Накапливание больших объёмов образовательных данных на платформах вузов и социальных медиа приводит к необходимости разработки инструментов для извлечения закономерностей из образовательных данных, которые могут быть использованы для понимания поведенческих паттернов обучающихся и преподавателей, для улучшения методик преподавания и качества учебного процесса, а также для разработки обоснованных стратегий развития вузов и формирования их политики. В данной статье приводится анализ и систематизация датасетов из открытых репозиториев с учётом решаемых на их основе задач учебной аналитики. В частности, в статье отмечается преобладание датасетов, направленных на решение задач аналитики на уровне понимания поведения студентов, в то же время датасеты, направленные на решение задач аналитики на уровне понимания потребностей преподавателей и административно-управленческого персонала вузов, практически отсутствуют. Между тем, полный потенциал инструментов учебной аналитики может быть раскрыт только при внедрении комплексного подхода к анализу образовательных данных, учитывающего потребности всех участников и организаторов учебного процесса. В предлагаемой обзорной статье рассматриваются методы учебной аналитики для решения задач, связанных с исследованием паттернов социального взаимодействия между обучающимися и преподавателями, и инструменты учебной аналитики - от внедрения простых дашбордов до сложных фреймворков, исследующих различные уровни учебной аналитики. Отмечается, что вузы в целом заинтересованы во внедрении инструментов учебной аналитики, которые способны улучшить качество учебного процесса за счёт разработки стратегий адресной поддержки отдельных групп обучающихся, однако преподаватели относятся к таким инициативам с осторожностью из-за недостатка навыков анализа данных и правильной интерпретации результатов анализа. Новизна данного аналитического обзора связана с рассмотрением учебной аналитики на разных уровнях её реализации в контексте подходов к открытости, обработке и анализу образовательных данных. Данная статья будет интересна разработчикам инструментов учебной аналитики, научно-педагогическим работникам, административно-управленческому персоналу вузов с точки зрения формирования представления о целостности процесса аналитики вуза с учётом различных уровней реализации аналитики, направленных на понимание потребностей всех участников учебного процесса.
Предпросмотр статьи
Идентификаторы и классификаторы
- SCI
- Образование
Накапливание больших объёмов данных об обучающихся как на платформах, которые использует вуз для организации учебного процесса, так и в социальных медиа приводит к необходимости разработки автоматизированных систем, направленных на извлечение закономерностей, описывающих потребности обучающихся и способствующих пониманию их поведения. Такого рода закономерности могут быть использованы для оптимизации учебного процесса и управления вузом, в том числе для улучшения методик обучения, внедрения персонализированных траекторий обучения, прогнозирования академической успеваемости обучающихся, притока и отсева обучающихся, оптимальной организации научно-исследовательской и проектной деятельности вуза, улучшения образовательной среды и т. п. [1].
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Doneva R., Gaftandzhieva S., Bandeva S. Best practices for using data analytics tools in Universities: State-of-play // CEUR Workshop Proc.: Education and Research in the Information Society. 2021. Vol. 3061. P. 100-108. URL: https://www.researchgate.net/publication/357690041_Best_Practices_for_Using_Data_Analytics_Tools_in_Universities_State-of-play (дата обращения: 11.03.2024).
2. Scheffel M., Drachsler H., Stoyanov S., Specht M. Quality indicators for learning analytics // Educational Technology & Society. 2014. Vol. 17. No. 4. P. 117-132. URL: https://www.jstor.org/stable/jeductechsoci.17.4.117 (дата обращения: 11.03.2024).
