НАУЧНЫЕ ОСНОВЫ ПОДГОТОВКИ БУДУЩЕГО УЧИТЕЛЯ
УДК 378.2; 37.03: 004
DOI: 10.24412/2079-9152-2023-59-53-61
РАЗВИТИЕ КОМПЕТЕНЦИЙ БУДУЩЕГО УЧИТЕЛЯ МАТЕМАТИКИ В СФЕРЕ АНАЛИТИКИ ОБРАЗОВАТЕЛЬНЫХ ДАННЫХ
Евсеева Елена Геннадиевна,
доктор педагогических наук, профессор e-mail: e. evseeva@donnu. ru ФГБОУ ВО «Донецкий государственный университет»,
г. Донецк, РФ
Аннотация. В статье рассматривается проблема освоение педагогами современных цифровых технологий и инструментов для осуществления профессиональной деятельности. Особенно важно это для будущих учителей математики, осуществляющих подготовку по стратегически важным для развития цифровой экономики направлениям. В связи с этим возникает потребность формирования у будущих учителей математики компетенций, необходимых учителю для доказательного развития математического образования. Рассмотрена комплексная структура компетенций в области образовательной информационной грамотности, предложенная в рамках европейского проекта Learn2Analyze для повышения компетентности специалистов по онлайн-обучению. Проанализированы возможности по аналитике образовательных данных наиболее часто используемой в российском образовательном пространстве платформы LMS Moodle. В статье рассмотрены учебные предметы и дисциплины, при изучении которых происходит формирование и развитие компетенций в области аналитики образовательных данных у будущих учителей математики, начиная со школы, заканчивая профессиональной подготовкой в университете. Предложено в подготовку будущих учителей математики в рамках магистерской программы «Математическое образование» ввести вариативную дисциплину «Учебная аналитика в математическом образовании».
Ключевые слова: будущие учителя математики, аналитике образовательных данных, образовательная информационная грамотность, платформа LMS MOODLE, компетенции учителя математики в области аналитики образовательных данных.
Для цитирования: Евсеева, Е.Г. Развитие компетенций будущего учителя математики в сфере аналитики образовательных данных / Е.Г. Евсеева // Дидактика математики: проблемы и исследования. - 2023. - Вып. 3 (59). - С. 53-61. DOI: 10.24412/2079-9152-2023-59-53-61.
Постановка проблемы. Цифровая чения математики на всех уровнях обра-
трансформация образования приводит к зования. В связи с развитием разнооб-
изменения существующих методик обу- разных систем управления обучением
<£D
(Learning Management System (LMS)), распространение получили смешанные формы обучения, дистанционные курсы, электронные средства учебного назначения. Это приводит к возникновению и накоплению больших массивов информации, анализ которой может дать важные инструменты по усовершенствованию учебного процесса. Это актуализировало настоятельную потребность в овладении методами аналитики данных специалистами в области образования, включая школьных учителей, с целью переосмысления условий проектирования и организации обучения.
Возникает направление исследований, связанное с применением статистических методов к интеллектуальному анализу данных, производимых образовательными учреждениями, получившее название «Аналитика образовательных данных» (Educational Data Analytics (EDA)). Методы и инструменты EDA используются в проектировании информационно-образовательной среды, в организации материалов учебных курсов и систем управления курсами в системе дистанционного обучения. Однако эти инструменты по-прежнему широко не используются практическими работниками образования из-за низкой грамотности в области образовательных данных (Educational Data Literacy (EDL)), которую рассматривают как систему компетенций специалистов в области образования, в частности, учителей математики [20].
Будущим специалистам в области образования необходимо знание современных цифровых технологий и инструментов для осуществления профессиональной деятельности. Особенно важно это для будущих учителей математики, осуществляющих подготовку по важным для развития цифровой экономики направлениям, что было отмечено в программе цифровой экономики РФ. Обучение студентов педагогических вузов интеллектуальному анализу данных может обеспечить появление специалистов, способных к организации
как своей профессиональной, так и учебной исследовательской деятельности с помощью современных методов и инструментов анализа данных. Кроме того, такие специалисты смогут выступать в качестве посредников между запросами образовательной среды и ИТ-специалистами, проектирующими и разрабатывающими образовательные технологии [12].
