CC BY
65
Перспективы Науки и Образования
Международный электронный научный журнал ISSN 2307-2334 (Онлайн)
Адрес выпуска: https://pnojournal.wordpress.com/2022-2/22-05/ Дата публикации: 31.10.2022 УДК 378.1:004.6
Р. В. Есин, Т. В. ЗыковА, Т. А. Кустицкдя, А. А. Кытмднов
Цифровая образовательная история как составляющая цифрового профиля обучающегося в условиях трансформации образования
Введение. Активное развитие цифровой образовательной инфраструктуры в последние годы позволяет образовательным учреждениям собирать и хранить большое количество данных, имеющих отношение к процессу обучения. В связи с этим, представляется актуальной задача описания, структурирования и объединения разнообразных данных об обучающемся в единый цифровой профиль, который позволит применить комплексный подход к решению задач управления образовательным процессом на основе данных.
Материалы и методы. Использован сравнительно-сопоставительный анализ литературы для анализа существующей терминологии в сфере цифровизации, методов моделирования объектов и процессов в образовании, а также для выявления компонентов цифрового профиля обучающегося.
Для оценки деятельности студентов в электронной среде проведено анкетирование, в котором приняло участие 172 студента Сибирского федерального университета (Российская Федерация) нескольких направлений подготовки: «Металлургия», «Информатика и вычислительная техника», «Информационная безопасность», «Прикладная информатика».
Результаты. Предложена пирамида цифровизации обучающегося, включающая следующие уровни иерархии: цифровой след, цифровой профиль, цифровая модель, цифровой двойник. Выявлена структура цифрового профиля обучающегося, включающая две составляющие - цифровой личностный портрет и цифровую образовательную историю, отмечены возможные связи между ними, выполнена классификация компонентов и определены источники получения этих компонентов из ЭИОС вуза.
Введено и подробно описано понятие цифровой образовательной истории, которая представляет собой многомерные структурированные динамически изменяющиеся данные об образовательной деятельности обучающегося и его текущих результатах обучения.
Обозначена проблема полноты данных цифровой образовательной истории, наличие которой подтверждено результатами анкетирования. Выявлены три наиболее часто используемых источника учебных материалов помимо электронных курсов вуза: видеохостинги (используют 85,5% респондентов), образовательное взаимодействие в малых группах (62,2%) и обучающие форумы (45,3%). Извлечение данных цифровой истории из этих источников затруднительно.
Заключение. Данные цифровой образовательной истории в перспективе станут основой для моделирования обучающегося и создания цифрового двойника. Тем не менее существует ряд проблем со сбором, верификацией таких данных, этикой их использования и применимостью для решения задач управления обучением. В работе предложены возможные решения этих проблем.
Ключевые слова: цифровая образовательная история, цифровой профиль обучающегося, цифровой личностный портрет, цифровой след, цифровизация образования
Ссылка для цитирования:
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. сЬк 10.32744/р$е.2022.5.34
Perspectives of Science & Education
International Scientific Electronic Journal ISSN 2307-2334 (Online)
Available: https://pnojournal.wordpress.com/2022-2/22-05/ Accepted: 16 July 2022 Published: 31 October 2022
P. V. ESIN, T. V. ZYKOVA, T. A. KuSTITSKAYA, A. A. KYTMANOV
Digital educational history as a component of the digital student's profile in the context of education transformation
Introduction. The recent active development of digital educational infrastructure allows educational institutions to collect and store large amounts of data related to the learning process. In this regard, the task of describing, structuring and combining various data about the student into a single digital profile, seems relevant as it will make possible applying an integrated approach to solving the problems of data-driven management of the educational process.
Materials and methods. A comparative analysis of the literature to analyze the existing terminology in the field of digital transformation of education and methods for modeling objects and processes in education, as well as to identify the components of the digital student's profile has been carried out.
To assess the intensity of activity performed by students in the digital learning environment (DLE) of the university, we have conducted the survey of the 172 students of Siberian Federal University majoring in several areas of training: Computer Science and Computer Engineering, Applied Computer Science, Information Security, and Metallurgy.
Results. We proposed the so-called student digitalization pyramid, which includes the following hierarchy levels: digital footprint, digital profile, digital model, digital twin. We described the structure of the digital profile of a student which includes two components - a digital personality portrait and a digital educational history and mentioned possible links between them. We introduced a classification of its components and identified the sources of obtaining these components from the university EIEE.
We introduced and described in detail the concept of digital educational history which is a multidimensional structured dynamically changing data on the educational activities of the student and his current learning outcomes.
We indicated the problem of completeness of digital educational history data, the presence of which is confirmed by the results of the survey. Three most frequently used sources of educational materials in addition to the university e-learning courses were identified as video hosting (used by 85.5% of respondents), educational interaction in small groups (62.2%) and learning forums (45.3%). At the same time, obtaining educational history data from these sources is a serious problem which is difficult to overcome.
Conclusions. In the future, digital educational history data will become the basis for modeling a student (their learning process) and developing their digital twin. Nevertheless, there are a number of problems which concern the collection and verification of the related data, the ethics of their use and applicability for solving learning management problems. We propose possible solutions to these problems.
Keywords: digital educational history, digital student's profile, digital personality portrait, digital footprint, digital trasformation of education
For Reference:
Esin, P. V., Zykova, T. V., Kustitskaya, T. A., & Kytmanov, A. A. (2022). Digital educational history as a component of the digital student's profile in the context of education transformation. Perspektivy nauki i obrazovania - Perspectives of Science and Education, 59 (5), 566-584. doi: 10.32744/ pse.2022.5.34
_Введение
N. азвитие цифровых технологий оказывает глубокое влияние на социальную J экономику, что является важным признаком того, что общество вступило в цифровую эпоху. Важным маркером вступления общества в цифровую эпоху является внедрение цифровых технологий в социальную сферу, в том числе в образование. В выпущенном Европейским союзом Цифровом образовательном плане на 2021-2027 гг. [1] отмечается, что интеграция цифровых технологий и образования является общей тенденцией цифровой эпохи. В качестве одной из основных рекомендаций плана указывается широкое внедрение цифровых технологий в образование (создание образовательных платформ, обучающих приложений и пр.) для повышения доступности обучения.
В 2012 г. были основаны крупнейшие на сегодняшний день образовательные платформы Coursera и EdX, были созданы российские открытые и коммерческие образовательные платформы (Открытое образование, Нетология, SkillBox, SkillFactory, SkyPro и др.). В большинстве вузов были разработаны и внедрены электронные курсы на базе систем управления обучением (LMS) для электронной поддержки традиционных форм обучения. Наблюдается место тенденция перехода от традиционной парадигмы обучения к цифровой (например, путем перевода самостоятельной работы и других компонентов занятий в онлайн формат). При этом используемые образовательными организациями системы управления обучением производят и хранят большие объемы данных, отражающих образовательную активность обучающихся, и зачастую содержат некоторые инструменты для их обработки.
Как отдельное научное направление развивается учебная аналитика (Learning Analytics), осуществляющая «измерение, сбор, анализ и представление данных об обучающихся и их окружении с целью понимания и оптимизации образовательного процесса и среды, в которой оно происходит» [2]. Еще в 2012 г. UNESCO был выпущен аналитический доклад [3], в котором были рассмотрены перспективы применения образовательной аналитики для повышения эффективности образовательного процесса. Рекомендуется развивать инфраструткуту учебной аналитики по всем направлениям: начиная от обучения персонала, разработки и модернизации инструментов аналитики, создания коллабораций по усточивому обмену образовательными данными и технологиями. В настоящее время команды аналитиков коммерческих образовательных платформ повсеместно используют большие массивы данных, собираемых как внутри образовательных платформ, так и на внешних платформах (таких, например, как платформы найма), для профилирования компетенций, имеющих спрос на рынке труда, проектирования образовательных курсов и их связок (специализаций, профессий и т.д.), их корректировки на основе обратной связи и пр. В условиях жесткой конкуренции на сегодняшнем образовательном рынке, оперативное реагирование на его изменяющиеся требования является одним из ключевых факторов выживания и процветания коммерческих образовательных проектов.
