Ключевые элементы дизайна электронного обучающего курса, обеспечивающего качественное прогнозирование успешности обучения студентов

Обложка

Цитировать

Полный текст

Аннотация

Постановка проблемы. Задача прогнозирования успешности обучения студентов является одной из самых разрабатываемых в учебной аналитике. При этом опыт в области педагогического дизайна электронных обучающих курсов, выступающих основным источником данных цифрового следа обучающихся, чрезвычайно ограничен. Актуальность в этих условиях приобретает понимание того, каким он должен быть и какие элементы дизайна для него наиболее важные. Цель исследования - определение элементов дизайна электронного обучающего курса для эффективного прогнозирования образовательных результатов и разработка его обобщенной критериально-содержательной модели. Методология. Применен сравнительно-сопоставительный анализ научно-педагогических, методических источников. Использованы вербально-коммуникативные методы, сравнительно-сопоставительный и статистический анализ эмпирических данных с применением генеративной модели искусственного интеллекта. Результаты. Обоснована необходимость разработки высокоточных электронных обучающих курсов для эффективного прогнозирования успешности обучения студентов на основе таких элементов дизайна, как доступность контента, структурированность, график изучения дисциплины, система оценивания, своевременная обратная связь, актуальность и полнота информации, эстетика и эргономика. Предложена обобщенная критериально-содержательная модель построения высокоточного электронного обучающего курса. Заключение. Обозначены перспективы дальнейшего развития исследования и разработки методических рекомендаций по проектированию педагогического дизайна высокоточных электронных обучающих курсов.

Об авторах

Михаил Валерианович Носков

Сибирский федеральный университет

Email: mnoskov@sfu-kras.ru
ORCID iD: 0000-0002-4514-7925
SPIN-код: 3957-7221

доктор физико-математических наук, профессор, профессор кафедры прикладной математики и компьютерной безопасности, Институт космических и информационных технологий

Российская Федерация, 660041, Красноярский край, Красноярск, пр-т Свободный, д. 79

Юлия Владимировна Вайнштейн

Сибирский федеральный университет

Автор, ответственный за переписку.
Email: yweinstein@sfu-kras.ru
ORCID iD: 0000-0002-8370-7970
SPIN-код: 9765-2130

доктор педагогических наук, доцент, профессор кафедры прикладной математики и компьютерной безопасности, Институт космических и информационных технологий

Российская Федерация, 660041, Красноярский край, Красноярск, пр-т Свободный, д. 79

Марина Валериевна Сомова

Сибирский федеральный университет

Email: msomova@sfu-kras.ru
ORCID iD: 0000-0002-8538-4108
SPIN-код: 3986-2280

кандидат педагогических наук, доцент кафедры Информационной безопасности, Институт космических и информационных технологий

Российская Федерация, 660041, Красноярский край, Красноярск, пр-т Свободный, д. 79

