Аналитика учебной деятельности

«Аналитика» – это термин, используемый в бизнесе и науке, относящийся к сбору цифровых данных, способствующих принятию решения. Организации обладают все более чувствительной «цифровой нервной системой». Такая система обеспечивает обратную связь в реальном времени по отношению к внешней среде и результатам действий. Аналитика учебной деятельности приспосабливает эту систему к среде обучения: как должна выглядеть цифровая нервная система, когда внимание сфокусировано на результатах учебной деятельности, и какой необходим мозг или коллективный разум для интерпретации сигналов и адаптации поведения системы.

Большие данные и аналитика учебной деятельности

В то время как люди и устройства все чаще связываются онлайн, общество генерирует записи цифровых данных в невероятных объемах, беспрецедентных в человеческой истории. Социальная инженерия, сетевые устройства, операции электронного бизнеса, мобильные компьютерные среды, портативные сенсоры, документирующие «каждый шаг», анализаторы внешней среды производят миллиарды событий в секунду, многие из которых сохраняются для дальнейшего анализа либо могут быть проанализированы как поток данных в реальном времени. Термин «большие данные» используется для отражения того, что количественное изменение этой величины в действительности является изменением качественным, требующим новых способов мышления и новых видов человеческой и технической инфраструктуры. Это создает массу возможностей и перспектив как для общества в целом, так и для организаций, стремящихся упорядочить эти данные. В пределах коммерческих секторов образуется сфера бизнес-аналитики (БА), стремящаяся оборудовать учреждения так, чтобы они могли идентифицировать значимые виды данных с помощью множества технологий, включая интеграцию данных, сбор данных, прогнозное моделирование и информационную визуализацию. Надлежащее создание такой инфраструктуры требует высшего руководства наряду с сотрудничеством и обучением при поддержке «центров БА». Исследователи выделяют в образовательном сегменте большие данные в сферах: игрового моделирования, автоматизированных систем онлайн опросов и сбора образовательных данных, коллективного компьютерного обучения и интеллектуальных систем обучения / адаптивных гипермедиа, информационной визуализации, компьютерной лингвистики, а также анализа социальных сетей.

Структура учебной аналитики

Понятие «аналитика учебной деятельности» появилось в обществе в результате попыток понять значения этих событий с целью анализа данных по результатам оценивания учебной деятельности и улучшения систем обучения. Возникающий диалог выходит далеко за пределы технологий (учебных и коммерческих) и включает в себя как сам процесс образования, так и исследователей, руководителей и высших должностных лиц, практикующих педагогов, организационных администраторов, разработчиков учебного курса, продавцов продукта и, конечно же, самих учеников (которые часто являются первыми пользователями новых облачных приложений с доступными данными, а также основными потребителями определенных видов аналитики учебной деятельности). В связи с этим различают три уровня учебной аналитики.

Аналитика макроуровня. Обеспечивает анализ между учебными заведениями, например, посредством исследований «развитости» текущих методов или улучшения доступа к данным в масштабе государства, к стандартизированным оценочным данным в ходе всего обучения студентов. Макроанализ будет происходить в режиме реального времени с использованием большого количества данных из центрального и микроуровней.

Аналитика центрального уровня. Действует на уровне учебных заведений. В том смысле, что образовательные учреждения разделяют общие бизнес-процессы и могут рассматриваться в качестве нового сектора рынка БА как способные эффективно приспособить свои инструменты к банкам обобщенных данных. Функцией БА является оптимизация бизнес-процессов, частично мотивирующих создание «университетской аналитики», и можно наблюдать сообщества БА в образовательных организациях со своей собственной технологией исследования.

Аналитика микроуровня способствует отслеживанию и интерпретации данных на уровне процесса отдельных учеников и групп. Эти данные представляют особый интерес для самих учеников и для тех, кто отвечает за их успех, поскольку он может обеспечить самый подробный уровень детализации в максимально короткий срок. Соответственно, эти данные являются наиболее индивидуальными, поскольку (в зависимости от платформ) они могут выявить онлайн активность в учебной ИКТ среде, физическую активность в мобильных сетях, в системе геолокации, социальную активность (посещение электронных библиотек, интернет-магазинов, социальных и медиа сетей).