Таким образом, возникает потребность в развитии ключевых компетенций учителя математики в области аналитики образовательных данных при использовании онлайн или смешанного обучения в своей профессиональной деятельности.
Анализ актуальных исследований. В связи со стремительной цифро-визацией образования исследования в области аналитики образовательных данных стали очень популярны в последние годы как в России, так и за рубежом. Учеными исследуются такие вопросы:
- аналитический потенциал платформ онлайн обучения [3; 11; 25];
- анализ эффективности применения систем электронного обучения в вузе [9; 10];
- направления и перспективы применения анализа образовательных данных [2; 6; 14; 17; 18; 23];
- технологии анализа и визуализации многомерных данных педагогического мониторинга [8; 13; 16];
- этики и обеспечения безопасности в аналитике данных [22; 24] и др.
Формирование компетенций педагога в области аналитики образовательных данных также рассматривается научным сообществом [1; 12], однако не в контексте математического образования.
Цель работы - рассмотреть пути формирования у будущих учителей математики компетенций в области аналитики образовательных данных.
Основная часть. Нами в работе [4] были рассмотрены структура и содержание феномена цифровой компетент-
ности учителя математики. Предложенная авторская модель профессиональной цифровой компетентности (ПЦК) учителя математики основывается на Европейской модели компетенций педагога DigCompEdu, в которой данный феномен рассматривается через призму личностных качеств учителя, как часть его профессиональной компетентности. В модели заложены показатели сфор-мированности и способы формирования цифровой компетентности учителя математики, а структура этого феномена отображена в модели тремя компонентами: математико-цифровым, методикоцифровым, и проектно-цифровым
[4, с. 34].
По нашему мнению, формирование компетенций учителя математики в области аналитики образовательных данных является необходимы условием формирования проектно-цифрового
компонента ПЦК, так как овладение такими компетенциями позволяет учителю осуществлять деятельность по проектированию обучения с использо-
ванием цифровых инструментов. Рассмотрим состав этих компетенций.
В Европейском союзе для повышения компетентности специалистов по онлайн-обучению разработан проект Learn2Analyze (L2A), представляющий научно-промышленный альянс знаний в области анализа образовательных данных [20]. В рамках проекта L2A предложена комплексная структура компетенций в области образовательной информационной грамотности, чтобы расширить существующие рамки компетенций для разработчиков учебных пособий и учителей, ведущих онлайн-курсы, новыми компетенциями в области образовательной информационной грамотности.
Структура компетентности в области образовательной информационной грамотности проекта Learn2Analyze включает в себя 6 групп компетентностей и 17 утверждений о компетентности, предполагающих формирование триады «знать - понимать - уметь» (см Таблицу 1).
Таблица 1 - Структура компетентности в области образовательной информационной грамотности [20]__________________________________________________________
Группы компетенций Компетенции в области анализа образовательных данных
1. Сбор данных 1.1. Получать доступ к данным и собирать данные. 1.2. Применять ограничения данных и показатели качества
2. Управление данными 2.1. Применять методы обработки данных. 2.2. Применять описание данных (метаданные). 2.3. Применять процессы обработки данных. 2.4. Применять технологии для сохранения данных.
3. Анализ данных 3.1. Применять методы анализа данных и моделирования. 3.2. Применять методы представления данных.
4. Понимание и интерпретация данных 4.1. Интерпретировать свойства данных. 4.2. Интерпретировать статистические данные, обычно используемые с образовательными данными. 4.3. Интерпретировать выводы, полученные в результате анализа. 4.4. Уметь выявлять потенциальные последствия/связи результатов анализа данных с инструкциями.
5. Применение данных 5.1. Использовать результаты анализа данных для принятия решений о пересмотре инструкции. 5.2. Оценивать пересмотр инструкции на основе данных.
