Учебная аналитика в России и мире: уровень развития, основные тренды и перспективы

Обложка

Цитировать

Полный текст

Аннотация

Постановка проблемы. Учебная аналитика - относительно новое научное направление, исследующее учебный процесс и самих обучающихся по данным из цифровой образовательной среды. Цель исследования - определить текущий уровень, перспективы и ограничения развития аналитики обучения, выявить состояние этой научной области в России. Методология. Проведен контент-анализ научных публикаций по направлению исследования, находящихся в открытом доступе. Особое внимание уделено русскоязычным публикациям, посвященным анализу образовательных данных и внедрению инструментов учебной аналитики в образовательный процесс. Результаты. Определены и описаны общемировые тенденции и проблемные аспекты развития учебной аналитики. Представлены результаты количественного и качественного анализа научных публикаций русскоязычных авторов, определены наиболее популярные исследовательские вопросы в данной сфере. Предложено авторское видение направлений развития учебной аналитики, включающее научно-исследовательский аспект, аспекты преобразования образовательной среды и правового регулирования. Рассмотрены национальные инициативы в сфере цифровизации образования. Заключение. Выявлено некоторое отставание уровня развития учебной аналитики в России от общемирового. Вместе с тем наблюдается заметный рост интереса к этой сфере среди отдельных исследователей, образовательных учреждений и на государственном уровне, что позволяет рассчитывать на позитивные изменения.

Об авторах

Татьяна Алексеева Кустицкая

Сибирский федеральный университет

Автор, ответственный за переписку.
Email: tkustitskaya@sfu-kras.ru
ORCID iD: 0000-0001-9854-1259
SPIN-код: 5202-8701

кандидат физико-математических наук, доцент, доцент кафедры прикладной математики и компьютерной безопасности

Российская Федерация, 660041, Красноярск, Свободный пр-кт, д. 79

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

Российская Федерация, 660041, Красноярск, Свободный пр-кт, д. 79

Список литературы

  1. Siemens S, Gašević D. Special issue on learning and knowledge analytics. Educational Technology & Society. 2012;15(3):1-163.
  2. Tsai YS, Rates D, Moreno-Marcos PM, Muñoz-Merino PJ, Jivet I, Scheffel M, Gašević D. Learning analytics in European higher education - trends and barriers. Computers & Education. 2020;155. http://doi.org/10.1016/j.compedu.2020.103933
  3. Nouri J, Ebner M, Ifenthaler D, Sqr M, Malmberg J, Khalil M, Berthelsen UD. Efforts in Europe for data-driven improvement of education - a review of learning analytics research in six countries. International Journal of Learning Analytics and Artificial Intelligence for Education. 2019;1(1). http://doi.org/10.3991/ijai.v1i1.11053
  4. Olney T, Walker S, Wood C, Clarke A. Are we living in LA (P) LA Land? Reporting on the practice of 30 STEM tutors in their use of a learning analytics implementation at the open university. Journal of Learning Analytics. 2021;8(3):45-59. http://doi.org/10.18608/jla.2021.7261
  5. Wong BT, Li KC. A review of learning analytics intervention in higher education (2011-2018). Journal of Computers in Education. 2020;7(1):7-28. http://doi.org/10.1007/s40692-019-00143-7
  6. Wise AF. Designing pedagogical interventions to support student use of learning analytics. Proceedings of the 4th International Conference on Learning Analytics and Knowledge (24-28 March 2014). Indianopolis; 2014. p. 203-211.
  7. Wilson A, Watson C, Thompson TL, Drew V, Doyle S. Learning analytics: challenges and limitations. Teaching in Higher Education. 2017;22(8):991-1007. http://doi.org/10.1080/13562517.2017.1332026
  8. Belonozhko PP, Karpenko AP, Khramov DA. Analysis of educational data: directions and prospects of application. Bulletin of Eurasian Science. 2017;9(4). (In Russ.) Available from: http://naukovedenie.ru/PDF/15TVN417.pdf (accessed: 20.10.2022).
  9. Nazhmidinov KA. Analysis of the best practices of the use of learning analytics in the foreign universties. Proceedings of the 12th International Scientific-Practical Conference SITU (25 February - 1 March 2019). Ekaterinburg; 2019. p. 172-178. (In Russ.)
  10. Vilkova KA, Zakharova US. Learning analytics in conventional education: its role and outcomes. University Management: Practice and Analysis. 2020;24(3):59-76. http://doi.org/10.15826/umpa.2020.03.026
  11. Ozerova GP, Pavlenko GF. Prediction of student performance in blended learning utilizing learning analytics data. Science for Education Today. 2019;9(6):73-87. (In Russ). http://doi.org/10.15293/2658-6762.1906.05
  12. Bystrova T, Larionova V, Sinitsyn V, Tolmachev A. Learning analytics in massive open online courses as a tool for predicting learner performance. Educational Studies. 2018;4:139-166. http://doi.org/10.21125/iceri.2018.1033
  13. Aldunin DA. Application of the adaptive content concept for an e-learning resource. Business Informatics. 2016;(4):27-34. http://doi.org/10.17323/1998-0663.2016.4.27.34
  14. Kustitskaya TA, Karnaukhova OA. Developing an early warning system to detect at-risk students: a feedback mechanism. Proceedings of the 5th International Conference on Informatization of Education and E-learning Methodology: Digital Technologies in Education (6-9 October 2020). Krasnoyarsk; 2020. p. 289-293.
  15. Baranova EV, Shvetsov GV. Methods and tools for analysing students’ digital footprint in the course of work under educational programmes. Perspectives of Science and Education. 2021;(2):415-430. (In Russ.) http://doi.org/10.32744/pse.2021.2.29
  16. Alishev T, Gafarov F, Sabitova E. Academic performance and grade 9 milestone: primary data analysis in the system of ”Electronic education in the Republic of Tatarstan”. Kazan Pedagogical Journal. 2020;6:177-186.
  17. Tolmachev AV, Sinitsyn EV, Astratova GV. Probability distributions of the academic performance of online courses’s students as a tool for assessment of the quality of control materials. Russian Journal of Resources, Conservation and Recycling. 2020;7(3). http://doi.org/10.15862/10INOR320
  18. Esin TE. Development of the metric of determination probabilistic distance to solution in difficult problem areas. Modeling, Optimization and Information Technology. 2021;9(1). (In Russ.) http://doi.org/10.26102/2310-6018/2021.32.1.006
  19. Ozerova GP. Design and assessment self-study tasks in blended learning envirinment. Proceedings of Voronezh State University: Problems of Higher Education. 2020;2:82-86. (In Russ.)

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».