3. Stofor O. Learning analytics in the current University context // Journal of Public Administration, Finance and Law. 2021. Vol. 21. P. 89-98. DOI: 10.47743/jopafl-2021-21-10 EDN: EQJGFQ
4. Вилкова К.А., Захарова У.С. Учебная аналитика в традиционном образовании: её роль и результаты // Университетское управление: практика и анализ. 2020. Т. 24. № 3. C. 59-76. DOI: 10.15826/umpa.2020.03.026 EDN: LZRMLY
5. Susnjak T., Ramaswami G., Mathrani A. Learning analytics dashboard: a tool for providing actionable insights to learners // International Journal of Educational Technology in Higher Education. 2022. Vol. 19. Article no. 12. DOI: 10.1186/s41239-021-00313-7 EDN: RDHMGP
6. Yilmaz N., Sekeroglu B. Student performance classification using artificial intelligence techniques // 10th International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions. Advances in Intelligent Systems and Computing. 2020. Vol. 1095. DOI: 10.1007/978-3-030-35249-3_76
7. Martins M.V., Tolledo D., Machado J., Baptista L.M.T., Realinho V. Early prediction of student’s performance in Higher Education: a case study // Trends and Applications in Information Systems and Technologies. WorldCIST 2021. Advances in Intelligent Systems and Computing. 2021. Vol. 1365. Springer, Cham. DOI: 10.1007/978-3-030-72657-7_16
8. Suzan M.H., Samrin N.A., Biswas A.A,. Pramanik A. Students’ adaptability level prediction in online education using machine learning approaches // 12th International Conference on Computing Communication and Networking Technologies (ICCCNT). 2021. P. 1-7. DOI: 10.1109/ICCCNT51525.2021.9579741
9. Geasela Y.M., Bernanda D.Y., Andry J.F., Jusuf C.K., Winata S., Everlin L.Sh. Analysis of student mental health dataset using mining techniques // Journal of Computer Science. 2024. Vol. 20. No. 1. P. 121-128. DOI: 10.3844/jcssp.2024.121.128 EDN: PKQMMS
10. Sharma U., Manchanda N. Predicting and improving entrepreneurial competency in University students using machine learning algorithms // 2020 10th International Conference on Cloud Computing, Data Science & Engineering (Confluence). 2020. P. 305-309. DOI: 10.1109/Confluence47617.2020.9058292
11. Kuzilek J., Hlosta M., Zdrahal Z. Data Descriptor: Open University Learning Analytics Dataset // Scientific Data. 2017. Vol. 4. Article no. 170171. DOI: 10.1038/sdata.2017.171
12. Prasojo L.D., Habibi A., Yaakob M.F.M., Pratama R., Yusof M.R., Suyanto A.M., Hanum F. Dataset relating to the relationship between teacher sel-concept and teacher efficacy as the predictors of burnout: A Survey in Indonesian education // Data in Brief. 2020. Vol. 30. DOI: 10.1016/j.dib.2020.105448 EDN: NCBKKK
13. Alblawi A.S., Alhamed A.A. Big data and learning analytics in higher education: Demystifying, acquisition, storage, NLP and analytics // 2017 IEEE Conference on Big Data and Analytics. 2017. P. 124-129. DOI: 10.1109/ICBDAA.2017.8284118
14. Daniel B.K., Butson R. Technology enhanced analytics (TEA) in Higher Education // International Conference on Educational Technologies (ICEduTech). Kuala Lumpur, Malaysia, Nov 29-Dec 1, 2013. P. 89-96. URL: https://www.learntechlib.org/p/158207/(дата обращения: 11.03.2024).
15. Pei Z.-J., Han L., Gu J.-Q. Application of big data in higher education for learning analytics // 2017 3rd Conference on Education and Teaching in Colleges and Universities. Advances in Social Science, Education and Humanities Research (ASSEHR). 2017. Vol. 93. P. 100-103. DOI: 10.2991/cetcu-17.2017.25
16. Salma J.E.L., Maach A., Ghanami D.E. Learning analytics framework for adaptive E-learning system to monitor the learner’s activities // International Journal of Advanced and Applications. 2019. Vol. 10, No. 8. P. 275-284. DOI: 10.14569/IJACSA.2019.0100835
17. Joshi A., Desai P., Tewari P. Learning analytics framework for measuring students’ performance and teachers’ involvement through problem based learning in engineering education // Procedia Computer Science. 2020. Vol. 172. P. 954-959. DOI: 10.1016/j.procs.2020.05.138 EDN: ESBIFY
18. Cukurova M., Khan-Galaria M., Millan E., Luckin R. A Learning analytiсs approach to monitoring the quality of online one-to-one tutoring // Journal of Learning Analytics. 2022. Vol. 9. No. 2. P. 105-120. DOI: 10.18608/jla.2022.7411 EDN: FKSRIH
19. Shreeram N.V, Muthukumaravel Dr.A. Student career prediction using decision tree and random forest machine learning classifiers // Proc. of the First International Conference on Computing, Communication and Control System, I3CAC 2021, 7-8 June 2021, Bharath University, Chennai, India. 2021. DOI: 10.4108/eai.7-6-2021.2308621
20. Abdallah T.B., Elleuch I., Guermazi R. Student behavior recognition in classroom using deep transfer learning with VGG-16 // Procedia Computer Science. 2021. Vol. 192. P. 951-960. DOI: 10.1016/j.procs.2021.08.098 EDN: WTDLVT
21. Dann C., O’Neill S., Getenet S., Aboufarw K., Verma N., Chakraborty S., et al. Machine learning system to guide teacher reflection on behavior management skills // Proc. of Innovate Learning Summit. United States: Association for the Advancement of Computing in Education (AACE). Retrieved May 10, 2024. P. 302-314. URL: https://www.learntechlib.org/p/220299/(дата обращения: 11.03.2024).
