Цель исследования. Цифровизация образования подразумевает масштабные преобразования, охватывающие внедрение цифровых технологий на каждом уровне общего и профессионального образования, дополнительного образования, а также изменения во взаимодействии всех участников учебного процесса. Одним из шести ключевых вызовов, на которые призвана ответить Стратегия развития образования до 2036 года, является стремительное распространение цифровых технологий и искусственного интеллекта. Цель исследования состоит в определении роли цифровых следов, формируемых в ходе реализации образовательного процесса, как одного из инструментов цифровой трансформации управления образовательным процессом, а также в демонстрации практической реализации обработки цифрового следа с использованием API социальной сети ВКонтакте и методов анализа данных (Educational Data Mining).
Материалы и методы. Теоретико-методологическую базу для исследования составили работы отечественных и зарубежных исследователей в области анализа цифровых данных, возникающих в ходе реализации образовательного процесса. В работе использованы методы обработки естественного языка, такие библиотеки для языка программирования Python, как pandas, numpy, mathplotlib и др. Эмпирическая часть исследования основывается на анализе цифрового следа в сообществах образовательной организации в социальной сети Вконтакте, представленного в виде неструктурированных текстов.
Результаты. Исследования показывают, что большой объем разнородных данных цифровых следов, в том числе представленных в виде слабоструктурируемых данных, неизбежно возникает в условиях цифровизации образования и обеспечения информационной открытости образовательных организаций и представляет интерес для получения образовательной аналитики, используемой для решения задач в области цифровой трансформации образовательного процесса, цифровой трансформации управления образовательным процессом, обеспечения преемственности и интеграции образовательных уровней. Цифровой след, формируемый в ходе взаимодействия с электронной информационно-образовательной средой и иными цифровыми ресурсами образовательных организаций в сети Интернет (сайт, страницы в социальных сетях, мессенджерах), открывает возможности для анализа данных об образовательном процессе и участниках образовательных отношений, однако требуется выработка системных подходов к его анализу и использованию в условиях цифровой трансформации образования, в том числе учитывающих требования законодательства к персональным данным, этические аспекты и аспекты безопасности. В статье рассмотрены перспективы анализа цифровых данных в сообществах образовательной организации в социальных сетях с использованием методов анализа данных и машинного обучения, а также представлен практический пример анализа данных в таких сообществах в социальной сети ВКонтакте с помощью API.
Заключение. Полученные результаты могут использоваться как в целях первичного изучения анализа цифрового следа, так и в качестве основы разработки системы формирования образовательной аналитики. Практическое применение результатов будет способствовать цифровой трансформации управления образовательным процессом.
В современном мире каждый человек является активным пользователем ресурсов, размещенных в глобальной сети. Заходя с разных устройств (компьютеров, планшетов, телефонов) мы посещаем множество электронных страниц, ведем переписку и просматриваем контент оставляя каждый раз свой электронный след в системе.
Целью исследования является определение такого следа, его фиксация и обработка его с использованием методов математической статистики с целью получения персонифицированных и обобщенных данных для различных отраслей. Также на основе полученных результатов предполагается формирование рекомендаций по защите данных цифрового следа от возможного злонамеренного использования. В работе рассматривается понятие и подробно описаны источники цифрового следа участника интернет-взаимодействий, обозначены методы и инструменты сбора и предобработки информации. Раскрыто понятие активной и пассивной составляющих цифрового отпечатка. Акцентируется внимание на необходимости отнесения информации, содержащейся в цифровом следе, к персональным данным, так как она в совокупности может порой определять личность точнее документа, что, в свою очередь, требует законодательной защиты в части сбора, хранения, обработки и дальнейшего использования. В статье приведены примеры использования информации цифрового отпечатка в различных отраслях: криминалистике, маркетинговых исследованиях, формировании таргетированной рекламы и др.
