"Качество и жизнь" № 3(35) 2022 c. 21-25

"Качество и жизнь" № 3(35) 2022 c. 21-25

Data Driven  как аналитика больших данных  в образовании в условиях цифровизации

Е.В. Ширинкинад.э.н., доцент, заведующий кафедрой менеджмента и бизнеса Сургутского государственного университета;  Ханты-Мансийский автономный округ – Югра, г. Сургут
e-mail: shirinkina86@yandex.ru
 
Актуальность исследования обусловлена тем, что благодаря появлению обучающих информационных систем и технологий Big Data, впервые за историю педагогика получила шанс быстро, непрерывно и в полном объеме регистрировать обширный массив наблюдений за процессом обучения, поведением и успеваемостью обучающихся. Цель работы – представление методологии Data Driven в контексте перехода от традиционной описательной аналитики к аналитике для принятия решений. Эмпирической основой исследования послужили труды Дэвида Ньеми «Learning Analytics in Education», Кхинтан Бхатт, Прити Шринивас Сайя, Сидатх Лийянаг «Utilizing Edu­cational Data Mining Techniques for Improved Learning: Emerging Research and Opportunities», а также исследования Университета 2035 «Интеллектуальный анализ образовательных данных». В статье автором раскрываются вопросы: что такое подход Data Driven в целом и в обучении в частности; почему важно замерять изменения и как это делать; какие вопросы нужно себе задать, прежде чем выстраивать систему аналитики для обучающей программы; как собираются данные для учебной аналитики. Практическая значимость результатов исследования заключается в том, что представленная методология Data Driven, как аналитика больших данных в образовании в условиях цифровизации, позволяет в системе учебной аналитики автоматизировать многие рутинные процессы, определять проблемы на ранних стадиях и действовать превентивно.

Ключевые слова: Data Driven, цифровые технологии, аналитика, интеллектуальный анализ, методы, эффективность, оценка, метрики, образование.

Литература:

  1. Амаева Л.А. Сравнительный анализ методов интеллектуального анализа данных // Инновационная наука. – 2017. – № 2-1. – С. 27–29.
  2. Вилкова К.А., Захарова У.С. Учебная аналитика в традиционном образовании: ее роль и результаты // Университетское управление: практика и анализ. – 2020. – Т. 24. – № 3. – С. 59–76.
  3. Дацун Н.Н., Уразаева Л.Ю. Перспективные направления применения учебной аналитики // Ученые записки ИУО РАО. – 2017. – № 1(61). – С. 43–46.
  4. Дэвид Ньеми. Learning Analytics in Education, 2018. URL: http://sber.me/?p=kBPrb (дата обращения: 10 февраля 2022).
  5. Дирка Ифентала, Даны-Кристин Ма, Джейн Инь-Ким Яу. Utilizing Learning Analytics to Support Study Success, 2019. – URL: http://sber.me/?p=292fN (дата обращения: 10 февраля 2022).
  6. Интеллектуальный анализ образовательных данных. – Онлайн-курс. – Университет 20.35. – URL: http://sber.me/?p=2RZbZ (дата обращения: 10 февраля 2022).
  7. Карл Андерсон. Creating a Data-Driven Organization. – 2015. – URL: http://sber.me/?p=G6p4S (дата обращения: 10 февраля 2022).
  8. Свердлов М.Б. Образовательная аналитика: управление образовательной организацией и создание контента на основе данных. – 2021. – URL: http://sber.me/?p=LPG6h (дата обращения: 10 февраля 2022).
  9. Kausar S., Oyelere S.S., Salal Ya.K., Hussain S., Cifci М.А., Hilcenko S., Iqbal M.S., Zhu W., Xu H. Mining smart learning analytics data using ensemble classifiers // International Journal of Emerging Technologies in Learning. 2020. Т. 15. № 12. С. 81–102.
  10. KPMG. Corporate Digital Learning. // URL: https://iversity.org/en/courses/corporate-digital-learning (дата обращения: 10 февраля 2022).
  11. Robust prediction of individual creative ability from brain functional connectivity. URL: http://sber.me/?p=dMN61(дата обращения: 10 февраля 2022).
  12. Shirinkina E.V. Multifactor model of assessing the probability of successful employment of university graduates // Innovations in Education. – 2020. – № 3(48). – С. 8–11.

DOI: 10.34214/2312-5209-2022-35-3-21-25

Back to top