22. Kagklis V., Karatrantou A., Tantoula M., Panagiotakopoulos C.T. A Learning analytics methodology for detecting sentiment in student Fora: A Case study in distance education // European Journal of Open, Distance and e-Learning. 2015. Vol. 18. No. 2. P. 74-94. DOI: 10.1515/eurodl-2015-0014
23. Andrade-Girуn D., Sandivar-Rosas J., Marín-Rodriguez W., Susanibar-Ramirez E., Toro-Dextre E., Ausejo-Sanchez J., et al. Predicting student dropout based on machine learning and deep Learning: A Systematic Review // EAI Endorsed Transactions on Scalable Information Systems. 2023. Vol. 10. No. 5. DOI: 10.4108/eetsis.3586 EDN: AVDFOY
24. Кустицкая Т.А., Носков М.В., Вайшнтейн Ю.В. Прогнозирование успешности обучения: проблемы и задачи // Наука и школа. 2023. № 4. C. 71-83. DOI: 10.31862/1819-463X-2023-4-71-83 EDN: RTRRAY
25. Monte J.A.C., Rodríguez M.C.B, Chamorro M.A. Drop-Out Prediction in Higher Education using Imbalanced multiclass dataset // Journal for Re Attach Therapy and Development Diversities. 2023. Vol. 10s. No. 2. P. 1583-1591. DOI: 10.53555/jrtdd.v6i10s(2).1255
26. Granados D.O., Ugalde J., Salas R., Torres R., Loìpez-Gonzales J.L. Visual-predictive data analysis approach for the academic performance of students from a Peruvian University // Applied Sciences. 2022. Vol. 12. Article no. 11251. DOI: 10.3390/app122111251
27. Alsariera Y.A., Baashar Y., Alkawsi G., Mustafa A., Alkahtani A.A., Nor’ashikin A. Assessment and evaluation of different machine learning algorithms for predicting student performance // Computational Intelligence and Neuroscience. 2022. Vol. 2022. Article ID 4151487. 11 p. DOI: 10.1155/2022/4151487
28. Alhazmi E., Sheneamer A. Early predicting of students performance in Higher Education // IEEE Access. 2016. Vol. 4. DOI: 10.1109/ACCESS.2023.3250702 EDN: OZRVSK
29. Realinho V., Machado J., Baptista L., Martins M.V. Predicting student dropout and academic success // Data. 2022. Vol. 7. No. 11. P. 146. DOI: 10.3390/data7110146 EDN: XVSCLS
30. Koshal R., Koshal M., Gupta A. Students’ academic performance: an interaction of inputs from the students, schools, and voters // Perspectives on Global Development and Technology. 2004. Vol. 3. No. 3. P. 375-394. DOI: 10.1163/1569150042442520
31. Orji F.A., Vassileva J. Machine learning approach for predicting students’ academic performance and study strategies based on their motivation // arXiv: 2210.08186. 2022. DOI: 10.48550/arXiv.2210.08186
32. Ojajuni O., Ayeni F., Akodu O., Ekanoye F., Adewole S., Ayo T., Misra S., Mbarika V. Predicting student academic performance using machine learning // Lecture Notes in Computer Science. 2021. Vol. 12957. DOI: 10.1007/978-3-030-87013-3_36
33. Шухман А.Е., Парфенов Д.И., Легашев Л.В., Гришина Л.С. Анализ и прогнозирование успеваемости обучающихся при использовании цифровой образовательной среды // Высшее образование в России. 2021. Т. 30. № 8-9. С. 125-133. DOI: 10.31992/0869-3617-2021-30-8-9-125-133 EDN: QKRTNV
34. Носков М.В., Вайнштейн Ю.В., Сомова М.В., Федотова И.М. Прогностическая модель оценки успешности предметного обучения в условиях цифровизации образования // Вестник Российского университета дружбы народов. Серия: Информатизация образования. 2023. Т. 20. № 1. С. 7-19. DOI: 10.22363/2312-8631-2023-20-1-7-19 EDN: BDFDRI
35. Gafarov F.M., Rudneva Ya.B., Sharifov U.Yu., Trofimova A.V., Bormotov P.M. Analysis of students’ academic performance by using machine learning tools // International Scientific Conference “Digitalization of Education: History, Trends and Prospects” (DETP 2020), Advances in Social Science, Education and Humanities Research. 2020. Vol. 437. P. 570-575. DOI: 10.2991/assehr.k.200509.104