Мы являемся свидетелями интеграции и взаимного обогащения между этими слоями аналитики. Слияние компаний и партнерские отношения демонстрируют продукты бизнес-аналитики интегрированного делового мира с направленной передачей и платформами социального обучения, отслеживающими активность пользователя на микроуровне. Формирование таких больших массивов данных делает возможным идентификацию и проверку эффективности различных оценок. Другими словами, широта и глубина на макро и центральном уровнях увеличивает мощность микроаналитики.

Например, EDUCAUSE создает ценный банк ресурсов и семинаров для преподавателей/специалистов/ИКТ-администраторов. Синтез появляющихся тенденций EDUCAUSE в 2012 году определяет три вида параметров и индикаторов прогнозирования (Диспозиция, Действие и исполнение и Предметы учащихся), ключевая роль визуализации заключается в поддержке осмысления развития образования и вмешательств со стороны ИКТ (автоматические и автоматизированные системы аналитики).

Преимущества микроуровня:

· Выявление учеников, входящих в группу риска, и обеспечение их поддержки.

· Понимание учениками их собственных траекторий обучения и рекомендации для их совершенствования.

Преимущества центрального уровня:

· Улучшение процессов принятия решений руководством и организационное распределение ресурсов.

· Более прозрачные данные и анализ создают общее понимание успехов и проблем учреждения.

· Улучшение понимания сложных проблем посредством комбинаций аналитики (например, социальных, технических и информационных сетей).

· Целостное принятие решений посредством лучшего понимания воздействия различных переменных.

· Повышение организационной эффективности за счет актуальной информации и возможности быстро реагировать на проблему.

· Помощь лидерам в определении материальных (например, патенты, исследования) и моральных (например, репутация, профиль, качество обучения) показателей деятельности преподавательского состава.

Преимущества макроуровня:

· Возможность преобразовать систему колледжа/университета, а также применить новые академические модели и педагогические подходы.

Аналитика в онлайн учебных платформах

Концепция. Первыми видами аналитики, с которыми столкнутся многие учебные заведения, будут панели мониторинга аналитики, появляющиеся в большинстве онлайн платформ обучения. Фактически это воздействие продуктов БА на платформы обучения. До недавнего времени данные находились в формате, недоступном для обычных пользователей. На сегодняшний день они предоставлены в виде графиков, столбцов и другой визуализации. Индивидуальные отчеты разработаны для учеников, педагогов, администраторов и аналитиков. Более усовершенствованная функциональность объединяет данные других университетских систем (например, служба технической поддержки; студенческие информационные системы), позволяет пользователям выходить за пределы встроенных отчетов и исследовать отношения между различными переменными. Ученики могут получить базовую аналитику, как, например, их место в группе (экзаменационные отметки, участие в форумах, участие в онлайн-семинарах). Некоторые учреждения идут дальше и добавляют продукты визуализации с дополнительной информацией, способствующие пониманию сложных данных, или предметный уровень аналитики основных разработчиков.

Например, EDUCAUSE выполняется чрезвычайно полезное обобщение предметного исследования в сфере высшего образования. Так, университет штата Аризона сообщает о том, что его инвестиции в учебный и образовательный анализ, включая программу «Student 360», которая объединяет все знания учреждения о студенте, принесли свои плоды.

Аналитика прогноза успешности

Концепция. Одним из наиболее развитых применений аналитики является возможность определения своей индивидуальной траектории обучения (например «с риском»; «успевающий ученик»; «общественный учащийся») благодаря статическим данным учеников (например, демографические данные; прошлые достижения) и динамическим данным (например, образец онлайн логинов; количество дискуссий). Следовательно, становятся возможными своевременные вмешательства (например, дополнительная социальная и академическая помощь; более стимулирующие задачи). В настоящее время одним из самых надежных прогностических параметров итогового экзамена все еще является экзамен в начале обучения. Создание более сложных моделей прогнозирования на основе данных должно его усовершенствовать, но необходим статистический анализ для идентификации тех параметров, которые могут быть признаны в качестве самых сильных прогностических параметров «успеха». В настоящее время они обычно определены как задание/результат экзамена, тогда как дискуссии о системах оценки (см. ниже) привлекают внимание к роли, которую мог бы играть анализ в обеспечении формирующей обратной связи и создании однородных/передаваемых навыков.