Однако в некоммерческих образовательных институтах возможности образовательной аналитики применяются не в полной мере. Данные из LMS использу-
ются пока в основном инициативными группами сотрудников вузов для решения задач своевременного оповещения об отклонении обучающегося от графика освоения дисциплины, прогнозирования успешности освоения дисциплины и т.д. Большинство таких решений носит локальный характер, и очевидно, что использование образовательных данных для оптимизации обучения все еще находится на начальной стадии развития.
Отметим, что одним из эффективных инструментов оптимизации обучения может стать профилирование участников образовательного процесса. Благодаря постоянному усовершенствованию технологий сбора данных профилирование все активнее применяется в различных отраслях, таких как цифровой бизнес, рынок банковских услуг и др. Сам профиль при этом все более точно отражает ожидаемые потребности [4], предпочтения клиента [5] и его поведение [6]. На его основе создаются решения, позволяющие осуществить более точную сегментацию рынка потребителей, повысить эффективность таргетированной рекламы и пр.
Профилирование обучающегося представляется важным не только в масштабе отдельной образовательной организации, но и в мета-масштабе в концепции непрерывного образования (Life Long Learning). Спектр задач, которые можно решать на основе профилирования обучающегося, весьма широк и включает такие серьезные задачи, как разработка рекомендательных систем по выбору образовательного трека и профессионального развития на определенном жизненном этапе, создание систем поддержки успешности обучения.
Благодаря активному развитию цифровой образовательной инфраструктуры в последние годы становится возможным реализовать профилирование на качественно новом уровне. В связи с этим, представляется актуальной задача описания, структурирования и объединения разнообразных данных об обучающемся в единый цифровой профиль обучающегося, который позволит применить комплексный подход к решению вышеупомянутых прикладных задач.
Настоящая работа посвящена описанию цифрового профиля обучающегося, причем более подробно - одной из его основных составляющих, которую мы будем называть цифровой образовательной историей. Забегая вперед скажем, что под цифровой образовательной историей мы будем понимать совокупность накопленных на текущий момент данных об обучающемся, которые могут иметь отношение к текущим или завершенным образовательным процессам, а также результатам обучения в широком смысле.
Эти данные могут иметь значение для моделирования обучающегося (процессов освоения им материала, овладения компетенциями, уровнем сформированности образовательных результатов и т.д.).
В работе проведена систематизация понятий, имеющих отношение к цифровой образовательной истории и подробное описание данных, ее составляющих, а также описание ограничений на ее формирование и использование. Применен комплексный подход к определению образовательной истории и изучению возможностей ее цифровизации, перспектив и способов ее применения в системах поддержки успешности обучения.
_Материалы и методы
С целью выявления и анализа существующей терминологии в сфере цифровиза-ции, а также моделирования объектов и процессов в образовании нами был проведен сравнительно-сопоставительный анализ литературы. Наиболее употребимыми в языке современных исследователей оказались такие понятия как цифровой след, цифровая тень, цифровой двойник, цифровая модель и цифровой профиль.
Для оценки объема деятельности, выполняемой в электронной информационно-образовательной среде СФУ было проведено анкетирование студентов. Эмпирической базой исследования выступили результаты анкетирования обучающихся по направлениям подготовки «Металлургия», «Информатика и вычислительная техника», «Информационная безопасность», «Прикладная информатика» в Сибирском федеральном университете. В анкетировании приняли участие 172 студентов первого и второго курса очной формы обучения. Целью анкетирования было определение видов используемых электронных ресурсов при обучении математическим дисциплинам, и частота их использования. Анкета содержала 9 вопросов различного формата: с множественным выбором, вопросы с ранжированием, вопросы открытого типа.
_Обзор источников
Понятие «цифровой след» описывает один из результатов взаимодействия пользователя с цифровым устройством, приложением или сетью Интернет. В литературе можно встретить следующие определения цифрового следа: данные о человеке, генерируемые при его взаимодействии с цифровыми устройствами [7]; вся совокупность данных, которые могут быть отнесены к конкретному человеку, сознательно или непреднамеренно генерируемых, накапливаемых и обрабатываемых с помощью внешних алгоритмов [8]; это информационный след, оставленный пользователями цифровых сервисов [9]. Цифровой след содержит в себе как информацию о самом пользователе (например, профиль в социальной сети), так и о действиях пользователя (переходах между страницами, публикации материалов и т.д.).
При этом можно выделить активный цифровой след - намеренно оставляемые пользователем данные (осознанная публикация контента) и пассивный цифровой след, собираемый различными системами в том числе и без ведома пользователя (данные из файлов cookie, данных геолокации, журналы регистраций действий пользователей).
Широкое применение информационно-коммуникационных технологий в сфере образования приводит к тому, что цифровой след обучающегося становится все более ценным источником информации о его активности, успеваемости, когнитивных особенностях и предпочтениях.
Многими исследователями отмечается важность изучения и интерпретации цифрового следа обучающихся: как в разных обучающих средах (МООК [10], ЭИОС вуза [11]), так и при разных формах обучения (в индивидуальном обучении [12], для мониторинга групповой образовательной деятельности [13]) кроме того предпринимаются
определенные шаги по регулированию и стандартизации сбора и использования такого рода информации. В качестве подтверждения можно привести «Стандарт цифрового следа», предложенный в 2019 г. Университетом 20.35 [https://standard.2035. university/]. В стандарте дается определение цифрового следа («Уникальный набор представленных в электронной форме данных о зафиксированных действиях, а также процессных, контекстных и иных обстоятельствах деятельности пользователя, групп пользователей или работы информационно-коммуникационных систем»), приводится типология данных, составляющих цифровой след, определяются возможные цели сбора и анализа цифрового следа, критерии качества цифрового следа, алгоритмы работы с цифровым следом.
Понятие «цифровая тень» часто идет рядом с понятием «цифровой след». На производстве под цифровой тенью понимают данные, которые позволяют моделировать исследуемый объект только в тех условиях, в которых эти данные собирались, чаще всего в нормальных [14]. В образовании под тенью понимают набор информации, которая создается автоматически используемой системой и не может быть контролируема пользователем напрямую [15]. В работе [16] автор выделяет основу цифровой тени - это информация, сформированная искусственным интеллектом об оценке текущего состояния объекта и его цифровое описание. Такое цифровое описание представляет неформализованную информацию о работе и функционировании объекта. Таким образом, цифровая тень по сути представляет собой пассивный цифровой след.
Также на сегодняшний день большое распространение получил термин «цифровой двойник». Наиболее широко цифровые двойники используются в бизнесе [14] и на производстве [16]. На производстве цифровой двойник устройства, процесса или системы включает в себя физические, логические и математическое модели исследуемого объекта, которые на основе исторических и текущих данных датчиков позволяют методами искусственного интеллекта моделировать состояние объекта и оптимизировать параметры в реальном времени. Цифровой двойник, построенный на основе непрерывно собираемых данных о работе устройств, позволяет решать физические проблемы оборудования на предприятиях и используется для оптимизации производственных процессов.
Область применения технологии цифровых двойников расширяется и на более че-ловекоориентированные сферы, в том числе на медицину [17] и образование [18].
В образовании цифровой двойник формируется на основе различных цифровых моделей. Под цифровой моделью обучающегося понимается формализованное множество фактов об обучаемом, которые могут описывать предпочтения, представления, навыки или действия, а также психические процессы [19; 20]. Цифровая модель обеспечивает фиксацию информации об обучающемся, фильтрацию и выбор необходимым данных для мониторинга и управления обучением, контроль индивидуальных характеристик студента и формируется образовательной программой в ходе образовательного процесса в электронной среде. Университет, обеспечивающий образовательный процесс за счет своей структуры, организации и управления, выступает образовательной системой. Отдельные цифровые модели позволяют создавать цифровых двойников для решения задач управления и принятия решения в образовании, представления образовательных процессов и их изучения в различных условиях.