36. Tsai Y.-S., Poquet O., Gašević D., Dawson Sh., Pardo A. Complexity leadership in learning analytics: drivers, challenges and opportunities // British Journal of Educational Technology. 2019. Vol. 50. No. 6. P. 2839-2854. DOI: 10.1111/bjet.12846
37. Picciano A.G. The evolution of big data and learning analytics in American Higher Education // Journal of Asynchronous Learning Networks. 2012. Vol. 16. No. 3. P. 9-20. DOI: 10.24059/olj.v16i3.267
38. Tsai Y.-S., Rates D., Moreno-Marcos P.M., Muñoz-Merino P.J., Scheffel J.I., Drachsler M., Kloos H.C.D., Gašević D. Learning analytics in European higher education-trends and barriers // Computers & Education. 2020. Vol. 155. Article no. 103933. DOI: 10.1016/j.compedu.2020.10393 EDN: YKTRHA
39. Wong B.T.M. Learning analytics in higher education: an Analysis of case studies // Asian Association of Open Universities Journal. 2017. Vol. 12. No. 1. P. 21-40. DOI: 10.1108/AAOUJ-01-2017-0009
40. Krstevski J., Mihajlov D., Chorbev I. Student data analysis with RapidMiner // ICT Innovations 2011 Web Proceedings. 2011. P. 19-28. URL: https://proceedings.ictinnovations.org/attachment/paper/217/student-data-analysis-with-rapidminer.pdf (дата обращения: 11.03.2024).
41. Martin F., Ndoye A. Using learning analytics to assess student learning in online courses // Journal of University Teaching & Learning Practice. 2016. Vol. 13. No. 3. DOI: 10.53761/1.13.3.7
42. Gao F. Teaching research on learning motivation of database course based on cloud teaching platform // Advances in Social Science, Education and Humanities Research. 2019. Vol. 322. P. 350-353. DOI: 10.2991/iserss-19.2019.287
43. Susnjak T., Ramaswami G., Mathrani A. Learning analytics dashboard: a Tool for providing actionable insights to learners // International Journal of Educational Technology in Higher Education. 2022. Vol. 19. No. 12. 23 p. DOI: 10.1186/s41239-021-00313-7 EDN: RDHMGP
44. Kaliisa R., Dolonen J.A. CADA: a Teacher-facing learning analytics dashboard to foster teachers’ awareness of students’ participation and discourse patterns in online discussions // Technology, Knowledge and Learning. 2023. Vol. 28. P. 937-958. DOI: 10.1007/s10758-022-09598-7 EDN: MXPZCX
45. McCormick J., Tillberg-Webb H. Analyzing online asynchronous discussions with a visual data analytic tool (SNAPP) // Staff Scholarship. 2012. Vol. 2. URL: https://digitalcommons.lesley.edu/cgi/viewcontent.cgi?article=1002&context=staff_scholarship (дата обращения: 11.03.2024).
46. Pyasi S., Gottipati S., Shankararaman V. SUFAT - an analytics tool for gaining insights from student feedback comments // 2018 IEEE Frontiers in Education Conference (FIE). P. 1-9. DOI: 10.1109/FIE.2018.8658457
47. Gronberg N., Knutas A., Hynninen T., Hujala M. An Online tool for analyzing written student feedback // Koli Calling ‘20: Proc. of the 20th Koli Calling International Conference on Computing Education ResearchNovember. 2020. No. 40. P. 1-2. DOI: 10.1145/3428029.3428565
48. Fan Y., Tao W. SCB-dataset: A dataset for detecting student classroom behavior // arXiv: 2304.02488v1. 2023. 4 p. DOI: 10.48550/arXiv.2304.02488
49. Harindranathan P., Folkestad J. Learning analytics to inform the learning design: supporting instructor’s inquiry into student learning in unsupervised technology-enhanced platforms // Online Learning. 2019. Vol. 23. No. 3. P. 34-55. DOI: 10.24059/olj.v23i3.2057
50. Phillips R., Preston G., Roberts P., Cumming-Potvin W., Herrington J., Maor D., Gosper M. Using academic analytic tools to investigate studying behaviours in technology-supported learning environments // Proc. of the 27th Annual Conference of the Australasian Society for Computers in Learning in Tertiary Education, ASCILITE 2010. Sydney, NSW, Australia. 5 Dec 2010 - 8 Dec 2010. P. 761-771. URL: https://core.ac.uk/download/pdf/11235658.pdf (дата обращения: 11.03.2024).
