gallery/gerb_rgpu_1
En
Ru

New Educational Strategies in Modern Information Space - 2020

Новые образовательные стратегии в современном информационном пространстве

Тербушева Е.А., Пиотровская К.Р.

РГПУ им. А.И. Герцена
Санкт-Петербург

terbushevae@gmail.com, krp62@mail.ru

Калмыкова С.В.

СПбПУ
Санкт-Петербург
 kalmykovas@mail.ru

 

 

Учебная аналитика на основе данных СДО Moodle

 

  В статье обсуждена актуальность исследования возможностей образовательной аналитики и аналитических инструментов для анализа данных, накапливаемых в СДО Moodle. Выделены группы возможных направлений и аналитических средств Moodle и приведены результаты применения выявленных возможностей для анализа студенческих активностей в дистанционном курсе.

 

Terbusheva E.A., Piotrowska K.R.

HSPU
Saint-Petersburg, Russia

Kalmykova S.V.

SPbPU
 Saint-Petersburg, Russia

 

Learning analytics for data from Moodle

 

  The article shows the relevance of researching the possibilities of educational analytics and analytical tools for analyzing the data accumulated in the LMS Moodle. Groups of possible directions and tools for analyzing data from the Moodle environment are identified and the results of an experiment on the application of the described capabilities for analyzing student activities in a distance course are presented.

    

 

Введение и актуальность исследования

Информация о цифровых следах подразумевает информацию об активностях студентов в цифровой среде и обычно содержится в лог-файлах систем. Анализ такой информации может помочь в построении предсказаний, например, относительно успешности обучения (предиктивная аналитика), в описании того, что случилось (описательная аналитика) или в построении выводов относительно того, почему это случилось (диагностическая аналитика).

 

Накапливаемая информация, наряду с последующей разработкой онтологий предметных областей и образовательных программ и интеллект-карт, отражающих горизонтальные связи между образовательными активностями любого уровня, может использоваться для обучения систем искусственного интеллекта, которые в дальнейшем станут рекомендательными помощниками при проектировании индивидуальной траекторий обучения.

 

Примером рекомендательной системы на основе анализа накапливаемой информации является адаптивная образовательная платформа Knewton[1]. Разработчики платформы утверждают, что им удалось создать универсальные алгоритмы и разработать обширную инфраструктуру сбора, анализа и использования информации о прогрессе студентов, включающую: Систему сбора данных, которая одновременно собирает детальную информацию о знаниях студента, о степени усвоения тех или иных понятий; Систему выводов, которая на основе собираемых данных об особенностях студента и его реакциях на изменение обучения, обобщает информацию и делает соответствующую настройку параметров контента; Систему персонализации, которая на основе данных всей системы оценивает возможности ученика, с учётом этого корректирует цели и формирует оптимальную стратегию обучения каждого студента. При этом система персонализации делает аналитические прогнозы относительно успехов студентов (скорость работы, вероятность достижения цели и т. д.) и ведёт личную статистику студента на всех уровнях обучения.

 

В России вузы активно строят собственные дистанционные курсы на базе систем дистанционного обучения, среди которых система Moodle является одной из наиболее востребованных и широко используемых. В процентном соотношении РФ не отстает от развитых стран в использовании платформы Moodle в официальных образовательных структурах[2]: в России 37% зарегистрированных сайтов – официальные образовательные учреждения, для сравнения в США – 34%, в Италии – 32%. Такая популярность Moodle связана с тем, что СДО является бесплатной и имеет подробную техническую документацию, самые широкие возможности кастомизации интерфейса и функций, а также гибкую систему статистики и отчетов в сравнении с другими свободными СДО: ATutor, Ilias и Diskurs [4].

 

Вышесказанное определяет актуальность исследования возможностей образовательной аналитики и аналитических инструментов для анализа данных, накапливаемых в системе поддержки дистанционного образования «Moodle» с целью повышения качества учебного процесса в цифровой образовательной среде.

 

Обзор возможностей образовательной аналитики

Образовательная аналитика подразумевает применение знаний из различных областей, как статистика, рекомендательные системы, интеллектуальный анализ данных, психометрия, технологии обучения и др., для анализа данных из образовательной среды. Например, в [14] с помощью корреляционного и кластерного анализа исследовались стратегии образовательной деятельности студентов в социальных сетях, в [3] с помощью методов интеллектуального анализа данных оценивались результаты обучения на дистанционном курсе, в [7] рассматривалась технология анализа текстов для оценки информационных образовательных ресурсов.

 

Анализировать накапливаемые данные на современном уровне позволяют методы интеллектуального анализа данных (ИАД, англ. Data mining/DM). Выделяется отдельное активно развивающееся сегодня направление - интеллектуальный анализ образовательных данных (ИАОД, англ. Educational data mining/EDM), которое направлено на разработку методов исследования данных для принятия решений в сфере образования. Возможности ИАОД рассматриваются в работах [1, 2, 5].