При этом исследователи отмечают [21], что создание цифровых двойников в образовании - процесс весьма специфичный, так как требует оцифровки социальных объектов, наделенных, с одной стороны, технической и административной стабильностью конструкции, а с другой - всем тем, что принято обозначать понятием «человеческий фактор».
Следует отметить, что описанные выше понятия иерархически находятся на разных уровнях. Если цифровой след (и его частный случай, цифровая тень) - это всего лишь данные о субъектах и объектах образовательного процесса, зачастую не структурированные и не прошедшие предварительной обработки, то цифровая модель и цифровой двойник уже выступают инструментами, позволяющими решать те или иные задачи организации обучения.
Промежуточным звеном между этими уровнями можно считать цифровой профиль обучающегося - результат обработки и систематизации данных об обучающемся. Цифровой профиль включает в себя результаты обработки цифрового следа (в динамике, временной срез или же агрегированные показатели), личностные характеристики обучающегося [22], сведения о его предпочтениях [23], социально-демографические характеристики [24] и т.д.
В ходе анализа литературы нами были выявлены различные компоненты цифрового профиля обучающегося, которые активно используются для решения задач учебной аналитики, формирования образовательных траекторий и создания эффективной образовательной среды (см. табл. 1).
Таблица 1
Компоненты цифрового профиля обучающегося
Компонент Источник Конкретный показатель Исследования, в которых использовался показатель
1 текущие баллы за задания, тесты, контрольные работы электронные обучающие системы число выполненных заданий в курсе Bos N. & Brand-Gruwel S. [25], Jovanovic J. et al. [26], Macfadyen L.P. & Dawson S. [27]
2 баллы за выполнение заданий и производные от них показатели Bos N. & Brand-Gruwel S. [25], Siadaty M. et al. [28], Kustitskaya T.A. et al. [29], Озерова Г.П. и Павленко Г.Ф. [30], Токтарова В.И. и Пашкова Ю.А. [31]
3 интегральные показатели успеваемости или результаты промежуточной аттестации Bystrova T. et al. [10], Bos N. & Brand-Gruwel S. [25], Jovanovic J. et al. [26], Kustitskaya T.A. et al. [29], Токтарова В.И. и Пашкова Ю.А. [31]
4 итоговый результат обучения электронные обучающие системы, АИС Деканат, документы обучающихся (справки, копия зачетной итоговые баллы за курс Bos N. & Brand-Gruwel S. [25], Jovanovic J. et al. [26], Ташкинов Ю.А. [32]
5 книжки и т.д.) сертификат о завершении МООК Kizilcec R.F. et al. [33]
6 обращение к электронным учебным материалам журналы событий в электронных обучающих системах входы в LMS (суммарные или в единицу времени), общее время, проведенное в LMS Bos N. & Brand-Gruwel S. [25], Ornelas F. & Ordonez C [34], Aldunin D.A. [35]
7 число переходов в системе электронных курсов, число кликов (всего или в единицу времени) Bos N. & Brand-Gruwel S. [25], Siadaty M. et al. [27], Токтарова В.И. и Пашкова Ю.А. [31], Sousa-Viera M.E. et al. [36],
8 время проведенное за просмотром видео, число просмотренных видео Bos N. & Brand-Gruwel S. [25], Jovanovic J. et al. [26], Aldunin D.A. [35]
9 участие в дискуссиях, число отправленных сообщений, число постов на форумах Macfadyen & Dawson [27], Aldunin D.A. [35]
10 число обращений к прочим обучающим материалам или тестам (не к видео), время, потраченное на изучение размещенных в электронных курсах материалов Jovanovic J. et al. [26], Kustitskaya T.A. et al. [29], Kizilcec R.F. et al. [33]
11 число обращений к элементам учебной аналитики(например, дашбордам) Jovanovic J. et al. [26]
12 особенности выполнения заданий (своевременность, самостоятельность и т.д.) Озерова Г.П. и Павленко Г.Ф. [30]
13 активность при очном обучении журналы преподавателей, активность работы на очных занятиях Kustitskaya T.A.et al. [29]
14 оцениваемые вручную задания в электронных обучающих системах результат собеседований и ответов на вопросы на очных занятиях Озерова Г.П. и Павленко Г.Ф. [30]
15 психологические характеристики различные тесты темперамент, характер, коммуникабельность, самооценка и т.д. Головешкина Н.В. и Головешкин И.Д. [37], Маклаков А.Г. и Чесновицкая Е.А. [38], Кунаш М.А. [37], Broadbent J. [40], Хрисанфова Л.А. и Сибирякова И.А. [41]
16 когнитивные функции МоСа тест (монреальская шкала оценки когнитивных функций), MMSE тест (малая шкала оценки вербального статуса) и т.д. память и обучение, внимание и скорость обработки информации, праксис и моторная функция, вербальная функция, восприятие, общая когнитивная способность Шамионов Р.М. и др. [42], Kuznetsov V.V. et al. [43]
17 социально- демографические характеристики данные анкет и документов, опросники возраст, уровень образования, пол, наличие семьи (детей), достаток Nikcevic-Milkovic A. [44], Краснопеева Т.О. и др. [45]
18 медицинские характеристики данные анкет и документов, опросники наличие заболеваний Шамионов Р.М. и др. [42], Ахмадеева Л.Р. и др. [46]
Представленные в таблице 1 компоненты цифрового профиля, обучающегося можно разделить на две составляющие. Во-первых, это характеристики обучаемого, динамично изменяющиеся в ходе обучения, меняющие свою актуальность и значимость по мере появления нового образовательного опыта (показатели 1-14). Их текущее состояние можно описать с помощью цифрового следа. Во-вторых, это более статичные личностные характеристики - когнитивные, психологические, социально-демографические и медицинские (показатели 15-18).
_Результаты исследования
Разная природа, источники данных и жизненный цикл составляющих цифрового профиля предполагает применение различных подходов к их определению для обучающихся, к применению полученной информации для решения различных задач анализа процесса обучения и управления образованием. Поэтому целесообразно отдельно исследовать выделенные выше составляющие цифрового профиля, которые мы будем называть цифровым личностным портретом и цифровой образовательной историей. Предлагаемая нами структура цифрового профиля и его место в пирамиде цифровизации обучающегося изображены на рис. 1.
'Цифровой двойник
Цифровая модель
Цифровой профиль обучающегося
Цифровой след
Цифровая образовательная история
Текущая успеваемость Итоговый результат обучения Взаимодействие с ЭИОС Активность при очном обучении
Цифровой личностный профиль
Когнитивные функции Психологические характеристики Социально-демографические характеристики Медицинские характеристики
Рисунок 1 Структура цифрового профиля и его место в пирамиде цифровизации
обучающегося
Цифровым личностным портретом обучающегося будем называть совокупность цифровых представлений когнитивных функций, психологических, социально-демографических и медицинских характеристик обучающегося. Источниками данных в этом случае служат различные нейропсихологические тесты, данные опросников, а также различные источники личных данных обучающегося. Например, на сегодняшний день многими исследователями в области состояний когнитивной сферы применяют монреальский опросник MoCA (Montreal Cognitive Assessment - Монреальская шкала оценки когнитивных функций) [43]. С помощью монреальской шкалы можно эффективно оценить внимание, исполнительные функции, концентрацию, все виды памяти, зрительно-конструктивные навыки, языковые функции, ориентацию и счет, абстрактное мышление, языковые возможности.
Цифровая образовательная история обучающегося представляет собой многомерную структурированные динамически изменяющиеся данные об образовательной деятельности обучающегося и его текущих результатах обучения. Например, для студента вуза это могут быть как данные о его образовательной деятельности в школе (оценки в аттестате, баллы ЕГЭ, участие в олимпиадах), на дисциплинах предыдущих семестрах обучения в вузе и данные о текущей успеваемости и образовательном поведении. Туда же могут быть включены данные об обучении на курсах дополнительного образования, в том числе на внешних образовательных платформах.