Например, Course Signals в Университете Пердью в качестве показателя успехов в обучении ученика показывает красный/желтый/зеленый свет. Результаты на данный момент свидетельствуют о том, что студенты, использующие Course Signals, имеют более высокую успеваемость и с большим желанием ищут вспомогательные ресурсы, чем другие студенты.

Отчет Мичиганского университета сообщает о многообещающих результатах по физике благодаря системе E2Coach, которая адаптирует технологию персонифицированного вмешательства, одобренную исследованиями медицинской информатики, для обеспечения индивидуальной обратной связи и мотивации студентов на изменение своей стратегии.

Колледж Пола Смита использовал Starfi sh EarlyAlert для обеспечения обратной связи преподавателей и студентов, а также инструменты Rapid Insight для построения точной прогнозирующей модели в целях выявления ученика, входящего в группу риска. Эта структура Предиктивной аналитики (PAR), разработанная и руководимая шестью американскими образовательными учреждениями, способна идентифицировать образцы по коллективным данным о студентах. Такие подходы разработаны для типичной среды обучения по содержанию предметной области, но если ограничиться отдельной темой, возможны новые виды аналитики.

Аналитика адаптивного обучения

Концепция. Платформы адаптивного обучения в ИКТ средах на основе гипермедиа создают модель понимания определенной темы учеником (например: алгебра; фотосинтез; стоматологическая хирургия) иногда в контексте стандартизированных тестов, продиктованных учебным планом и моделями тестирования. Это обеспечивает мелкомодульную обратную связь (например, что вы усвоили и на каком уровне), а также адаптивное представление содержания (например, не показывать материал, с которым не справился ученик, овладевший материалом). Естественно, динамическое моделирование познавательной способности ученика и подготовка материала для механизмов адаптивного содержания являются более ресурсоемкими для проектирования и создания, чем обычные «немые» платформы обучения. Однако существуют убедительные доказательства воздействия, которое могут обеспечить такие подходы, принимая во внимание возможную персонализацию.

Например, это веб-платформы с высококачественным опытом взаимодействия, бесплатные курсы Open Learning lnitiative, основанные на исследовании Университета Карнеги-Меллон и коммерческих организаций, таких как Grockit и Knewton.

Аналитика социальных сетей

Концепция. Аналитика социальных сетей делает видимыми структуры и динамику межличностных взаимодействий для понимания, развития и поддержания этих отношений между людьми. Люди могут создать «связи» различных видов, от расширенных, прямого взаимодействия, отражающего существенные связи, до более закрытых. Исследование демонстрирует, что связи, формируемые учениками, и получающиеся групповые структуры взаимосвязаны с улучшением или ухудшением эффективности обучения.

Например, одним из инструментов, специально предназначенных для образовательных сетей, является SNAPP, осуществляющий перенос дискуссионного форума на сетевую диаграмму с целью помочь проследить рост группы, идентифицировать разъединенных студентов или визуализировать поддержку учителя внутри сети.

Аналитика языкового общения

Концепция. Учебная платформа легко высчитывает количество основных действий ученика, таких как вход в систему, обзор форума и отправка сообщения: это уровень, на котором работают самые последние продукты аналитики. Однако аналитика могла бы не ограничиваться подсчетом входов в систему и предоставить обратную связь педагогам и ученикам по качеству взаимодействия. Исследователи начинают опираться на предыдущий опыт учителей по способу оценки эссе и дискуссии, в вопросе, как разговорный и письменный диалог формируют процесс обучения, и как компьютеры могут помочь в проектировании аналитики.

Примеры. Аналитика языкового общения, направленная именно на обучение или осмысление в оспариваемых областях, находится в состоянии исследования. Существуют многочисленные открытые системы, обеспечивающие анализ письменного и разговорного естественного языка. Но они не были специально разработаны для процесса обучения. Пока они представляют собой «сырые технологии» с интересными возможностями для исследователей аналитики учебной деятельности в плане согласования с процессом обучения.

Проблемы аналитики учебной деятельности

Исследование обучения и преподавания может стоять на пороге подобной революции, где ученики впервые могут быть изучены в полном объеме и точности действия, что ранее считалось непрактичным. Бесплатное размещение платформ обучения и курсов инициаторами, такими как Harvard+MIT's edX, довольно открыто мотивировано возможностями, которые идут с набором беспрецедентных данных от миллионных взаимодействий учеников.