Список литературы

  1. Freitas E, Fonseca F, Garcia VC, Falcão TP, Marques E, Gasevic D, Ferreira R. MMALA: developing and evaluating a maturity model for adopting learning analytics. Journal of Learning Analytics. 2024;11(1):1–20. https://doi.org/10.18608/jla.2024.8099 EDN: STSQKQ
  2. Arnold KE, Pistilli MD. Course signals at Purdue: using learning analytics to increase student success. In: Dawson Sh, Haythornthwaite C, Buckingham S, Gasevic D, Ferguson R. (eds.) ACM International Conference Proceeding Series: LAK 2012: Second International Conference on Learning Analytics and Knowledge, 29 April – 2 May 2012, Vancouver, Canada. New York: Association for Computing Machinery; 2012. p. 267–270. https://doi.org/10.1145/2330601.2330666
  3. Cagliero L, Canale L, Farinett L, Baralis E, Venuto E. Predicting student academic performance by means of associative classification. Applied Sciences. 2021;11(4):14–20. https://doi.org/10.3390/app11041420
  4. Mussida P, Lanzi PL. A computational tool for engineer dropout prediction. In: Kallel I, Kammon HM, Hsairi L. (eds.) 2022 IEEE Global Engineering Education Conference (EDUCON), 28–31 March 2022, Tunis, Tunisia. New York: IEEE; 2022. p. 1571–1576. https://doi.org/10.1109/EDUCON52537.2022.9766632
  5. Baneres D, Rodríguez ME, Serra M. An early feedback prediction system for learners at-risk within a first-year higher education subject. IEEE Transactions on Learning Technologies. 2019;12:249–263.
  6. Bañeres D, Rodríguez EM, Guerrero A-E, Guasch CP. An early warning system to identify and intervene online dropout learners. International Journal of Educational Technology in Higher Education. 2023;20(1):3. https://doi.org/10.1186/s41239-022-00371-5 EDN: QCZRVB
  7. Munir H, Vogel B, Jacobsson A. Artificial intelligence and machine learning approaches in digital education: a systematic revision. Information. 2022;13(4):203. https://doi.org/10.3390/info13040203 EDN: MGCMCQ
  8. Sghir N, Adadi A, Lahmer M. Recent advances in predictive learning analytics: a decade systematic review (2012–2022). Education and Information Technologies. 2022;28(7):8299–8333. https://doi.org/10.1007/s10639-022-11536-0 EDN: BUNBDT
  9. Rabelo A, Rodrigues MW, Nobre C, Isotani S, Zárate L. Educational data mining and learn ing analytics: a review of educational management in e-learning. Information Discovery and Delivery. 2023;52(4):149–163. https://doi.org/10.1108/IDD-10-2022-0099 EDN: NOBACL
  10. Fan O, Liyin Z. AI-driven learning analytics applications and tools in computer-supported collaborative learning: a systematic review. Educational Research Review. 2024;44(4):100616. https://doi.org/10.1016/j.edurev.2024.100616
  11. Seyyed KB, Hojjat D, Douglas BC, Omid N, Harm JA Biemans. Learning analytics for online game-Based learning: a systematic literature review. Behaviour & Information Technology. 2024;43(12):2689–2716. https://doi.org/10.1080/0144929x.2023.2255301
  12. Márquez L, Henríquez V, Chevreux H, Scheihing E, Guerra Ju. Adoption of learning analytics in higher education institutions: a systematic literature review. British Journal of Educational Technology. 2023;55(2):439–459. https://doi.org/10.1111/bjet.13385
  13. Kustitskaya TA, Esin RV, Vainshtein YuV, Noskov MV. Hybrid approach to predicting learning success Based on digital educational history for timely identification of at-risk students. Education Sciences. 2024;14(6):657. https://www.mdpi.com/2227-7102/14/6/657 EDN: ARKNTV
  14. Toktarova VI, Pashkova YuA. Predictive analytics in digital education: analysis and evaluation of students’ learning success. Siberian Pedagogical Journal. 2022;(1):97–106 (In Russ.) http://dx.doi.org/10.15293/1813-4718.2201.09 EDN: NSPMDR
  15. Almasri A, Celebi E, Alkhawaldeh RS. EMT: Ensemble meta-based tree model for predicting student performance. Scientific Programming. 2019;3610248. https://doi.org/10.1155/2019/3610248 EDN: DVYAWH
  16. Egorova ES, Popova NA. Data Mining in education: predicting student performance. Modeling, Optimization and Information Technology. 2023;11(2):18–29. (In Russ.) https://doi.org/10.26102/2310-6018/2023.41.2.003 EDN: XFTHUA
  17. Gasevic Dr, Dawson Sh, Rogers T, Gasevic D. Learning analytics should not promote one size fits all: the effects of instructional conditions in predicting academic success. The Internet and Higher Education. 2016;28(1):68–84. https://doi.org/10.1016/j.iheduc.2015.10.002
  18. Gunawardena Ch-N, Whiteside A, Garrett Dikkers A, Swan K. (eds.) Social presence in online learning: multiple perspectives on practice and research. New York: Routledge; 2017. 256 р.
  19. Kirkwood A, Price L. Technology-enhanced learning and teaching in higher education: what is ‘enhanced’ and how do we know? A critical literature review. Learning, Media and Technology. 2014;39(1):6–36. https://doi.org/10.1080/17439884.2013.770404
  20. Mayer R. (ed.) The Cambridge handbook of multimedia learning. 2nd ed. Cambridge University Press; 2005. 99 p.
  21. Wang F, Hannafin MJ. Design-based research and technology-enhanced learning environments. Educational Technology Research & Development. 2005;53:5–23. http://dx.doi.org/10.1007/BF02504682 EDN: CTANKK
  22. Brohi SN, Pillai TR, Kaur S, Kaur H, Sukumaran S, Asirvatham D. Accuracy comparison of machine learning algorithms for predictive analytics in higher education. In: Miraz MH, Excell PS, Ware A, Soomro S, Ali M. (eds.) Emerging Technologies in Computing: Secound International Conference, iGETiG 2019, 19–20 August 2019: Proceeding, London, UK. Cham: Springer; 2019. p. 254–261. https://doi.org/10.1007/978-3-030-23943-5_19
  23. Almaiah MA, Alyoussef IY. Analysis of the effect of course design, course content support, course assessment and instructor characteristics on the actual use of e-learning system. IEEE Access. 2019;7(1-1):1–9. https://doi.org/10.1109/access.2019.2956349
  24. Brown AR, Voltz BD. Elements of effective e-learning design. The International Review of Research in Open and Distributed Learning. 2005;6(1):1–10. https://doi.org/10.19173/irrodl.v6i1.217
  25. Noskov M, Fedotova I, Somova M, Vainshtein Yu. Mathematical model for early prediction of learning success. In: International Scientific and Practical Conference on “Modern Problems of Applied Mathematics and Information Technology (MPAMIT2022)”, 11–12 May 2022, Bukhara, Uzbekistan. Melville: AIP Publishing; 2024;3004(1):070001. EDN: NDKRUS
  26. Hastie T, Tibshirani R, Friedman J, Franklin J. The elements of statistical learning: Data mining, inference, and prediction. The Mathematical Intelligencer. 2004;27(2):83–85. https://doi.org/10.1007/BF02985802

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».