Следует отметить, что цифровой личностный портрет обучающегося и цифровая образовательная история достаточно тесно связаны, что отмечено на схеме (см. рис 1). Вполне очевидно, что обучающийся взаимодействует с электронной средой (и, соответственно, пишет свою образовательную историю) исходя из своих личностных характеристик. Личностные характеристики оказывают непосредственное влияние на процессы познания, обучения и как следствие, на взаимодействие с электронной средой. В свою очередь, цифровая история (и цифровой след как ее источник) несут информацию о стиле обучения, который является проявлением личностных характеристик. Это позволяет решать отдельную научную задачу восстановления (верификации) личностных характеристик по данным цифровой образовательной истории.
В качестве примера решения такой обратной задачи можно привести работу [47]. Авторами было проведено следующее эмпирическое исследование: перед началом обучения по курсу студенты проходили опросник Биггса для оценки подходов студентов к обучению (глубокий / поверхностный), в процессе обучения собирался цифровой след в электронной обучающей системе. Затем была проведена кластеризация студентов по сходству их учебных сессий в электронной среде, и эти результаты были сопоставлены с заполненными анкетами Биггса. Авторы пришли к выводу, что в отличие от психометрического опросника, оценивающего еще не реализованные намерения студентов, цифровой след предоставляет информацию о намерениях, уже реализованных, а, следовательно, объединяя эти два подхода, можно получить разностороннюю информацию о стилях обучения. Вместе с тем, они указывают на некоторые сложности в интерпретации результатов анализа цифрового следа.
Несмотря на перспективность использования цифровой образовательной истории как источника данных о процессе обучения, следует понимать, что цифровая история, собираемая отдельными образовательными институтами (школами, вузами, платформами электронного обучения) не дает всесторонней информации для составления цифрового профиля обучающегося.
В работе [48] авторы провели опрос обучающихся МООК и выяснили, что значительная часть образовательной деятельности обучающихся не регистрируется платформой обучения - например, обращение к источникам в сети Интернет, к учебной литературе, обсуждение учебного материала вне платформы - с родственниками, коллегами.
Для вузов наиболее доступным источником цифровой образовательной истории можно считать электронные обучающие системы, которые являются основой большинства электронных информационно-образовательных сред в университетах Российской Федерации. Разные системы управления обучением имеют различные возможности
и функционал. Например, данные, которые хранят электронные обучающие системы на платформе Moodle, можно условно разделить на два типа: системная компонента обучения и персональная компонента. В системную входят сведения о содержании образовательных модулей и программ, наборах оценочных средств для дисциплин, контрольно-измерительные и справочные материалы, временные рамки доступа к различным элементам курса, критерии оценивания и др., то есть данные для обеспечения образовательного процесса. Персональная компонента хранит данные об образовательных результатах обучающегося и о действиях, предпринимаемых им в процессе обучения, в том числе информацию об оценках обучающихся за выполнения заданий в электронном курсе, содержании загруженных работ, тексты сообщений на форумах, а также различные события в курсе такие как обращение к элементу курса, время такого обращения, тип действия с элементом курса и т.д.
Почти все данные системы управления обучением хранятся в табличном виде, именно они становятся основным источником данных цифровой истории. Однако данные внутри системы управления обучением зачастую хранятся разнородно, например, если пользователь зарегистрирован в разных электронных курсах по дисциплинам, то каждый хранит свой журнал событий, при этом журнал событий хранит только данные о взаимодействии пользователя с курсом, а данные о результатах взаимодействия с элементами курсов и их изменения хранятся отдельно. Возникает необходимость объединения хранимых отдельно данных из систем управления обучением.
Cw W /- W
другой стороны, современный образовательный процесс реализуется не только внутри систем управления обучением, для обогащения учебной деятельности преподаватели используют различные сетевые приложения, позволяющие организовать одномоментную совместную работу, средства видеоконференцсвязи, инструменты общения в социальных сетях и т.д. Все приложения собирают цифровой след обучающегося в различных форматах: текстовом, аудио, видео, графическом. В качестве примеров приведем видеозапись Zoom-конференций, чат-лог Zoom, логи с информацией о голосовом взаимодействии в Discord, выгрузку виртуальной доски Idroo, медиа, загруженные пользователями в папки мероприятий Google meet, содержание совместно заполненных Google-таблиц, таблицы с результатами заполнения Google-форм. Все эти данные являются частью цифровой образовательной истории, однако для ее использования необходимо обеспечить универсальный способ сбора, преобразования и хранения данных. Становится очевидным ограниченность текущих возможностей по сбору цифровой образовательной истории даже в рамках образовательной деятельности по одной дисциплине.
_Результаты анкетирования
Основным электронным ресурсом, который используется в учебном процессе в СФУ является система электронного обучения «еКурсы» на базе LMS Moodle, тем не менее необходимо понимать, как часто в действительности студенты используют эту систему в образовательном процессе. На вопрос о частоте использования материалов электронного курса 80,3% респондентов ответило, что они «всегда» или «часто» пользуются системой «еКурсы».
Одной из причин почему студенты посещают курсы редко может быть недостаточное наличие учебного контента. Это подтвердили результаты анкетирования: чаще всего студентам недостаточно материалов практических занятий с разбором заданий (16,9%), видеоматериалов (8,2%), лекционных материалов (5,8%) при изучении математических дисциплин.
Действительно, часто имеющиеся курсы в системе электронного обучения СФУ недостаточно укомплектованы необходимыми материалами для свободного изучения дисциплины, что приводит к необходимости студента обращаться к дополнительным источникам. Такая необходимость «постоянно» или «часто» возникает у 29,07% респондентов. При этом никогда не возникает необходимости обращаться к дополнительным источникам только у 2,91% респондентов. Результаты ответа на этот вопрос представлены на рис. 2.
Какчасто у Вас возникает необходимость обращаться к дополнительным источникам при изучении математических дисциплин (помимо электронных курсов СФУ)?
2,91% 6,40%
22,09%
22,67% ■ Постоянно возникает
■ Часто возникает
■ Иногда возникает
■ Редко возникает
■ Не возникает
45,93%
Рисунок 2 Результаты анкетирования студентов для оценки объема деятельности, выполняемой в электронной информационно-образовательной среде вуза
Тремя самыми часто используемыми ресурсами, помимо электронных курсов СФУ, которые выделили респонденты при изучении математических дисциплин стали видеохостинги (85,5%), образовательное взаимодействие в малых группах (друзья, одногруппники, родственники, репетиторы - 62,2%) и обучающие форумы (45,3%). В вопросе, что же чаще всего используют студенты при изучении математических дисциплин: представленный учебный контент в электронных курсах или информацию из других открытых источников ответы респондентов разделились, однако общая тенденция к использованию дополнительных источников (44,2%) сохраняется.
Обсуждение результатов
Полученные нами результаты анкетирования подтвердили выводы упомянутого выше исследования [48], что на настоящий момент цифровая история не дает всесторонней информации о том, как именно проходит процесс обучения у конкретного студента.
Одной из причин этого является тот факт, что процесс обучения (познавательная деятельность обучающегося) может проходить вне предписанных систем (очных занятий и электронных курсов на платформе вуза), т.е. на внешних ресурсах, например, в социальных сетях, на форумах, специализированных веб-сайтах и т.д. В ходе нашего эмпирического исследования, мы обнаружили, что около 27 % опрошенных студентов СФУ постоянно или часто обращаются к источникам информации отличным от системы электронного обучения вуза. Очевидно, что такие данные могут весьма существенно дополнять данные, имеющиеся в системах образовательной организации и вносить значительный вклад в более точное описание цифрового профиля обучающегося. Однако, на данный момент вузы, как правило, не имеют технической возможности получать цифровой след из сторонних источников.
Решением данной проблемы может стать исследование внешних образовательных ресурсов, выделение наиболее значимых и дальнейшее сотрудничество с ними в плане предоставления данных об обучающихся.
