном случае) и результаты текущего и промежуточного контроля знаний (табл. 4).

Таблица 4

Корреляционная матрица

Практические занятия Лекции 1-3 Тест 1 Вебинар (тема 4) Лекция 4 Тест 2 Лекция 5 Тест 3 Итоговый тест

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Практические занятия 1

Пекции 1-3 0,176668961 1

Гест 1 0,797485745 0,15048027 1

Зебинар (тема 4) 0,114180854 0,39113539 0,088100294 1

Пекция 4 0,16457578 0,86727892 0,152482872 0,3861191 1

Гест 2 0,799145908 0,13154371 0,932799926 0,0915047 0,135288 1

Пекция 5 0,141506696 0,79853548 0,104376183 0,2968565 0,806021 0,091528 1

Гест 3 0,788014575 0,10704091 0,924162935 0,0862378 0,104202 0,953615 0,060459 1

Итоговый тест 0,807704392 0,11475136 0,860659036 0,077338 0,11178 0,893047 0,088762 0,89946 1

Результаты корреляционного анализа, на первый взгляд, опровергают выдвинутую гипотезу. Сколько-нибудь значимая связь между обучающими и контрольно-измерительными элементами (далее - КИМ) дисциплины отсутствует. Так, например, корреляция между просмотром вебинара по теме 4 и тестом № 2 (КИМ по данной теме) составляет 0,09! Чуть выше, но также не сущест-

венная - связь между просмотром лекций, размещенных в ЭСДО, и результатами тестирования.

С другой стороны, студент мог воспользоваться опцией скачивания лекций и изучать учебный материал в режиме офлайн, и/или использовать наряду с материалами лекций дополнительные ресурсы, например, рекомендуемую учебную литературу в электронной библиотеке (ЭБС). Данные по количеству обращений или перехода по ссылке в ЭБС, так же как и количество скачиваний лекций, оказались недоступными. Но для понимания ситуации в дальнейшем анализ подобной информации был бы весьма полезен.

Далее оценим возможную связь между учебными элементами и итоговой оценкой по дисциплине, определяемой по 4-бальной шкале. Расчеты показали тесную зависимость между переменными, коэффициент корреляции составил 0,974, однако эта связь является нелинейной. Если коэффициент детерминации для линейной регрессии равен 0,0936, то время как R2 для полиноминальной регрессии равен 0,926 (рис. 1).

Рис. 1. Регрессионный анализ

Как видим, связь между средним числом просмотров обучающих ресурсов дисциплины (независимая переменная) и итоговой оценкой по дисциплине (средняя переменная) является нелинейной.

Увеличение числа обращений студентов к обучающим ресурсам приводит к повышению экзаменационной оценки, но дальше происходит снижение. Студенты, получившие оценку «отлично», в среднем обращались к ЭОР дисциплины меньше даже по сравнению с теми, кто получил «неудовлетворительную» оценку на экзамене: 2,5 обращений против 3,2 соответственно.

Можно предположить, что студенты, получившие «отлично», больше работали с внешними ресурсами. Нельзя также отметать разного рода этические факторы, учитывая среди прочего отсутствие системы прокторинга.

Система аттестации по дисциплине имеет некоторые ограничения по числу попыток, продолжительности выполнения теста и периоду экзаменационной

сессии. В связи с этим представляет интерес регрессионный анализ между результатами итогового (экзаменационного) теста и продолжительностью выполнения попытки, на основании которой определяется бальная оценка по дисциплине.

В табл. 5, 6 представлены результаты анализа, из которых следует слабая связь между средней продолжительностью выполнения теста и его результатом (коэффициент корреляции равен -0,319).

Таблица 5

Дисперсионный анализ результатов итогового теста

Регрессионная статистика

Множественный 0,318622836

|г-квадрат 0,101520512

Нормир. 1*-кеэдрат 0,100258602

Стандартная ошибка 11,84096334

Наблюдения 714

Дисперсионный анализ

55 мв Значимость Р

Регрессия 1 11279,76 11279,76 80,44992 2,61 Е-18

Остаток 712 99828,39 140,2084

Итого 713 111108,1

Коэфф. Стандар. ошибка статистика Р-Значение Нижние 95% Верхние 95% Нижние 95,0% Верхние 95,0%

У-пересечение 92,01758203 0,920992 99,91134 0 90,2094 93,82577 90,2094 93,82577

Переменная х1 -0,223118735 0,024876 -8,96939 2.61Е-18 -0,27196 -0,17428 -0,27196 -0,17428

Таблица 6

Корреляционная матрица итогового теста и продолжительности его выполнения

Продолжительность выполнения теста, мин Результат теста Среднее число просмотров Оценка по дисциплине