51. Razavi M., McDonald A., Mehta R., Sasangohar F. Evaluating Mental stress among college students using heart rate and hand acceleration data collected from wearable sensors // arXiv:2309.11097v1. 2023. DOI: 10.48550/arXiv.2309.11097
52. Maseleno A., Sabani N., Huda M., Ahmad R., Jasmi K.A., Basiron B. Demystifying learning analytics in personalised learning // International Journal of Engineering & Technology. 2018. Vol. 7. No. 3. P. 1124-1129. DOI: 10.14419/ijet.v7i3.9789 EDN: YGMLTP
53. Joseph L., Abraham S., Mani B.P., Rajesh N. Exploring the effectiveness of learning path recommendation based on Felder-Silverman learning style model: A Learning Analytics Intervention Approach // Journal of Educational Computing Research. 2022. Vol. 60. No. 6. P. 1464-1489. DOI: 10.1177/07356331211057816 EDN: RNCQXU
54. Macfadyen L., Dawson S., Pardo A., Gašević D. Embracing big data in complex educational systems: The learning analytics imperative and the policy challenge // Research & Practice in Assessment. 2014. Vol. 9. P. 17-28. URL: http://www.rpajournal.com/dev/wp-content/uploads/2014/10/A2.pdf (дата обращения: 11.03.2024).
55. Tsai Y.-S., Moreno-Marcos P.M., Jivet I., Scheffel M., Tammets K., Kollom K., Gašević D. The SHEILA framework: Informing institutional strategies and policy processes of learning analytics // Journal of Learning Analytics. 2018. Vol. 5. No. 3. P. 5-20. DOI: 10.18608/jla.2018.53.2
56. Vigentini L., Liu Y.T.D., Arthars N., Dollinger M. Evaluating the scaling of LA tool through the lens of te SHEILA framework: A comparison of two cases from tinkerers to institutional adoption // The Internet and Gigher Education. 2020. Vol. 45. Article no. 100728. DOI: 10.1016/j.iheduc.2020.100728 EDN: MRYOEI
57. Carungay S.M., Lasian L., Lopez D.J., Malit R.M. A Proposed framework for sustainable and impactful higher education institutions // The Asian Conference on Education. 2020. DOI: 10.22492/issn.2186-5892.2023.22
58. Simanca F.A.H., Arteaga I.H., Puin M.E.U., Garrido F.B., Paez J.P., Míndez J.C., Alvarez A. Model for the collection and analysis of data from teachers and students supported by academic analytics // Procedia Computer Science. 2020. Vol. 177. P. 284-291. DOI: 10.1016/j.procs.2020.10.039 EDN: OKUMAG
59. López-Belmonte J., Pozo-Sánchez S., Fuentes-Cabrera A., Trujillo-Torres J.-M. Analytical Competences of teachers in big data in the era of digitalized learning // Education Sciences. 2019. Vol. 9. No. 3. P. 177. DOI: 10.3390/educsci9030177
60. Hoyos A.A.C., Velásquez J.D. Teaching analytics: current challenges and future development // IEEE Revista Iberoamericana de Tecnologias del Aprendizaje. 2020. Vol. 15. P. 1-9. DOI: 10.1109/RITA.2020.2979245 EDN: RVIZZL
61. Ndukwe I.G., Daniel B.K. Teaching analytics, value and tools for teacher data literacy: a systematic and tripartite approach // International Journal of Educational Technology in Higher Education. 2020. Vol. 17. Article No. 22. DOI: 10.1186/s41239-020-00201-6 EDN: NMHSXZ
62. Булычева П.А., Ошмарина О.Е., Шадрина Е.В. Выявление академически неуспешных студентов на первом году обучения в университете на примере НИУ ВШЭ - Нижний Новгород // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. 2016. Т. 2. № 42. C. 136-143. URL: http://www.unn.ru/pages/e-library/vestnik_soc/18115942_2016_-_2(42)_unicode/17.pdf (дата обращения: 11.03.2024). EDN: WOVAAR
63. Горюнова Е.С., Иванова А.С., Степаненко А.А., Фещенко А.В. Опыт применения инструментов оценки и практик управления качеством электронного обучения (кейс Томского государственного университета) // Открытое образование. 2022. Т. 26. № 4. C. 4-18. DOI: 10.21686/1818-4243-2022-4-4-18 EDN: EJTLSQ
64. Bellini C., Santis A.D., Sannicandro K., Minerva T. Data management in learning analytics: terms and perspectives // Journal of e-Learning and Knowledge Society. 2019. Vol. 15. No. 3. P. 133-144. DOI: 10.20368/1971-8829/1135021
65. Osakwe J., Ujakpa M., Ankome T. Learning analytics tools for enhancing students’ performance: A Global perspective. In: IST-Africa 2022 Conference Proceedings. 2022. 12 p. DOI: 10.23919/IST-Africa56635.2022.9845553
66. Zandvliet D. Towards effecive learning analytics for Higher Education: Returning Meaningful Dashboards to Teachers. Master’s thesis, Vrije Universiteit, Amsterdam. 39 p. URL: https://ictinstitute.nl/wp-content/uploads/2020/09/5.-Zandvliet-Learning-Analytics-Dashboards_2585387_FINAL.pdf (дата обращения: 11.03.2024).