6. Этика обработки данных 6.1. Использовать информированное согласие. 6.2. Защищать неприкосновенность частной жизни, конфиденциальность, целостность и безопасность персональных данных. 6.3. Применять авторство, право собственности.
С целью формирования компетенций в области аналитики данных Проект Learn2Analyze предлагает массовый открытый онлайн курс, который может пройти каждый желающий. Он состоит из шести содержательных модулей, описание которых приведено ниже.
Модуль 1: Образовательные данные. В этом модуле представлена концепция образовательных данных как ключевого фактора успеха онлайн- и смешанного преподавания и обучения, представлена структура Learn2Analyze компетенций в области грамотности в области образовательных данных и обсуждены основы сбора и управления образовательными данными, включая вопросы, связанные с этикой и конфиденциальностью.
Модуль 2: Учебная аналитика. В этом модуле представлены основы методов и инструментов для анализа и интерпретации онлайн-данных учащихся, чтобы облегчить их индивидуальную поддержку. Основное внимание уделено организации, анализу, представлению и интерпретации данных, полученных учащимися, в контексте их обучения, а также этическим соображениям и политике защиты данных, полученных учащимися, от плохого обращения и неправомерного использования.
Модуль 3: Аналитика преподавания. Этот модуль познакомит с основами методов и инструментов анализа и интерпретации образовательных данных для облегчения принятия образовательных решений, включая разработку курсов и учебных программ.
Модуль 4: Анализ образовательных данных с помощью Moodle. В этом модуле будут представлены инструменты для анализа образовательных данных в Moodle и основное внимание уделено использованию этих инструментов для поддержки школьных учителей при разработке и проведении их онлайн-курсов и курсов смешанного обучения.
Модуль 5: Анализ образовательных данных с помощью eXact Suite. В этом модуле будут представлены инструмен-
ты для анализа образовательных данных в пакете eXact и основное внимание будет уделено использованию этих инструментов, чтобы помочь разработчикам учебных пособий и преподавателям электронных онлайн-курсов в поддержке учащихся онлайн.
Модуль 6: Анализ образовательных данных с помощью IMC Learning Suite. В этом модуле будут представлены инструменты для анализа образовательных данных в MC Learning Suite. Основное внимание уделяется тому, как инструменты могут помочь разработчикам онлайн-курсов задуматься над их образовательным дизайном и перепроектировать курсы.
Следует отметить, что платформы Moodle, eXact Suite и MC Learning Suite - это наиболее популярные в современном образовательном пространстве платформы управления обучением, которые предоставляют учителю возможности создавать отдельные пространства электронного обучения для разных целевых групп и управлять ими, охватывает все возможные сценарии обучения, включая мобильное обучение, социальное обучение, смешанное обучение, обучение на основе игр и многое другое.
Наиболее часто используемой в российском образовательном пространстве является платформа LMS Moodle, предоставляющая большие возможности по аналитике образовательных данных. Существующие возможности для анализа данных, накапливаемых в Moodle, можно разделить на четыре категории:
1) стандартные средства системы;
2) дополнительные плагины для системы;
3) внешние средства для анализа данных непосредственно из Moodle;
4) различные многофункциональные программы анализа данных.
В таблице 2 приведены средства для анализа данных Moodle с описанием их компонентов.