Проблемы качества больших данных. Информационные системы фильтруют и классифицируют мир. При соответствующем выполнении упрощенные модели помогают нам осмыслить подавляющую сложность, в противном случае они игнорируют важные детали. Критический анализ полемики вокруг больших данных напоминает нам об осторожности при вторжении в эту область: автоматизированное исследование изменяет определение знания, предъявляет требования объективности и точности данных, большие данные не всегда лучшие, и не все данные равноценны, доступность данных вызывает этическую проблему защиты персональных данных, ограниченный доступ к большим данным создает новые цифровые неравенства.

Проблема взаимосвязи аналитики и методов оценки. Аналитика учебной деятельности нацелена на улучшение достижений ученика. Следовательно, она всегда разрабатывается с особой концепцией «успеха», таким образом определяя модели, которые считаются доказательствами прогресса, а значит, и данные, которые должны быть получены. Основным двигателем педагогической практики, а, следовательно, и образовательного процесса ученика, является режим оценки. Аналитика учебной деятельности микроуровня в целом является новой технологией оценки, которая способна эффективно обеспечить персонифицированную, своевременную, определенную, требующую принятия мер обратную связь. Из-за сложности осуществления хорошей оценки обучения создание инструментов этого вида остается основной проблемой для исследователей аналитики учебной деятельности. Перспектива заключается в том, что при должном осуществлении аналитика могла бы стать ключевым методом реализации формирующей оценки группового обучения, предлагая ученикам новые виды инструментов.

Проблема этики использования личных данных. Как и в любой области, где происходит обмен и интерпретация анкетных данных, вопросы этики возникают и в аналитике учебной деятельности. Кто решает, какие данные важны для регистрации, как они «отделены» от других массивов данных и согласованы ли эти наборы данных? Кто решает, как данные должны быть визуализированы и считаться правильными для интерпретации? Должны ли ученики видеть аналитику о себе или о своих сверстниках? Действительно ли учителя достаточно квалифицированы для разработки соответствующих основанных на данных вмешательств? Могут ли данные быть анонимными и можно ли должным образом контролировать к ним доступ? Подходят ли попытки закрепления педагогических теорий с целью их внедрения в вычислительные алгоритмы? Область исследования требует наличия специалистов по этике информационных технологий для улучшения ее влияния, так как большинство, если не все, проблемы в аналитике учебной деятельности возникли в других областях.

Дорожная карта развития учебной аналитики на основе ИКТ

· Аналитика учебной деятельности никогда не является нейтральной: она неизбежно воплощает и таким образом фиксирует педагогику и режимы оценки. Их изменение является глубокой проблемой, затрагивающей микро и макро уровни с учетом новых методов оценивания новыми ИКТ способами в образовательной экосистеме (начальное/среднее/высшее/работа). Правительства и учреждения могут использовать введение учебной аналитики пока в рамках дискуссий по поводу их видения в преподавании и обучении для XXI века.

· Существует срочная необходимость в увеличении кадрового потенциала. Учреждения должны обучать своих сотрудников и исследователей разработке и оценке аналитики учебной деятельности – для обеспечения организационной способности задействовать аналитику в целостном, качественном формате ее употребления для правильной формулировки вопросов поставщикам и удовлетворения социального спроса на эти ресурсы.

· По сравнению со многими другими секторами образовательные учреждения в настоящее время «идут вслепую» в цифровую эру знаний. Они должны вложить средства в аналитические инфраструктуры по двум причинам: (1) для оптимизации достижений студентов, и (2) чтобы позволить своим собственным исследователям задать основополагающие вопросы об обучении и преподавании в XXI веке и не проводить исследование без аналитики или без экспериментальных данных.

· Границы области расширяются быстрыми темпами благодаря компаниям, вводящим новшества для удовлетворения имеющихся рынков. Для того, чтобы не отставать, обычно более медленный темп исследования образования и профессионального развития должен быть ускорен, иначе учреждения будут находиться в зоне риска, выбирая то, что доступно, а не то, что необходимо. Учреждения должны создавать партнерские отношения и механизмы для обмена данными об учащихся методами аналитики и информационными инструментами визуализации. Открытая онлайн платформа учебной аналитики и социальной аналитики является рекомендуемым инструментом для работы.