Материалы и методы. В статье достаточно подробно рассмотрены различные методы математической статистики для оценки цифрового следа пользователя сети, приведены этапы, позволяющие осуществить сбор, предобработку и анализ информации, содержащейся в цифровом отпечатке, с применением языков программирования Python, R и различных программных инструментов. Рассмотрено использование статистических методов анализа, применение матрицы взаимодействий, возможности визуализации, алгоритмов машинного обучения, рекомендательных систем, сетевых метрик, временных рядов и методы анализа чувствительности.
Результаты. Несмотря на то, что данные полученные с использованием методов математической статистики могут быть полезны для бизнеса, правительственных организаций, научно-исследовательских институтов и даже правоохранительных органов, данные собираемые в процессе деятельности в глобальной сети и имеющие привязку к конкретной личности могут нести явную угрозу в случае их использования злоумышленниками. Эти методы оценки доступны как для конструктивной тенденции по улучшению нашей жизни путем подбора персонифицированного релевантного контента и улучшения сервиса, так и для деструктивной деятельности через манипуляторные действия и шантаж. В связи с этим знание оставляемого следа и возможностей использования этих данных в первоначальном и обработанном виде позволяет улучшить качество жизни, с одной стороны, и защитить персональную информацию с другой.
Заключение. Обращается внимание на необходимость информационного контроля своего цифрового следа, в связи с чем в статье приводится ряд рекомендаций по осуществлению безопасного интернет-взаимодействия.
Цель данного исследования - рассмотреть перспективы и проблемы применения больших данных в образовании. Материалы и методы. Методами исследования выступали анализ, систематизация и структурирование информации в области применения больших данных в образовании, а также моделирование и программная реализация тестовой модели обработки больших данных с использованием фреймворка Apache Spark. Результаты. В статье рассмотрены ключевые аспекты использования больших данных в образовании, в частности, их источники в виде цифрового следа обучения, методы анализа и направления применения больших данных. При этом были выделены следующие источники больших данных в образовании: электронная образовательная среда и электронная библиотека вуза; мобильные приложения для обучения; сайт вуза; социальные сети и форумы; данные обратной связи, обращений и опросов; персональные данные, включая психометрические характеристики обучающихся; данные научных smart лабораторий; данные видеонаблюдений и систем контроля управления доступом; данные о карьерном пути и успешности выпускников. Направления применения больших данных в образовании включают в себя следующие моменты: персонализация электронного обучения, выдача персонализированных рекомендаций; аналитика данных; оценка и обратная связь; прогнозирование успеха студентов; мониторинг качества образования; создание модели обучаемого; разработка учебных планов на основе запросов работодателей; разработка новых образовательных программ; появление новых моделей обучения; совершенствование процессов управления вузом; совершенствование работы приемной компании; модернизация программно-технических средств обучения; оптимизация педагогического состава. В качестве проблем применения больших данных в образовании рассматриваются проблемы защиты личных (персональных) данных, необходимость в новых методологиях и технологиях анализа больших данных, потребность в существенной модернизации имеющихся в системе образования технических средств, необходимость в квалифицированных кадрах. В статье также приведен тестовый пример анализа log-файла (журнала событий) электронного курса с помощью технологий обработки больших данных Spark SQL, показывающий потенциальную возможность и практическую применимость технологий обработки больших данных к задачам анализа цифрового следа обучения. Заключение. Большие данные в образовании способны предоставить уникальные возможности для анализа и оптимизации учебного процесса, помогая выявить тенденции, прогнозировать успехи студентов и адаптировать образовательные программы к индивидуальным потребностям учащихся. Но нельзя также забывать, что использование больших данных в сфере образования также несет с собой определенные риски и вызовы, связанные с этическими аспектами, защитой личных данных и необходимостью кадровой модернизации сложившейся системы образования. Для успешной интеграции аналитики данных в образовательную практику необходимо развивать не только технические ресурсы, но и уровень цифровой безопасности и этики в использовании персональных данных.