Другим путем решения данной проблемы, которое было предложено в работе [49] и представляется нам более реалистичным, является создание экосистемы информационной и методической поддержки обучающихся. Важной особенностью такой экосистемы должен быть принцип нетворкинга (построения социальных сетей), где бы присутствовали как обучающиеся и преподаватели (ассистенты, тьюторы) курса, так и студенты, уже окончившие этот курс. Платформа общения должна стать естественным местом консультаций и взаимопомощи (в частности, играть роль форума), а также агрегатором ссылок на внешние ресурсы и обсуждения их практической пользы. Создание такой платформы сделало бы возможным непрерывный сбор дополнительных данных об образовательной активности студентов, в том числе на внешних ресурсах.
Сформированное представление о цифровизации обучающегося согласуется с работами [22; 24], однако благодаря систематизации накопленных данных удалось создать комплексное описание цифрового профиля обучающегося и выделить его компоненты (цифровой личностный портрет, цифровая образовательная история) для корректного выбора методов сбора, обработки, хранения и анализа образовательных данных.
Цифровая история является базой для решения задач, связанных с оптимизацией обучения (учебного процесса), как с точки зрения образовательной организации, так и с точки зрения обучающегося.
Такими задачами могут быть разработка систем оповещения об отклонениях от графика освоения определенной дисциплины, создание и внедрение систем поддержки успешности обучения на основе ансамблей прогнозных моделей, разработка систем построения гибких траекторий обучения, рекомендательных систем и систем поддержки непрерывного обучения (включая школьное, вузовское и послевузовское образование) и т.д.
Мы согласны с авторами [8], что следует обратить особое внимание на этичность использования образовательной истории для принятия управленческих решений. Образовательная история формируется из сырых данных цифрового следа, требующих серьезной предобработки перед проведением анализа и интерпретации (особенно это характерно для данных о действиях пользователей на электронных платформах). Используемые при такой предобработке алгоритмы и подходы к конструированию
признаков для моделей машинного обучения - существенный источник возможных искажений и потери информации. Таким образом, возникает опасность принятия некорректного решения на основе информации, не являющейся неоспоримым фактом, а выступающей продуктом многократной автоматической обработки и зачастую не вполне объективных интерпретаций.
Для решения данной проблемы, во-первых, важно обеспечить полную прозрачность процесса сбора данных, всех этапов принятия решений, связанных с образовательной деятельностью. Во-вторых, используемые при анализе данных модели должны быть интерпретируемыми для того, чтобы можно было выявлять причинно-следственные связи между характеристиками личностного профиля обучающегося, параметрами обучающей среды и процессом обучения. Наконец, принимаемые на основе образовательной истории решения должны носить рекомендательный, но не предписательный характер, который не ограничивает возможности субъектов образовательной деятельности.
Заключение
В данной работе решена задача описания и структурирования совокупности разнородных данных об обучающемся, составляющей единый объект, называемый цифровым образовательным профилем. В нем выделены две составляющие - цифровая образовательная история и цифровой личностный портрет. Отмечены возможные связи между ними. Определено место цифрового профиля обучающегося в цифрови-зации образования.
Введено и подробно описано понятие цифровой образовательной истории, которая представляет собой многомерные структурированные динамически изменяющиеся данные об образовательной деятельности обучающегося и его текущих результатах обучения. Эти данные могут иметь значение для моделирования обучающегося (процессов освоения им учебного материала, овладения компетенциями, уровней сформирован-ности образовательных результатов и т.д.), и, в последствии, создания цифрового двойника. Кроме этого, обозначены перспективы применения цифровой образовательной истории, описаны проблемы, связанные со сбором, структурированием, использованием данных об обучающихся и предложены их возможные решения.
В качестве следующей задачи планируется более подробно рассмотреть другой выделенный в работе компонент цифрового профиля обучающегося - цифровой личностный портрет, исследовать связи между характеристиками цифрового личностного портрета и цифровой образовательной истории, выявить возможности определения когнитивных, психологических и социальных характеристик обучающегося из данных его цифрового следа.
_Финансирование
Исследование выполнено при финансовой поддержке гранта РНФ, проект № 2228-00413.
ЛИТЕРАТУРА
1. Communication from the Commission to the European Parliament, The Council, The European Economic And Social Committee and the Committee of the Regions. Digital Education Action Plan 2021-2027. Resetting education and training for the digital age. 2020. 20 p.
2. Siemens G., Gasevic D. Guest editorial-learning and knowledge analytics. // Journal of Educational Technology & Society. 2012. vol. 15. no. 3. pp. 1-2.
3. Shum S.B. Learning analytics [policy brief]. UNESCO Institute for Information Technology in Education. 2012. 12 p.
4. Fong A.C.M., Zhou B., Hui S.C., Hong G.Y. Web content recommender system based on consumer behavior modeling // IEEE Transactions on Consumer Electronics. 2011. vol. 57. no. 2. pp. 962-969.
5. Yoshida T., Hasegawa M., Gotoh T., Iguchi H., Sugioka K., Ikeda K.I. Consumer behavior modeling based on social psychology and complex networks // The 9th IEEE International Conference on E-Commerce Technology and The 4th IEEE International Conference on Enterprise Computing, E-Commerce and E-Services (CEC-EEE 2007). IEEE, 2007. pp. 493-494.
6. Kim S., Jiang J.Y., Nakada M., Han J., Wang W. Multimodal post attentive profiling for influencer marketing // Proceedings of The Web Conference 2020. 2020. pp. 2878-2884.
7. Hakimi L., Eynon R., Murphy V.A. The Ethics of Using Digital Trace Data in Education: A Thematic Review of the Research Landscape // Review of Educational Research. 2021. pp. 00346543211020116
8. Balyakin A.A., Mamonov M.V., Nurbina M.V., Taranenko S.B. Digital Footprint and Education: Some Remarks // Perspectives and Trends in Education and Technology. 2022. pp. 485-493. doi: 10.1007/978-981-16-5063-5_40
9. Songsom N., Nilsook P., Wannapiroon P. The synthesis of the student relationship management system using the internet of things to collect the digital footprint for higher education institutions // International Journal of Online & Biomedical Engineering. 2019. vol. 15. no. 6.
10. Bystrova T., Larionova V., Sinitsyn E., Tolmachev A. Learning analytics in massive open online courses as a tool for predicting learner performance // Вопросы образования. 2018. №. 4. C. 139-166. doi: 10.17323/1814-95452018-4-139-166
11. Степаненко А.А., Фещенко А.В. «Цифровой след» студента: поиск, анализ, интерпретация // Открытое и дистанционное образование. 2017. № 4 (68). С. 58-62. doi: 10.17223/16095944/68/9
12. Galimova E.G., Konysheva A.V., Kalugina O.A., Sizova, Z. M. Digital educational footprint as a way to evaluate the results of students' learning and cognitive activity in the process of teaching mathematics // Eurasia Journal of Mathematics, Science and Technology Education. 2019. vol. 15. no. 8. doi: 10.29333/ejmste/108435
13. Курзаева Л.В., Савва Л.И., Назарова Е.К., Корнев Р. Анализ цифрового следа обучающихся для мониторинга групповых проектов в системе дистанционного обучения в вузе // Мир науки. Педагогика и психология. 2021. Т. 9. № 5.
14. Кокорев Д.С., Юрин А.А. Цифровые двойники: понятие, типы и преимущества для бизнеса // Colloquium-journal. 2019. № 10-2(34). С. 101-104.