Таблица 2 - Средства для анализа данных в LMS Moodle
Средства Содержание средств Примеры инструментов
Стандартные средства LMS Moodle (отчеты) Стандартные отчеты, и аналитические модели, относящиеся к базовому функционалу системы 1. Отчеты: «Журнал событий», отчет о деятельности, «Участие в курсе», «Статистика». 2. Модели: Учащиеся с риском отчисления (Students at risk of dropping out); Предстоящие действия (Upcoming activities due); Отсутствие обучения (No teaching)
Дополнительные плагины для системы Дополнительные программы, расширяющие функциональные возможности Moodle, которые отсутствуют в базовой версии SmartKlassTM Learning Analytics Moodle (построение аналитической панели с консолидированной информацией о пользователе) 2. Heatmap (тепловая карта курса, которая позволяет выделить действия с большей или меньшей активностью). 3. IntelliBoard - Your data. Right here. Right now (представляет данные на единой информационной панели в виде диаграмм, графиков и аналитических отчетов)
Внешние средства для анализа данных непосредственно из Moodle Автономные решения для анализа данных Moodle, чаще всего, основанные на обработке стандартных отчетов KEATS_analytics для анализа лог-файлов из Moodle (позволяет получить сводную информацию по данным (общее количество обращений к курсу, кол-во уникальных пользователей, число уникальных действий, количество страниц курса, число уникальных IP-адресов, средняя длина сессии и др.) [19]
Программы анализа данных Стандартное программное обеспечение, имеющее широкий функционал и возможности для качественного и многоаспектного анализа 1. Статистические и математические программы (Statistica, SPSS Statistics и т.п.; Matlab, Octave и т.п.; Excel и др.). 2. Программы для интеллектуального анализа данных (Orange, Knime, RapidMiner, Weka, Deductor и др.), 3. Платформы и языки программирования (R, Python (как наиболее используемые для анализа данных), Java и др.), 4. СУБД и языки запросов (Oracle, MySQL, Microsoft SQL Server и др.). 5. Инструменты анализа веб-сайтов (использующие лог-анализаторы: Webalizer, AWStats и др.)
С целью формирования и развития компетенций в области образовательной аналитики во многих университетах Российской Федерации вводятся учебные дисциплины, направленные на изучение методов и инструментов интеллектуального анализа данных, например, в Национальном исследовательском университете «Высшая школа экономики» для направления: 38.04.04.
Г осударственное и муниципальное
управление (магистерская программа: Цифровая трансформация образования) [5] введен учебный курс «Интеллектуальный анализ данных и учебная аналитика». Однако в подготовке будущих учителей математики подобные курсы, как правило, не предусматриваются.
В работе Е.А. Тербушевой предложено включение в программу обучения студентов педагогического вуза с профильной вузовской подготовкой в обла-
сти математики дисциплины «Интеллектуальный анализ данных», что, по мнению ученой, обусловлено социальным запросом на подготовку квалифицированных специалистов, владеющих современными методами и инструментами сбора, обработки и анализа цифровых данных для проведения исследований на современном уровне и построения качественного образовательного процесса [12].
Формирование и развитие компетенций в области аналитики образовательных данных у будущих учителей математики начинается еще в школе и далее продолжается в университете в процессе профессиональной подготовки (таблица 3). Учебные предметы и дисциплины, при изучении которых происходит совершенствование аналитических умений во всех периодах обучения отображены в таблице 3.
Таблица 3 - Возможности формирования компетенций в области аналитики образовательных данных_______________________________________________________
Период обучения Дисциплины Формируемые компетенции
7-9 класс основной школы Учебный предмет «Вероятность и статистика» Формирование умений работать с информацией: от чтения и интерпретации информации, представленной в таблицах, на диаграммах и графиках, до сбора, представления и анализа данных с использованием статистических характеристик средних и рассеивания.
10-11 класс средней школы Учебный предмет «Алгебра и начала анализа»
Бакалавриат по направлению подготовки 44.03.05 Педагогическое образование, (профили: математики и информатика) Дисциплины: «Теория вероятностей и математическая статистика», «Технологии цифрового образования» Формирование умений применять методы анализа данных с использованием аппарата математической статистики и стандартных программ обработки данных (описательная статистика, оценка статистических параметров, графическая визуализация распределения признака).
Магистратура по направлению подготовки 44.04.01 Педагогическое образование (магистерская программа: Математическое образование) Дисциплины: «Педагогические измерения», «Электронные ресурсы и цифровые технологии в образовании», «Избранные разделы высшей математики: математическая статистика», «Научный семинар» Формирование умений выполнять с использованием специального программного обеспечения: 1) проводить и обрабатывать педагогические измерения, анализировать и оценивать учебные достижения обучающихся; 2) интерпретировать свойства и статистических характеристики образовательных данных (случайность, основные тенденции, среднее значение, стандартное отклонение, значимость, объяснения закономерностей, проверка статистических гипотез); 3) использовать результаты анализа данных для принятия решений о корректировке разработанной методики или технологии обучения математике.