67. Adejo O., Connolly T. Learning analytics in Higher Education Development: A Roadmap // Journal of Education and Practice. 2017. Vol. 8. No. 15. P. 156-163. URL: https://www.iiste.org/Journals/index.php/JEP/article/view/37046/38086 (дата обращения: 11.03.2024).
68. McCoy C., Shin P.C. Teachers as producers of data analytics: A Case Study of a Teacher-Focused Educational Data Science Program // Journal of Learning Analytics. 2016. Vol. 3. No. 3. P. 193-214. DOI: 10.18608/jla.2016.33.10
Выпуск
Другие статьи выпуска
Актуальность исследования обусловлена тем, что образование получает новый виток в своём развитии, который определяется современными тенденциями становления цифровой мировой экономики, предъявляющей особые требования к развитию человеческого капитала, где высшие учебные заведения призваны сыграть ведущую роль. Модели обучения с использованием индивидуальных образовательных траекторий (ИОТ) считаются на современном этапе формирования общества одними из самых перспективных, о чём свидетельствует послание президента РФ В. В. Путина и внесение ряда поправок в закон об образовании РФ. Целью представленного авторским коллективом исследования является анализ и обобщение педагогического опыта реализации ИОТ в высших учебных заведениях. В качестве методологической основы авторами были избраны методы и подходы общего и частнонаучного характера: диалектический, феноменологический, социометрический; включённое педагогическое наблюдение, ретроспективный и статистический анализ и синтез. Эмпирические данные были получены в результате опроса обучающихся 1-го, 2-го и 3-го курсов очного отделения (n=117). Данное исследование можно отнести к разряду междисциплинарных, поскольку оно затрагивает такие науки как педагогика, психология, философия и социология. Анализ полученных данных показал, что внедрение ИОТ имеет как существенные достоинства, так и определённые недостатки. Выявленные в ходе исследования проблемы при реализации ИОТ могут быть сведены к минимуму, учитывая рекомендации, предложенные авторами статьи, что позволит рационализировать и гуманизировать образовательный процесс. Научная новизна и практическая значимость заключаются в обобщении собственного эмпирического опыта и могут послужить основой для устранения сложностей в реализации ИОТ; корректировки подходов и применяемого арсенала методов; разработки дополнительных специальных курсов, учебных пособий, учебно-методических материалов и рекомендаций по организации ИОТ в высшей школе.
В статье охарактеризована динамика изменения роли классических университетов в научно-технологическом развитии Российской империи и СССР, с точки зрения их вовлечённости в развитие реального сектора экономики. Актуальность исследования связана с ведущимися дискуссиями об оптимальной модели высшей школы. Новизна определяется фокусом исследования, широтой предмета в географическом и хронологическом отношении, привлекаемыми для анализа материалами. Проведённое исследование позволило уточнить представления об элитистском и антиутилитарном характере классических университетов, вытекающем отчасти из принципов гумбольдтовской модели, рецепция которой осуществлялась в России с XIX в. Установлены составляющие деятельности имперского университета, которые обеспечивали его связь с промышленностью и практической сферой. К таким составляющим отнесены: работа некоторых кафедр (в первую очередь, кафедры технологии), продвижение силами профессуры идей промышленного развития России, участие во всероссийских мануфактурных (художественно-промышленных) выставках, выполнение университетами исследовательских работ по заказу индустриальных предприятий; показано, как в период Первой мировой войны усилился акцент на практической компоненте деятельности высшей школы, к чему сама она не вполне была готова. Особое внимание уделено глубокой (и не во всём позитивной) трансформации, которой подверглись университеты в первые советские десятилетия. В условиях снижения внимания к исследовательской деятельности и «разукрупнения» университетов начала 1930-х гг. их потенциал заметно ослаб. Однако коррекция научно-образовательной политики времён зрелого Советского Союза и развитие хоздоговорной тематики уже с 1950 - 1960-х гг. приводят к усилению влияния университетов на развитие реального сектора отечественной экономики при снижении доли фундаментальных исследований.