15. Дорохина Р.В. Лавренов С.В. Этические проблемы цифровизации в системе образования // Век глобализации. 2021. № 2(38). С. 118-123. doi: 10.30884/vglob/2021.02.10
16. Петров А.В. Имитация как основа технологии цифровых двойников // Вестник Иркутского государственного технического университета. 2018. Т. 22. №. 10 (141). С. 56-66. doi: 10.21285/1814-3520-2018-10-56-66
17. Крамм М.Н., Безбородова О.Е., Бодин О.Н., Светлов А.В. Цифровой двойник сердца // Измерения. Мониторинг. Управление. Контроль. 2021. № 1. С. 73-84. doi: 10.21685/2307-5538-2021-1-9
18. Цифровые двойники знаний и онтологии для высшего технологического образования / Ю.И. Волокитин, О.В. Гринько, В.П. Куприяновский, А.В. Корзун, А.А. Алмазов, О.Н. Покусаев, М.Г. Жабицкий // International Journal of Open Information Technologies. 2021. Т. 9, № 1. С. 128-144.
19. Растригин Л.А., Эренштейн М.Х. Адаптивное обучение с моделью обучаемого. Рига: Зинатне. 1988. 160 с.
20. Self J., Paiva A. Learner Model Reson Maintenance System // Lancaster University Press. 1993. vol. 3. pp. 23-31.
21. Вихман В.В., Ромм М.В. «Цифровые двойники» в образовании: перспективы и реальность // Высшее образование в России. 2021. Т. 30. № 2. С. 22-32. doi: 10.31992/0869-3617-2021-30-2-22-32
22. Nafea S.M., Siewe F., He Y. A novel algorithm for dynamic student profile adaptation based on learning styles // Proceedings of SAI Intelligent Systems Conference. 2019. pp. 29-51. doi: 10.1007/978-3-030-29516-5_4
23. Ameen A., Khan K.U.R., Rani B.P. Ontological student profile // Proceedings of the Second International Conference on Computational Science, Engineering and Information Technology. 2012. pp. 466-471. doi 10.1145/2393216.2393294
24. Hamim T., Benabbou F., Sael N. Toward a Generic Student Profile Model // The Proceedings of the Third International Conference on Smart City Applications. 2019. pp. 200-214. doi: 10.1007/978-3-030-37629-1_16
25. Bos N., Brand-Gruwel S. Student differences in regulation strategies and their use of learning resources: implications for educational design // Proceedings of the Sixth international Conference on learning Analytics & knowledge. 2016. pp. 344-353. doi: 10.1145/2883851.2883890
26. Jovanovic J., Gasevic D., Dawson S., Pardo A., Mirriahi N. Learning analytics to unveil learning strategies in a flipped classroom // The Internet and Higher Education. 2017. vol. 33. no. 4. pp. 74-85. doi: 10.1016/j.iheduc.2017.02.001
27. Macfadyen L. P., Dawson S. Mining LMS data to develop an «early warning system» for educators: A proof of concept // Computers & education. 2010. vol. 54. no. 2. pp. 588-599. doi: 10.1016/j.compedu.2009.09.008
28. Siadaty M., Gasevic D., Hatala M. Associations between technological scaffolding and micro-level processes of
self-regulated learning: A workplace study // Computers in Human Behavior. 2016. vol. 55. pp. 1007-1019. doi: 10.1016/j.chb.2015.10.035
29. Kustitskaya T.A., Kytmanov A.A., Noskov M.V. Early Student-at-Risk Detection by Current Learning Performance and Learning Behavior Indicators // Cybernetics and Informational Technologies. 2022. vol. 22. no. 1. pp. 117-133. doi: 10.2478/cait-2022-0008
30. Озерова Г.П., Павленко Г.Ф. Прогнозирование успешности студентов при смешанном обучении с использованием данных учебной аналитики // Science for Education Today. 2019. Т. 9. №. 6. С. 73-87. doi: 10.15293/2658-6762.1906.05
31. Токтарова В.И., Пашкова Ю.А. Предиктивная аналитика в цифровом образовании: анализ и оценка успешности обучения студентов // Сибирский педагогический журнал. 2022. № 1. С.97-106. doi 10.15293/18134718.2201.09.
32. Ташкинов Ю.А. Технология прогнозирования образовательных результатов студентов строительного вуза средствами компьютационной педагогики // Интеграция образования. 2020. Т. 24. № 3. С. 483-500. doi 10.15507/1991-9468.100.024.202003.483-500
33. Kizilcec R.F., Pérez-Sanagustín M., Maldonado J.J. Self-regulated learning strategies predict learner behavior and goal attainment in Massive Open Online Courses // Computers & education. 2017. vol. 104. pp. 18-33. doi: 10.1016/j.compedu.2016.10.001
34. Ornelas F., Ordonez C. Predicting student success: A Naïve Bayesian application to community college data // Technology, Knowledge and Learning. 2017. vol. 22. no. 3. pp. 299-315. doi: 10.1007/s10758-017-9334-z
35. Aldunin D.A. Application of the adaptive content concept for an e-learning resource // Business Informatics. 2016. vol. 38 no. 4. pp. 27-34. doi: 10.17323/1998-0663.2016.4.27.34.
36. Sousa-Vieira M.E., López-Ardao J.C., Fernández-Veiga M., Ferreira-Pires O., Rodríguez-Pérez M., Rodríguez-Rubio R.F. Prediction of learning success/failure via pace of events in a social learning network platform // Computer Applications in Engineering Education. 2018. vol. 26. no. 6. pp. 2047-2057. doi: 10.1002/cae.21976
37. Головешкина Н.В., Головешкин И.Д. Взаимосвязь индивидуально-психологических характеристик студентов и мотивация их обучения // Вестник Ленинградского государственного университета им. А.С. Пушкина. 2008. № 2. С. 48-83.
38. Маклаков А.Г., Чесновицкая Е.А. Социально-психологические детерминанты успешности обучения учащихся средних классов общеобразовательной школы: ретроспективное исследование // Вестник Ленинградского государственного университета им. А. С. Пушкина: научный журнал. 2013. Т. 5. №. 3. С. 38-48.
39. Кунаш М.А. Психолого-педагогические аспекты формирования познавательной компетентности старших подростков // Вестник Северного (Арктического) федерального университета. Серия: Гуманитарные и социальные науки. 2014. №. 1. С. 141-146.
40. Broadbent J. Academic success is about self-efficacy rather than frequency of use of the learning management system // Australasian Journal of Educational Technology. 2016. vol. 32. no. 4. doi:10.14742/ajet.2634
41. Хрисанфова Л.А., Сибирякова И.А. Индивидуально-психологические особенности и особенности мотивационной сферы представителей различных профессиональных направленностей // Вестник Костромского государственного университета. Серия: Педагогика. Психология. Социокинетика. 2020. Т. 26, № 1. С. 72-76. doi: 10.34216/2073-1426-2020-26-1-72-76.
42. Шамионов Р.М., Григорьева М.В., Гринина Е.С., Созонник А.В., Роль характеристик личности и социальной активности в академической адаптации студентов университета с хроническими заболеваниями // Клиническая и специальная психология. 2021. Т. 10, № 3. С. 181-207. doi10.17759/cpse.2021100310.
43. Kuznetsov V.V., Kosilov K.V., Kostina E.Yu., Karashchuk E.V., Fedorishcheva E.K., Barabash O.A. Cognitive status and health-related quality of life for medical students // Research and Practical Medicine Journal. 2021. vol. 8. no. 1. pp. 85-96. doi: 10.17709/2409-2231-2021-8-1-9
44. Nikcevic-Milkovic A. Skolsko postignuce i zadovoljstvo skolom, s obzirom na osobne znacajke, strategije ucenja i koristenje digitalnih medija u ucenju // Suvremena psihologija. 2019. vol. 22. no. 1. pp. 5-26. doi: 10.21465/2019-SP-221-01
45. Краснопеева Т.О., Шевченко А.И., Гураль С.К. Проектирование индивидуальных образовательных траекторий в информационной образовательной среде // Язык и культура. 2020. № 51. C. 153-176. doi: 10.17223/19996195/51/8
46. Ахмадеева Л.Р., Ефимова Е.С., Юлдашев В.Л., Сердюченко Ю.И., Ахмадеева Э.Н. Психологические характеристики студента, которые необходимо учитывать для его успешного методического сопровождения при обучении в ВУЗе // Практическая медицина. 2020. Т. 18. № 5. С. 136-139 doi: 10.32000/2072-1757-20205-136-139
47. Gasevic D., Jovanovic J., Pardo A., Dawson S. Detecting learning strategies with analytics: Links with self-reported measures and academic performance // Journal of Learning Analytics. 2017. vol. 4. no. 2. pp. 113-128 doi: 10.18608/jla.2017.42.10
48. Veletsianos G., Reich J., Pasquini L. A. The life between big data log events: Learners' strategies to overcome challenges in MOOCs // AERA Open. 2016. vol. 2. no. 3. doi: 10.1177/2332858416657002
49. Пермяков О.Е., Китин Е.А. Методология стратегического планирования развития образовательных экосистем // Управленческое консультирование. 2020. №. 11 (143). С. 119-129. doi: 10.22394/1726-1139-2020-11-119129
REFERENCES
1. European Commission (2020). Communication from the Commission to the European Parliament, The Council, The European Economic And Social Committee and the Committee of the Regions. Digital Education Action Plan 20212027. Resetting education and training for the digital age.