Как можно видеть из таблицы 3, уже в основной школе обучающие получают начальные умения работать с информацией. Программами подготовки будущих учителей математики в универси-
тете предусмотрено формирование базовых компетенций аналитики данных, связанных с педагогической квалимет-рией, проведением педагогического эксперимента и обработкой его резуль-
татов, оцениванием эффективности разработанных методик и технологий обучения. В то же время, недостаточно внимания уделяется формированию умений, связанных с использованием аналитического потенциала платформ дистанционного обучения, в частности LMS Moodle, а также методов и инструментов интеллектуального анализа данных для мониторинга качества обучения, коррекции его результатов и управления принятием решений на основе данных.
В связи с этим в подготовку будущих учителей математики дисциплины в рамках магистерской программы «Математическое образование» может быть введена вариативная дисциплина «Учебная аналитика в математическом образовании». Цели и задачи дисциплины состоят в изучении методы интеллектуального анализа образовательных данных для принятия решений в сфере образования, а также возможностей выявления характеристик учащегося на основе накапливаемых в образовательной системе данных и цифровых следов.
Содержание предлагаемой дисциплины должно включать сведения об образовательных данных, способах их получения и структурирования; основных методах и инструментах анализа образовательных данных, включая табличный процессор Excel; инструменты для анализа образовательных данных в Moodle; методику обработки данных педагогического эксперимента в помощью программного средства SPSS Statistics, а также методику обучения аналитике образовательных данных обучающихся основной и средней школы в процессе обучения математике.
Заключение. В условиях цифровой трансформации образования, накопления массива образовательных данных на цифровых образовательных платформах и других сервисах мониторинга и оценки качества образования возникает потребность формирования у будущих учителей математики компетенций, необходимых учителю для доказатель-
ного развития математического образования.
Учитывая развитие технологий дистанционного и электронного обучения, целесообразным является введение в подготовку будущих учителей математики дисциплины в рамках магистерской программы «Математическое образование» вариативной дисциплины «Интеллектуальный анализ образовательных данных и учебная аналитика», в рамках которой будут изучаться методы интеллектуального анализа данных, подбор метода интеллектуального анализа данных для конкретной образовательной задачи, использование пакетов прикладных задач для решения задач интеллектуального анализа данных в образовании.
Введение такой дисциплины должны способствовать успешному усвоению понятий и методов интеллектуального анализа данных, развитию личностных качеств будущих учителей математики, необходимых для интеллектуального анализа экспериментальных данных в цифровом виде, повышению мотивации к исследовательской деятельности с применением методов интеллектуального анализа данных.
1. Агатова, О.А. Data-компетенции
субъектов педагогической и управленческой аналитики в образовании / О.А. Агатова // Образование и саморазвитие. - 2022. - Том 17, № 4. - С. 218-239. DOI:
10.26907/esd.17.4.16
2. Белоножко, П.П. Анализ образовательных данных: направления и перспективы применения / П.П. Белоножко, А.П. Карпенко, Д.А. Храмов // Интернет-журнал «Науковедение». - 2017. - Том 9, №4. - URL: http://naukovedenie.ru/PDF/15TVN417.pdf (Дата обращения 25.06.2023). - Текст : электронный.
3. Гончарова, О.Н. Создание образовательной платформы для обучения математике средствами фреймворка Django / О.Н. Гончарова, А.В. Шеремет // Дидактика математики: проблемы и исследования. -2023. - Вып. 1(57). - С. 30-39. DOI: 10.24412/2079-9152-2023-57-30-39.
4. Евсеева, Е.Г. Моделирование цифровой компетентности учителя в контексте ма-
тематического образования / Е.Г. Евсеева, Д.А. Скворцова // Дидактика математики: проблемы и исследования. - 2023. - Вып. 2 (58). - С. 29-36. DOI: 10.24412/2079-9152-2022-58-29-36.
