1

Учебная аналитика

Типы и способы применения

Опубликовано: 11.05.2018


В Ирландии вышел отчет «Использование учебной аналитики для улучшения преподавания и обучения в высшем образовании». Edutainme подготовили пересказ главы о типах учебной аналитики, который поможет разобраться с тем, как анализ данных применяют для улучшения образовательных результатов.

Дескриптивная аналитика

Смысл дескриптивной аналитики в том, чтобы с помощью доступных данных составить объективное и максимально точное описание текущей ситуации. Описания, как правило, визуализируют через графики, диаграммы, инфографику, часто по усредненным данным. Задача — превратить огромные массивы цифр и графиков в доступную, понятную и легко воспринимаемую информацию. Несмотря на то, что описательная аналитика, как правило, требует менее сложного моделирования данных, чем предиктивная и прескриптивная, понимание того, что происходит прямо сейчас, является существенно важным при принятии решений.

Пример: Университета Ноттингем Трент

Пример успешного применения дескриптивной аналитики в высшем образовании — создание панели студенческого мониторинга, по аналогии с приборной панелью в автомобиле, в английском Университете Ноттингем Трент. Это панель позволяет видеть данные о вовлеченности студентов в учебный процесс. Она была разработана в 2013 году с целью снизить показатели отсева студентов, улучшить посещаемость и увеличить чувство принадлежности к университетскому сообществу. Устроено это следующим образом: на панели, доступной студентам, преподавателям и тьюторам, выводятся показатели вовлеченности студентов и их одногруппников. Можно увидеть, например, частоту работы с библиотечным фондом, данные о записи на курсы, посещаемость, использование электронных ресурсов университета.. Студенты могут посмотреть собственную активность и сравнить себя с сокурсниками. Это помогает им понять, насколько они включены в учебный процесс и жизнь университета в целом, на что обратить внимание. Если студент не подает признаков активности в течении двух недель, платформа отправляет уведомления тьюторам. Это позволяет им быстро отреагировать и дать студенту необходимое внимание и поддержку. Спустя три года после внедрения платформы, 72% первокурсников в университетском опросе указали, что студенческая панель вдохновила их увеличить количество времени на учебу.

Предиктивная аналитика

Задача моделей, используемых в предиктивной аналитике, предсказывать события на основе сопоставления данных за прошедший и текущий период. Чаще всего предиктивную аналитику используют, чтобы заранее выявлять студентов, cклонных забрасывать учебу и потому нуждающихся в особом внимании со стороны преподавателя.

На основе множества исследований были разработаны системы оповещений, которые отслеживают уровень вовлеченности студентов в освоение курсов. Важно, что вывод делается не на основе оценок, а исходя из того, сколько времени студент тратит на выполнение заданий, упражнения какого типа делает лучше и быстрей, а какие забрасывает. C помощью этих данных определяют потенциально «выпадающих» студентов можно выявить за несколько месяцев до окончания курса, когда ситуацию еще можно исправить.

Пример: Университет Пердью

Система Course Signals (прим.редакции — cигналы курса) в Университете Пердью в США — один из самых известных примеров применения предсказательной аналитики. Course Signals собирает информацию об академической истории студентов, их активности в цифровой учебной среде, демографические данные, и на их основе с определяет уровень риска для каждого студента. Эту информацию получает координатор курса и сам студент. Для удобства данные визуализирую: зеленые студенты готовы успешно закончить семестр, желтые находятся в зоне риска, а красные требуют незамедлительной помощи. Исследователи связывают применение CS с улучшением результатов студентов и снижением показателей отсева.

Прескриптивная аналитика

Прескриптивная аналитика отвечает на вопрос «что делать?». Такие отчеты не просто указывают на кого из студентов стоит обратить внимание и с чем именно он не справляется, но и дают рекомендации, в каком именно направлении стоит изменить учебную траекторию. Для этого алгоритмы используют обобщенную информацию о действиях предыдущих пользователей с похожими характеристиками. Выделение определенных паттернов поведения позволяет предугадать поступки новичков. Самый простой пример — это работа поисковых систем. Если определенная группа людей, искавшая новые плиты, впоследствии переходили смотреть СВЧ-печи, и вы, по некоторым характеристикам, можете быть отнесены к этой группе, система сама предложит вам посмотреть страницы с продажей микроволновок.

Пример: Государственный университет Остин Пии

Degree Compass — рекомендательная система, разработанная в американском университете Остин Пии, помогает студентам выбирать курсы и записываться на них. На основе данных о прохождении курсов разными студентами, успеваемости конкретного студента, а также массива данных о предыдущих студентах с похожими профилями, программа подбирает курсы, максимально соответствующие интересам, способностям и программе студента. Такие рекомендации обладают высокой точностью: согласно исследованиям, предсказания срабатывают в 90% случаев.

Еще один способ использования прескриптивной учебной аналитики для повышения достижений студентов — это адаптивные учебные среды (аdaptive learning environments, ALEs). Речь о системах обратной связи, предоставляющих студентам возможность контролировать собственный прогресс и разрабатывать индивидуальные учебные траектории. Системы адаптивного обучения дают студентам быструю и регулярную обратную связь об их успехах и неудачах, индивидуальные рекомендации по выбору курсов и организации учебного процесса, например, советуют дополнительные материалы по теме, или подсказывают какие разделы можно безболезненно пропустить.

Пример: Университет Карнеги-Меллон

В Университете Карнеги-Меллон решили создать для студентов оптимальную образовательную среду и разработали платформу с онлайн-курсами, предоставляющую студентам подробный отчет об их успехах. Результаты показали, что, благодаря детальным отзывам и возможности посмотреть анализ собственной успеваемости и активности на платформе, студенты стали проходить курс практически вдвое быстрее.