Иммерсивные технологии (ИмТ) находят всё большее распространение в научно-технологическом секторе и научной повестке о высшем образовании. Статья систематизирует образовательные практики российских вузов по применению ИмТ в обучении. В фокусе исследования - организационные и дидактические условия применения ИмТ в российской высшей школе. В рамках исследования были проинтервьюированы представители российских университетов (N=16). Результаты исследования демонстрируют место иммерсивных образовательных продуктов в структуре образовательного процесса и обозначают перспективы их дальнейшего применения. Кейсы российских вузов свидетельствуют о том, что ИмТ постепенно находят свою нишу в высшем и дополнительном профессиональном образовании в качестве средства обучения. Обеспечивая погружение обучающихся в ситуацию реальных условий применения профессиональных навыков, иммерсивные образовательные продукты направлены на отработку алгоритмов действий в стандартных и нестандартных ситуациях своей (будущей) профессиональной деятельности в рамках индивидуальной самостоятельной работы. Не меняя дидактическую структуру учебного курса, ИмТ занимают место между теоретическим блоком и учебной практикой. Авторы исследования приходят к выводу, что иммерсивные образовательные продукты имеют большой потенциал в части повышения качества визуализации учебного материала, интеграции мультимодального режима для организации групповой работы, совершенствования шкалы оценивания и учёта индикаторов учебной аналитики. На фоне ряда положительных эффектов (мотивирующего, психологического, топологического, развивающего) будущее иммерсивных технологий в высшем образовании зависит от правового регулирования их применения в образовании, их доступности для вузов и мотивации преподавателей.
В условиях цифровизации образовательных процессов возрастает необходимость изменить подходы к обучению иностранным языкам при подготовке кадров высшей квалификации - будущих научных работников. В центре внимания данной статьи находится изучение и определение состояния, в котором находится навык взаимодействия с цифровыми инструментами, системами и программами искусственного интеллекта у аспирантов технических направлений. В результате проведённого исследования был выявлен конфликт между растущей значимостью публикаций на английском языке и общей тенденцией в среде обучающихся к снижению потребности чтения научной литературы на английском языке, что не только сказывается на навыках чтения, но также влияет на научную читательскую практику. Потенциал разрешения выявленного противоречия лежит в развитии педагогических и методических приёмов, ориентированных на включение в учебный процесс современных цифровых инструментов с целью развития у аспирантов когнитивных навыков высшего порядка и оптимизации исследовательских процессов, связанных с работой с англоязычной научной литературой. Предлагается концепция курса обучения аспирантов иностранному языку с использованием цифровых инструментов, созданных на базе нейросетей.
Статья посвящена анализу изменений университетской автономии и академической свободы на протяжении позднесоветского и постсоветского времени, какими их видят преподаватели ведущих вузов, и выявлению факторов, на них влияющих. Цель статьи - выявить элементы советских практик, обеспечивавших, по мнению преподавателей университетов, благоприятные условия для работы, и оценить возможности их использования в современных условиях. Исследование основано на глубинных интервью, проведённых с преподавателями двух ведущих российских исследовательских университетов, расположенных в Москве и Томске. Большинство информантов имели опыт работы в университетах в советский период. Они рассуждали о степени преемственности университетской автономии и академической свободы в своих университетах и о связанных с ними наиболее эффективных управленческих практиках. Изучение мнений показало, что советский опыт по-разному воспринимается как внутри университетов, так и между ними. Многие информанты к положительным сторонам советского опыта отнесли гарантированное государственное финансирование и отлаженную систему сотрудничества с промышленностью на основе «хозяйственных договоров». Это, в свою очередь, поддерживало высокий статус преподавателей. Оценки современного периода полярные. Одни считают, что сейчас университеты достаточно автономны, и у преподавателей есть академические свободы. Другие - что они значительно сократились, а государственный контроль усилился. Прослеживание эволюции от советского периода к современному показало важность диверсификации, в первую очередь в формах и источниках финансирования. При этом прямой перенос успешных советских практик в современные условия вряд ли возможен.