5. Интеллектуальный анализ образовательных данных и учебная аналитика : учебный курс. - Москва : НИУ ВШЕ, 2021. - URL: https://www.hse.ru/edu/courses/375294964 (дата обращения 23.06.2023). - Текст: электронный.
6. Носков, М. В. Анализ образовательных данных в активных информационнообучающих системах / М. В. Носков, Ю. В. Вайнштейн, Т. А. Кустицкая // Современные проблемы прикладной математики и информационных технологий : материалы международной научно-практической конференции, Бухара, 11-12 мая 2022 года. - Бухара: Бухарский государственный университет, 2022. - С. 544-545.
7. Образовательная аналитика: управление образовательной организацией и создание контента на основе данных /М Б. Свердлов (научная редакция), Е.В. Вербицкий, А.В. Конобеев, А.И. Крецу, В.Д. Стриканов; Национальный исследовательский университет «Высшая школа экономики», Институт образования. - Москва : НИУ ВШЭ, 2021. -65 с.
8. Паскова, А.А. Применение технологий BIG DATA в образовательном процессе / А.А. Паскова // Педагогическая информатика. - 2019. - № 3. - С. 23-30.
9. Потанина, М.В. Анализ эффективности применения систем электронного обучения в вузе / М.В. Потанина, В.И. Инюшин // Ученые записки Крымского федерального университета им. В.И. Вернадского. Экономика и управление. - 2019. - Т. 5 (71), № 4. -С. 117-128.
10. Стародубцев, В.А. Оптимизация контента онлайн-курса по данным статистики активности пользователей / В.А. Стародубцев, О.В. Ситникова, О.Б. Лобаненко // Высшее образование в России. - 2019. - Т. 28, № 89. - С. 119-127. DOI: 10.31992/0869-3617-2019-28-8-9-119-127.
11. Тербушева, Е.А. Аналитический по-
тенциал платформы Moodle для мониторинга качества персонифицированного обучения / Е.А. Тербушева, К.Р. Пиотровская // Общество. Коммуникация. Образование. - 2021. -Том 12, № 4. - С. 19-34. DOI:
10.18721/JHSS.12402.
12. Тербушева, Е.А. Методика обучения студентов с профильной вузовской подготовкой в области математики интеллектуаль-
ному анализу данных : специальность: 5.8.2 -теория и методика обучения и воспитания (естественные и точные науки, уровень профессионального образования) : дис. ... канд. пед. наук / Тербушева Екатерина Александровна; Российский государственный педагогический университет им. А. И. Герцена. -Санкт-Петербург, 2022. -184 с.
13. Технология анализа и визуализации многомерных данных педагогического мониторинга в высшем образовании / Л.Ю. Овсяниц-кая., ЕЮ. Никитина, Ю.В. Лысенко, Ю.В. Под-поветная, И.П. Постовалова, А.Д. Овсяницкий // Современные информационные технологии и ИТ-образование. - 2018. - Т. 14, № 4. - С. 793-802. DOI: 10.25559/SITITO.14.201804.793-802.
14. Фиофанова, О.А. Методы анализа образовательных данных и способы их применения в педагогической и управленческой практике в сфере образования / О.А. Фиофанова // Школьные технологии. - 2020. - № 1. -С. 117-127.
15. Фиофанова, О.А. Проблема интеграции цифровых сервисов аналитики данных: компетенции педагога в работе с образовательными данными / О.А. Фиофанова // Вестник Московского ун-та. Сер. 20. Педагогическое образование. - 2020. - №3. - С. 38-49.
16. Хлопотов, М.В. Методы интеллектуального анализа данных для мониторинга и диагностики качества образования / М.В. Хлопотов, ИЮ. Коцюба // Дистанционное и виртуальное образование. - 2014. - № 5. - С. 18-25.