2. Siemens G., Gasevic D. (2012). Guest editorial-learning and knowledge analytics. Journal of Educational Technology & Society, 15(3), 1-2.
3. Shum S.B. (2012). Learning analytics [policy brief]. UNESCO Institute for Information Technology in Education.
4. Fong A.C.M., Zhou B., Hui S.C., Hong G.Y. (2011). Web content recommender system based on consumer behavior modeling. IEEE Transactions on Consumer Electronics, 57(2), 962-969.
5. Yoshida T., Hasegawa M., Gotoh T., Iguchi H., Sugioka K., Ikeda K.I. (2007). Consumer behavior modeling based on social psychology and complex networks. The 9th IEEE International Conference on E-Commerce Technology and The 4th IEEE International Conference on Enterprise Computing, E-Commerce and E-Services (CEC-EEE 2007), IEEE, 493-494.
6. Kim S., Jiang J.Y., Nakada M., Han J., Wang W. (2020). Multimodal post attentive profiling for influencer marketing. Proceedings of The Web Conference, 2020, 2878-2884.
7. Hakimi, L., Eynon, R., & Murphy, V. A. (2021). The ethics of using digital trace data in education: A thematic review of the research landscape. Review of Educational Research, 91(5), 671-717.
8. Balyakin A.A., Mamonov M.V., Nurbina M.V., Taranenko S.B. (2022). Digital Footprint and Education: Some Remarks. In: Mesquita A., Abreu A., Carvalho J.V. (eds) Perspectives and Trends in Education and Technology. Smart Innovation, Systems and Technologies, vol 256. Springer, Singapore. doi: 10.1007/978-981-16-5063-5_40
9. Songsom N., Nilsook P., Wannapiroon P. (2019). The synthesis of the student relationship management system using the internet of things to collect the digital footprint for higher education institutions. International Journal of Online & Biomedical Engineering, 15(6). doi: 10.3991/ijoe.v15i06.10173
10. Bystrova T., Larionova V., Sinitsyn E., Tolmachev A. (2018). Learning analytics in massive open online courses as a tool for predicting learner performance. Educational Studies Moscow, 4, 139-166. doi: 10.17323/1814-9545-20184-139-166
11. Stepanenko A.A., Feshchenko A.V. (2017). Digital footprint of the student: search, analysis, interpretation. Otkrytoe i distancionnoe obrazovanie - Open and distance education, 68(4), 58-62. (In Russ.) doi: 10.17223/16095944/68/9
12. Galimova E.G., Konysheva A.V., Kalugina O.A., Sizova, Z.M. (2019). Digital educational footprint as a way to evaluate the results of students' learning and cognitive activity in the process of teaching mathematics. Eurasia Journal of Mathematics, Science and Technology Education, 15(8). doi: 10.29333/ejmste/108435
13. Kurzaeva L.V., Savva L.I., Nazarova E.K. Kornev R. (2021). Analysis of the digital footprint of students for monitoring group projects in the distance learning system at the university. World of Science. Pedagogy and psychology, 9(5). (In Russ.)
14. Kokorev D., Yurin A. (2019). Digital twins: concept, types and benefits for business. Colloquium-journal, 34(10-2), 101-104. (In Russ.)
15. Dorohina R.V., Lavrenov S.V. (2021). Ethical problems of digitalization in the education system. Vek globalizatsii -Century of globalization, 38(2), 118-123. (In Russ.) doi: 10.30884/vglob/2021.02.10
16. Petrov A.V. (2018). Simulation as the basis of digital twin technology. Proceedings of Irkutsk state technical university, 22(10), 56-66. (In Russ.) doi: 10.21285/1814-3520-2018-10-56-66
17. Kramm M.N., Bezborodova O.E., Bodin O.N., Svetlov A.V. (2021). Digital heart double. Izmereniya. Monitoring. Upravlenie. Kontrol' = Measurements. Monitoring. Management. Control, 1, 73-84. (In Russ.). doi: 10.21685/23075538-2021-1-9
18. Volokitin Y., Grinko O., Kupriyanovsky V., Korzun A., Almazov A., Pokusaev O., Zhabitskii M. (2021). Digital twins of knowledge and ontologies for higher technology education. International Journal of Open Information Technologies, 9(1), 128-144. (In Russ.)
19. Rastrigin L.A., Erenshtejn M.H. (1988). Adaptive learning with a learner model. Riga, Zinatne, 160. (In Russ.).
20. Self J., Paiva A. (1993). Learner Model Reson Maintenance System. Lancaster University Press, 3, 23-31.
21. Vikhman, V.V., Romm, M.V. (2021). Digital twins in Education: Prospects and Reality. Vysshee obrazovanie v Rossii = Higher Education in Russia, 30(2), 22-32. (In Russ.) doi: 10.31992/0869-3617-2021-30-2-22-32
22. Nafea S.M., Siewe F., He Y. (2019). A novel algorithm for dynamic student profile adaptation based on learning styles. Proceedings of SAI Intelligent Systems Conference, 29-51. doi: 10.1007/978-3-030-29516-5_4
23. Ameen A., Khan K.U.R.,Rani B.P. (2012). Ontological student profile. Proceedings oftheSecond International Conference on Computational Science, Engineering and Information Technology, 466-471. doi: 10.1145/2393216.2393294
24. Hamim T., Benabbou F., Sael N. (2019). Toward a Generic Student Profile Model. The Proceedings of the Third International Conference on Smart City Applications, 200-214. doi: 10.1007/978-3-030-37629-1_16
25. Bos N., Brand-Gruwel S. (2016). Student differences in regulation strategies and their use of learning resources: implications for educational design. Proceedings of the Sixth international Conference on learning Analytics & knowledge, 344-353. doi: 10.1145/2883851.2883890
26. Jovanovic J., Gasevic D., Dawson S., Pardo A., Mirriahi N. (2017). Learning analytics to unveil learning strategies in a flipped classroom. The Internet and Higher Education, 33(4), 74-85. doi: 10.1016/j.iheduc.2017.02.001
27. Macfadyen L. P., Dawson S. (2010). Mining LMS data to develop an «early warning system» for educators: A proof of concept. Computers & education, 54(2), 588-599. doi: 10.1016/j.compedu.2009.09.008
28. Siadaty M., Gasevic D., Hatala M. (2016). Associations between technological scaffolding and micro-level processes of self-regulated learning: A workplace study. Computers in Human Behavior, 55, 1007-1019. doi: 10.1016/j. chb.2015.10.035
29. Kustitskaya T.A., Kytmanov A.A., Noskov M.V. (2022). Early Student-at-Risk Detection by Current Learning Performance and Learning Behavior Indicators. Cybernetics and Informational Technologies, 22(1), 117-133. doi: 10.2478/cait-2022-0008
30. Ozerova G. P., Pavlenko G. F. (2019). Prediction of student performance in blended learning utilizing learning analytics data. Science for Education Today, 9(6), 73-87. (In Russ.). doi: 10.15293/2658-6762.1906.05
31. Toktarova, V. I., Pashkova, Y. A., (2022). Predictive Analytics in Digital Education: Analysis and Evaluation of Students' Learning Success. Siberian Pedagogical Journal, 1, 97-106. (In Russ.). doi 10.15293/1813-4718.2201.09
32. Tashkinov Ju.A. (2020). Forecasting Construction Engineering Students' Learning Outcomes by Means of Computational Pedagogys. Integratsiya obrazovaniya = Integration of Education, 24(3), 483-500. (In Russ.). doi 10.15507/1991-9468.100.024.202003.483-500
33. Kizilcec R.F., Pérez-Sanagustín M., Maldonado J.J. (2017). Self-regulated learning strategies predict learner behavior and goal attainment in Massive Open Online Courses. Computers & Education, 104, 18-33. doi: 10.1016/j. compedu.2016.10.001
34. Ornelas F., Ordonez C. (2017). Predicting student success: A Naïve Bayesian application to community college data. Technology, Knowledge and Learning, 22(3), 299-315. doi: 10.1007/s10758-017-9334-z
35. Aldunin D.A. (2016). Application of the adaptive content concept for an e-learning resource. Business Informatics, 38(4), 27-34. doi: 10.17323/1998-0663.2016.4.27.34.
