Применение образовательных данных в предметном обучении в вузе

Обложка

Цитировать

Полный текст

Аннотация

Постановка проблемы. Цифровые технологии активно внедряются во все процессы обраовательной системы, в том числе и в так называемые «сквозные технологии», к которым относятся среди прочих большие данные, используемые как инструменты управления в рамках образовательных систем. Однако описанных примеров практического использования анализа образовательных данных не для управления вузом, а в конкретном предметном обучении, пока мало. Цель исследования - определить, как большие данные могут быть использованы для верификации пробелов в знаниях и прогресса в обучении и соответствующей корректировки образовательного маршрута в рамках отдельно взятого предмета в вузе. Методология . Исследование проводилось в ПетрГУ на базе корпуса студенческих текстов ПАКТ (Петрозаводский аннотированный корпус текстов). ПАКТ - база данных, постоянно в текущем режиме пополняемая текстами студентов на немецком языке. Тексты проверяются экспертами, которые размечают ошибки и выставляют оценку за работу. Вся информация об ошибках собирается в общую базу данных, визуализация которой доступна в личном кабинете преподавателя. В работе приводятся графики и таблицы из этой базы данных и определяется, насколько они позволяют анализировать развитие отдельно взятого студента, отдельной академической группы или целого курса в освоении иностранного языка. Результаты . Подтверждена целесообразность сбора больших данных в виде текущих выполняемых работ студентов, которые затем можно эффективно примененять в предметном обучении в вузе. Лингвистический корпус ПАКТ позволяет, с одной стороны, отслеживать прогресс в освоении отдельных тем, а, с другой стороны, верифицировать пробелы в знаниях обучающихся и адаптировать учебные методы к потребностям. Заключение . Цифровизация образования может и должна развиваться в направлении создания баз данных, включающих работы студентов по различным предметам. Перспективы использования таких больших данных в предметном обучении огромны, поэтому это направление, пока слабо развивающееся в силу разных причин, безусловно заслуживает более пристального внимания со стороны всех участников системы - от рядового преподавателя до исследователей и управленцев, отвечающих за цифровую трансформацию образования.

Об авторах

Ирина Аврамовна Котюрова

Петрозаводский государственный университет

Автор, ответственный за переписку.
Email: koturova@petrsu.ru
ORCID iD: 0000-0001-6766-0458
SPIN-код: 7400-4245

кандидат филологических наук, доцент, заведующая кафедрой немецкого и французского языков

185001, Петрозаводск, пр-т Ленина, д. 33

Список литературы

  1. Uvarov AYu, Geibl E, Dvoretskaya IV, Zaslavskii IM, Karlov IA, Mertsalova TA, Sergomanov PA, Frumin ID. Difficulties and prospects of digital transformation of education. Moscow: HSE University; 2019. (In Russ.) https://doi.org/10.17323/978-5-7598-1990-5
  2. Utyomov VV, Gorev PM. Development of educational systems based on Big Data technology. Concept. 2018;6:449‒461. (In Russ.) https://doi.org/10.24422/MCITO.2018.6.14501
  3. Bystrova T, Larionova V, Sinitsyn E, Tolmachev A. Learning analytics in massive open online courses as a tool for predicting learner performance. Educational Studies. 2018;(4):139‒166. (In Russ.) https://doi.org/10.17323/1814-9545-2018-4-139-166
  4. Shirinkina EV. Methods of data mining and educational analytics. Modern Education. 2022;(1):51‒67. (In Russ.) https://doi.org/10.26456/2219-1453/2021.3.179-188
  5. Prusakova PV, Semyonkina IA. Application of educational data analytics to improve the quality of higher education. Prospects for the Development of Higher Education. 2023;(2):395‒400. (In Russ.)
  6. Kustitskaya TA, Noskov MV. Development of learning analytics in Russia. Informatization of Education and e-Learning Methodology: Digital Technologies in Education: Proceedings of the V International Scientific Conference, Krasnoyarsk, 21‒24 September 2021 (vol. 1). Krasnoyarsk; 2021. p. 273‒278. (In Russ.)
  7. Vilkova KA, Zakharova US. Learning analytics in conventional education: its role and outcomes. Journal University Management: Practice and Analysis, 2020;24(3):59‒76. (In Russ.) http://doi.org/10.15826/umpa.2020.03.026
  8. Pomian S, Belokon О. Forecast of the results of academic performance of university students based on Markov processes. Herald of Vyatka State University. 2020;(4):63–73. (In Russ.) http://doi.org/10.25730/VSU.7606.20.057
  9. Sverdlov MB. (ed.) Educational analytics: management of educational organisation and content creation based on data. Moscow: HSE University; 2021. (In Russ.)
  10. Barannikov KA, Suleymanov RS, Lesin SM, Kupriyanov RB. Learning analytics based on educational data mining methods as a way to improve the effectiveness of the education management system. Lomonosov Pedagogical Education Journal. 2020;20(2): 16–33. (In Russ.)
  11. Fiofanova OA. Big data analysis in the field of education: methodology and technologies. Moscow: Delo Publ.; 2020. (In Russ.)
  12. Krein U, Schiefner-Rohs M. Data in schools: (changing) practices and blind spots at a glance. Frontiers in Education. 2021;6:672666. http://doi.org/10.3389/feduc.2021.672666
  13. Hase A, Kahnbach L, Kuhl P, Lehr D. To use or not to use learning data: a survey study to explain German primary school teachers’ usage of data from digital learning platforms for purposes of individualization. Frontiers in Education. 2022;7. http://doi.org/10.3389/feduc.2022.920498
  14. Kotiurova IA, Shchegoleva LW. Learner corpus in German as a data source for education and science. Educational Studies. 2022;(4):322‒349. (In Russ.) http://doi.org/10.17323/1814-9545-2022-4-322-349
  15. Tikhomirova T, Malykh S, Kovas Yu. Individual differences in learning capabilities: opportunities and prospects of behavioral genetic research. Educational Studies. 2012; (4):186‒199. (In Russ.) https://doi.org/10.17323/1814-9545-2012-4-186-199

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».