17. ElAtia, S., Ipperciel, D., & Zaiane,
O.R (2017). Data Mining and Learning Analytics : Applications in Educational Research. Hoboken, New Jersey: Wiley. - URL:
http://search. ebscohost.com/login. aspx?direct=tru e&site =eds-live&db =edsebk&AN=1351385
18. Fortenbacher, A., Pinkwart, N., & Yun, H. (2017). Learning analytics for sensor-based adaptive learning. Paper presented at the LAK ‘17 Proceedings of the Seventh International Learning Analytics & Knowledge Conference. Vancouver, British Columbia, Canada, 13-03-2017.
19. Konstantinidis, A., Grafton, C. (2013) Using Excel Macros to Analyze Moodle Logs // 2nd Moodle Research Conference (MRC2013). -Souse, Tunisia, Oct. 4-5 2013. - Pp. 33-39.
20. Learn2Analyze — An Academia-Industry Knowledge Alliance for enhancing Online Training Professionals ’ (Instructional Designers and e-Trainers) Competences in Educational Data Analytics (Cooperation for innovation and the exchange of good practices - Knowledge Alliances,
Agreement n. 2017-2733 / 001-001, Project No 588067-EPP-1-2017-1-EL-EPPKA2-KA). - URL: https://learn2analyse.eu/
21. Mougiakou, S., Vinatsella, D., Sampson, D., Papamitsiou, Z, Giannakos, M., Ifenthaler, D. (2023) Educational Data Analytics for Teachers and School Leaders. - Switzerland : Springer Nature. - 249p. DOI: 10.1007/978-3-031-15266-5
22. Pardo, A., Siemens, G. (2014). Ethical and privacy principles for learning analytics. British Journal of Educational Technology, 45(3), 438-450. https://doi.org/10.UU/bjea2152.
23. Piotrowska X., Terbusheva E. (2019) Educational data mining for future educational employees // CEUR Workshop Proceedings: NESinMIS-2019. - Proceedings of the 14th Inter-
national Conference “New Educational Strategies in Modern Information Space”. - Saint-Petersburg, 16 april 2019. - Pp. 38-49.
24. Prinsloo, P., & Slade, S. (2014). Student data privacy and institutional accountability in an age of surveillance. In M. E. Menon, D. G. Terkla, & P. Gibbs (Eds.), Using data to improve higher education. Research, policy and practice (pp. 197-214). Sense Publishers.
25. Romero, C., Ventura, S., Garcia, E.
(2008) Data mining in course management systems: Moodle case study and tutorial, Computers & Education, 51 (2008), 368-384. DOI:
https://doi.org/10.10167j. compe-du.2007.05.016.
------------§...§-------------
DEVELOPING OF FUTURE MATHEMATICS TEACHER’ COMPETENCIES IN THE FIELD OF EDUCATIONAL DATA ANALYTICS
Evseeva Elena,
Doctor of Pedagogical Sciences, Professor Donetsk State University, Donetsk, Russian Federation
Abstract. The article deals with the problem of teachers mastering modern digital technologies and tools for professional activity. This is especially important for future mathematics teachers who are training in areas that are strategically important for the development of the digital economy. In this regard, there is a need for future teachers to develop the competencies necessary for the teacher for the evidence-based development of mathematical education. The complex structure of competencies in the field of educational information literacy, proposed within the framework of the European Learn2Analyze project to improve the competence of online learning specialists, is considered. The possibilities of educational data analytics of the most frequently used LMS Moodle platform in the Russian educational space are analyzed. The article deals with academic subjects and disciplines, the study of which is the formation and development of competencies in the field of educational data analytics for future teachers of mathematics, starting from school, ending with professional training at the university. It is proposed to introduce the variable discipline «Educational analytics in mathematical education» in the preparation of future teachers of mathematics within the framework of the master's program «Mathematical Education».
Keywords: future teachers of mathematics, educational data analytics, educational information literacy, LMS Moodle platform, mathematics teacher competencies in the field of educational data analytics.
For citation: Evseeva, E. (2023). Developing of future mathematics teacher’ competencies in the field of educational data analytics. Didactics of Mathematics: Problems and Investigations. No. 3(59), pp. 53-61. (In Russ., abstract in Eng.). DOI: 10.24412/2079-9152-2023-59-53-61.
Статья поступила в редакцию 20.06.2023
<6D