36. Sousa-Vieira M.E., López-Ardao J.C., Fernández-Veiga M., Ferreira-Pires O., Rodríguez-Pérez M., Rodríguez-Rubio R.F. (2018). Prediction of learning success/failure via pace of events in a social learning network platform. Computer Applications in Engineering Education, 26(6), 2047-2057. doi: 10.1002/cae.21976
37. Goloveshkina N.V., Goloveshkin I.D. (2008). The relationship of individual psychological characteristics of students and the motivation for their learning. Pushkin Leningrad state university journal, 2, 48-83. (In Russ.).
38. Maklakov A.G., Chesnovitskaya E.A. (2013). Social-psychological determinants of educational success of pupils in middle classes: retrospective study. Pushkin Leningrad state university journal, 5(3), 38-48. (In Russ.).
39. Kunash M.A. (2014). Psychological and pedagogical aspects of forming cognitive competence in older teenagers. Vestnik of Northern (Arctic) Federal university. Series: humanitarian and social sciences, 1, 141-146. (In Russ.).
40. Broadbent J. (2016). Academic success is about self-efficacy rather than frequency of use of the learning management system. Australasian Journal of Educational Technology, 32(4), doi:10.14742/ajet.2634
41. Khrisanfova L.A., Sibiryakova I.A. (2020). Psychological characteristics and features of the motivational sphere of representatives of various professional orientations. Vestnik of Kostroma State University. Series: Pedagogy. Psychology. Sociokinetics, 26(1), 72-76 (In Russ.). doi: 10.34216/2073-1426-2020-26-1-72-76.
42. Shamionov R.M., Grigorieva M.V., Grinina E.S. et al. (2021). The Role of Personality Characteristics and Social Activity in the Academic Adaptation of University Students with Chronic Diseases. Clinical Psychology and Special Education, 3 (10), 181-207. (In Russ.). doi: 10.17759/ cpse.2021100310
43. Kuznetsov V.V., Kosilov K.V., Kostina E.Yu., Karashchuk E.V., Fedorishcheva E.K., Barabash O.A. (2021). Cognitive status and health-related quality of life for medical students. Research and Practical Medicine Journal, 8(1), 85-96. doi: 10.17709/2409-2231-2021-8-1-9
44. Nikcevic-Milkovic A. (2019). Skolsko postignuce i zadovoljstvo skolom, s obzirom na osobne znacajke, strategije ucenja i koristenje digitalnih medija u ucenju. Suvremenapsihologija, 22(1), 5-26. doi: 10.21465/2019-SP-221-01
45. Krasnopeeva T.O., Shevchenko A.I., Gural S.K. (2020). Design of individual educational trajectories in the information educational environment. Language and Culture, 51, 153-176. doi: 10.17223/19996195/51/8
46. Akhmadeeva L.R., Efimova E.S., Yuldashev V.L., Serdyuchenko Yu.I., Akhmadeeva E.N. (2020). Psychological characteristics of a student to be accounted for successful methodological support of university studies. Practical medicine, 18(5), 136-139. (In Russ.) doi: 10.32000/2072-1757-2020-5-136-139
47. Gasevic D., Jovanovic J., Pardo A., Dawson S. (2017). Detecting learning strategies with analytics: Links with self-reported measures and academic performance. Journal of Learning Analytics, 4(2), 113-128 doi: 10.18608/ jla.2017.42.10
48. Veletsianos G., Reich J., Pasquini L.A. (2016). The life between big data log events: Learners' strategies to overcome challenges in MOOCs. AERA Open, 2(3). doi: 10.1177/2332858416657002
49. Permyakov O.E., Kitin E.A. (2020). Methodology of strategic planning for the development of educational ecosystems. Administrative consulting, 11, 119-129. doi: 10.22394/1726-1139-2020-11-119-129
Perspectives of Science & Education. 2022, Vol. 59, No. 5
Информация об авторах Information about the authors
Есин Роман Витальевич Roman V. Yesin
(Россия, Красноярск) (Russia, Krasnoyarsk)
Кандидат педагогических наук, доцент кафедры Cand. Sci. (Educ.), Associate Professor of Applied
прикладной математики и компьютерной Mathematics and Computer Security Department
безопасности Siberian Federal University
Сибирский федеральный университет E-mail: [email protected]
E-mail: [email protected] ORCID ID: 0000-0002-9682-4690
ORCID ID: 0000-0002-9682-4690 Scopus Author ID: 57211472595
Scopus Author ID: 57211472595 ResearcherID: Q-1998-2017
ResearcherID: Q-1998-2017
Tatiana V. Zykova
Зыкова Татьяна Викторовна (Russia, Krasnoyarsk)
(Россия, Красноярск) Associate Professor, Cand. Sci. (Phys.-Math.),
Доцент, кандидат физико-математических наук, Associate Professor of Applied Mathematics and
доцент кафедры прикладной математики и Computer Security Department
компьютерной безопасности Siberian Federal University
Сибирский федеральный университет E-mail: [email protected]
E-mail: [email protected] ORCID ID: 0000-0002-7332-2372
ORCID ID: 0000-0002-7332-2372 Scopus Author ID: 57188699496
Scopus Author ID: 57188699496 ResearcherID: D-4765-2018
ResearcherID: D-4765-2018
Tatiana A. Kustitskaya
Кустицкая Татьяна Алексеевна (Russia, Krasnoyarsk)
(Россия, Красноярск) Cand. Sci. (Phys.-Math.), Associate Professor of Applied
Кандидат физико-математических наук, доцент Mathematics and Computer Security Department
кафедры прикладной математики и компьютерной Siberian Federal University
безопасности Сибирский федеральный университет E-mail: [email protected]
E-mail: [email protected] ORCID ID: 0000-0001-9854-1259
ORCID ID: 0000-0001-9854-1259 Scopus Author ID: 56328269800
Scopus Author ID: 56328269800 ResearcherID: E-3007-2018
ResearcherID: E-3007-2018
Alexey A. Kytmanov
Кытманов Алексей Александрович (Russia, Krasnoyarsk)
(Россия, Красноярск) Dr. Sci. (Phys.-Math.), Head of Applied Mathematics
Доктор физико-математических наук, заведующий and Computer Security Department, Siberian Federal
кафедрой прикладной математики и компьютерной University
безопасности Сибирский федеральный университет E-mail: [email protected]
E-mail: [email protected] ORCID ID: 0000-0003-3325-099X
ORCID ID: 0000-0003-3325-099X Scopus Author ID: 6602129708
Scopus Author ID: 6602129708 ResearcherID: K-7432-2012
ResearcherID: K-7432-2012
584