Многочисленные всероссийские опросы последних 5-7 лет, выявляющие отношение различных аудиторий к Единому государственному экзамену (ЕГЭ), представляют, как правило, более позитивное отношение молодёжи к ЕГЭ на фоне в целом скептически настроенного населения России к инструменту перехода из средней школы к высшему образованию. В этой связи особый интерес представляет изучение мнения именно тех, кто сталкивался с этой экзаменационной процедурой (выпускники, сдававшие единый государственный экзамен, а также их родители). В ходе онлайн-опроса, проведённого 4 марта 2024 г., было опрошено 711 человек (45,3% - мужчины, 54,7% - женщины, M = 34,73 года), которые сами и/или их ребёнок участвовали в процедуре прохождения ЕГЭ. Респонденты выражали степень согласия с утверждениями опросников: порицания коррупции и отношения к ЕГЭ. Анализ полученных данных показал, что респонденты из провинции значимо чаще соглашались с тем, что ЕГЭ в значительной степени снимает финансовые барьеры при поступлении в вузы России. Женщины значимо чаще соглашались с тем, что ЕГЭ предоставляет способным выпускникам из разных социальных слоёв и из любого региона возможность поступить в то учебное заведение, учебная программа и специальность которых соответствует профориентационной направленности абитуриента. Более молодые респонденты также значимо чаще соглашалась с тем, что ЕГЭ предоставляет способным выпускникам из разных социальных слоёв населения России поступить в любой вуз. Те, кто в большей степени согласен с тем, что ЕГЭ помог им поступить в тот вуз, в который они хотели поступить, значимо чаще соглашались со всеми пунктами опросника отношения к ЕГЭ как к инструменту противодействия коррупции. Кроме того, такая же положительная корреляционная связь обнаружена и между степенью порицания коррупции и отношением к ЕГЭ как инструменту противодействия коррупции, то есть респонденты, больше порицающие коррупцию, в большей степени согласны с тем, что ЕГЭ является инструментом противодействия коррупции. Таким образом, авторами показано, что единый государственный экзамен нивелирует финансовые барьеры при поступлении в вузы России, то есть является антикоррупционным инструментом, с чем чаще соглашались респонденты, поступившие в вузы из областных и районных центров, женщины и молодёжь, а также респонденты, больше порицающие коррупцию.
Субъектная позиция студента рассматривается в исследовании как система личностного выбора устойчивой стратегии поведения, которая прослеживается в отношении студента к процессу и результатам обучения и связывает его учебную деятельность с перспективами профессионального будущего. Целью исследования является выявление ресурсов и проблем на этапе профессионального обучения в зависимости от субъектной позиции студента. Субъектная позиция студента рассматривается через его отношение к учебной деятельности, через его достижения на этапе профессионального обучения и через выражение готовности к профессиональной деятельности. В основе исследования лежит опрос студентов 20 российских вузов. Респондентами стали 1056 студентов. Наиболее выраженной позицией современных студентов является прагматическая, её придерживается большинство студентов бакалавриата и магистратуры. Наиболее успешны в образовательной среде студенты, занимающие интеллектуально-творческую позицию, у них широкий спектр достижений, они готовы тратить свои интеллектуальные ресурсы на профессиональное обучение, отрицательно относятся к различным формам имитации обучения, наиболее уверены в своём профессиональном будущем. Студенты с прагматической субъектной позицией в основном успешны, могут решать возникающие в процессе обучения проблемы, проявляют готовность к профессиональной деятельности. Студенты с созерцательной позицией несмотря на успешное в целом обучение проявляют неуверенность в профессиональном будущем. Студенты с имитационной субъектной позицией - самая проблемная группа. Эти студенты с трудом справляются с учебной деятельностью, проблемны, слабо ориентированы на достижения в других сферах деятельности, Исследование доказывает: субъектная позиция студента является существенным фактором, который влияет на процесс и результат профессионального обучения в вузе. Исходя из существующих типичных субъектных позиций можно и нужно подбирать средства и методы обучения, которые позволят актуализировать ресурсы и минимизировать проблемы профессиональной подготовки.
Издательство
- Издательство
- МОСКОВСКИЙ ПОЛИТЕХ
- Регион
- Россия, Москва
- Почтовый адрес
- 107023, г Москва, р-н Соколиная Гора, ул Большая Семёновская, д 38
- Юр. адрес
- 107023, г Москва, р-н Соколиная Гора, ул Большая Семёновская, д 38
- ФИО
- Миклушевский Владимир Владимирович (РЕКТОР)