Продолжительность выполнения теста, мин 1

Результат теста -0,319161777 1

Среднее число просмотров 0,031178314 -0,22529314 1

Оценка по дисциплине -0,274060851 0,796066173 -0,144836477 1

На рис. 2 демонстрируется рассеивание результатов итогового теста и продолжительности его выполнения. Как видим, размах между минимальным количеством затрачиваемого времени на выполнение успешной попытки и максимальной продолжительностью составляет 86 мин: минимальное значение составило 1 мин 9 с (тест выполнен на 90%, рекомендуемая оценка по дисциплине - отлично); максимальное - 87 мин (87% результат, рекомендуемая оценка - хорошо).

Правильность ответов, % ооооооооооо

М ММ >ммм< М»»»» М» • « »•• «4 »ММ» ММ м 1»»М» 4 » ••• • М »4 • • М • 4 •

• М1 м • м МММ» • • м • М 4 • м»«м МММ» • • • • •

• • • • • • • м» « ММ» »4 I» »»»4 М»М »4

м • • 4 • »• • • 4 • 4 » М 4 » • ММ >»М»« I» • •

• 4 » 4 • » • ( • •

•

• 4

•

10 20 30 40 50 60 70 80 90 100 Продолжительность, мин

Рис. 2. Диаграмма рассеивания результатов итогового теста и продолжительности его выполнения

При изучении данных рис. 2 бросается в глаза «скорострельность» результатов, которая проявляется в том, что на завершение успешной попытки затрачивается минимальное количество времени. Так, в пределах 10 мин завершили попытку 93 студента (13% от общего числа), из которых 75% - это результаты на оценку отлично.

Результаты дисперсионного анализа зависимости результатов итогового тестирования от количества времени, затраченного на успешную попытку, в разрезе значения экзаменационной оценки графически отображены на рис. 3, который также иллюстрирует наличие линейной связи для результатов от оценки неудовлетворительно до оценки хорошо и нелинейной зависимости результатов отлично к прочим переменным.

Другими словами, получившими отметки отлично и неудовлетворительно было затрачено примерно одинаковое количество времени на завершение наиболее результативной попытки, средняя разница составила всего 3 мин.

Можно сделать предположение, что студенты, получившие неудовлетворительную оценку, действовали наудачу. Можно наверняка утверждать, что поскольку эта категория студентов проявляла низкую активность в изучении учебных ресурсов, то результат по итогам получился неудовлетворительный.

Сложнее разобраться с категорией студентов, которые в среднем проявляли невысокую активность в изучении учебных ресурсов дисциплины, но быстро и весьма успешно справлялись с тестами текущего и промежуточного контроля знаний.

Z 140

i-

П5

I-

f.120 ГО

aj

щ 100

s

x

Й 80

60 40 20 0

у = -0,8834х2 н56,837х-791,58

'5м 0,8681

"4" ® '

"3"

1.2" /

•

20

25

30 35 40 45

Средняя продолжительность тестирования

Рис. 3. Регрессионный анализ

Проведенный анализ позволил выявить ряд существенных недостатков в организации изучении дисциплины, которые отрицательно сказываются на качестве формирования профессиональных компетенций студента.

К ним относятся:

- отсутствие упорядоченности организации изучения дисциплины и прохождения текущего и промежуточного контроля, что приводит к хаотичности учебного процесса;

- пассивность участия большинства студентов, зарегистрированных в дисциплине;

- большое число студентов, зарегистрированных, но не приступивших к изучению дисциплины;

- отсутствие связи между учебными и контрольными ресурсами дисциплины;

- системные «дыры», которые создают возможность обхода установленных правил текущего и промежуточного контроля в дисциплине;

- отсутствие системы, которая позволяет адекватно оценить полученные студентом знания;

- признаки нарушения отдельными студентами учебной этики.

Заключение

Для преодоления указанных недостатков и модернизации дисциплины можно выдвинуть ряд предложений, которые логично сгруппировать по нескольким направлениям, таким как организационно-технические и содержательные, касающиеся контента дисциплины.

Начнем с того, как упорядочить процессы изучения дисциплины и прохождения текущих и итоговых испытаний.

Прежде всего, студенту следует предложить рекомендательную модель изучения дисциплины. Для этого следует разбить дисциплину на ряд этапов и привязать их к календарному графику, сформировать алгоритм авторизированно-го отслеживания соблюдения этого графика. Пример рекомендательной модели представлен в табл. 7.

Таблица 7

Рекомендательная модель изучения дисциплины

Этап

Недели

Изучение вводной лекции

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Посещение вебинара

Изучение материалов лекции 1-й темы