 

Выделим направления исследований в области образовательной аналитики, проводимых в научном сообществе непосредственно с данными среды Moodle: исследование зависимости между активностями студентов в Moodle и их успехами [11, 12, 15]; выявление поведенческих стратегий в онлайн-обучении [9, 10]; анализ гендерных различий в обучении в СДО [11], визуализация извлекаемых данных [6, 8].

 

Обзор аналитических инструментов

Изучив возможные средства для анализа данных, накапливаемых в СДО Moodle, мы классифицировали их по четырем группам (таблица 1).

 

Таблица 1. Классификация средств для анализа данных среды Moodle

Комментарии:

Оставить комментарий:

Имя  
Эл. почта  
Текст комментария  
 

К статье пока нет комментариев

Заключение

Развернувшаяся в 2020 г. пандемия COVID-19 еще раз наглядно продемонстрировала неготовность российских образовательных учреждений к полномосштабной практике дистанционного обучения. Преподавательскими составами даже, если демонстрируется готовность к проведению занятий в дистанционном режиме, однако, владение средствами учебной аналитики как правило отсутствует. Важно чтобы авторы и пользователи курсов стремились к построению электронных курсов с целью накопления данных, интеллектуальному анализу образовательных данных, на основе как стандартных, так и дополнительных инструментов.

 

Проведенное нами исследование заостряет внимание на связи студенческих активностей на курсе и успешностью обучения и тем самым констатирует целесообразность изучения в профессиональных и дидактических целях различных аналитических инструментов и их применения для анализа образовательных данных, и особенно данных, полученных при дистанционном обучении.

 

 

Литература:

  1. Белоножко П. П., Карпенко А. П., Храмов Д.А. Анализ образовательных данных: направления и перспективы применения // Интернет-журнал Науковедение. 2017. Т. 9. №4.
  2. Веряев А.А., Татарникова Г. В. Educational Data Mining и Learning Analytics - направления развития образовательной квалитологии // Преподаватель ХХI век. 2016. № С. 150-160.
  3. Нестеров С.А., Смолина Е.М. Методы интеллектуального анализа данных в задачах оценки результатов дистанционного обучения //Системный анализ в проектировании и управлении. 2019. № С. 406-412.
  4. Обзор 4 бесплатных систем электронного обучения: Moodle, Atutor, Ilias, Diskurs. URL: https://lmslist.ru/free-sdo/
  5. Пиотровская К. Р., Тербушева Е.А. Интеллектуальный анализ данных в педагогической аналитике // Техническое творчество молодежи. 2016. № 2 (96). С. 10-14.
  6. Рыбанов А. А., Сержантова Е. О., Макушкина Л. А. Аналитическая платформа Deductor как средство анализа результатов активности пользователей системы дистанционного обучения Moodle // Молодой ученый. 2013. №5. С. 173-17
  7. Фомин В.В., Павлова Т.Б., Осочкин А.А. Эксперименты Text-Mining по классификации текстов в рамках задач персонализации образовательной среды. Информатизация образования и науки. 2018. № 2 (38). С. 38-50.
  8. Aguilar D.A., Therón R., García-Peñalvo, F.J. Understanding Educational Relationships in Moodle with ViMoodle. In: Eighth IEEE International Conference on Advanced Learning Technologies, Santander, Cantabria, Spain, July 1st- July 5th, 2008, pp. 954-956.
  9. Akcapınar G. Profiling students’ approaches to learning through Moodle logs. In: Proceedings of the Multidisciplinary Academic Conference, Prague, 2015.
  10. Bogarín A., Romero C., Cerezo R. Discovering Students' Navigation Paths in Moodle. In: Proceedings of the 8th International Conference on Educational Data Mining, Madrid, Spain, 26-29 June, 2015, pp. 556-557.
  11. Kadoić N., Oreški D. Analysis of student behavior and success based on logs in Moodle. In: 41st International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), At Opatija, Croatia, 2018, pp. 0654–0659.
  12. Mogus A. M., Djurdjevic I., and Suvak N., The impact of student activity in a virtual learning environment on their final mark // Active Learning in Higher Education. 20 Vol. 13. № 3. P. 177–189.
  13. Konstantinidis A., Grafton C. Using Excel Macros to Analyze Moodle Logs. In: 2nd Moodle Research Conference (MRC2013), Souse, Tunisia, Oct. 4-5 2013, pp. 33-39.
  14. Noskova T.N., Pavlova T.B., Yakovleva O.V. Study of students educational activity strategies in the social media environment // E-learning. 2018. С. 113-123.
  15. Stiller K., Bachmaier R. Identifying learner types in distance training by using study times. In: Proceedings of the European Distance and E-Learning Network Conference, Genoa, Italy, June 17-20, 2018, pp. 78-86.
gallery/terbusheva1
gallery/terbusheva2
gallery/terbusheva3
gallery/terbusheva4
gallery/terbusheva5

Экспериментальное исследование аналитических инструментов

Некоторые из приведенных выше инструментов были апробированы для аналитики активностей студентов 1 курса заочного отделения в дистанционном курсе Истории в СДО Moodle СПбПУ.

 

Так, на основе встроенного отчета Moodle “Отчет о деятельности” было получено представление об интенсивности использования элементов дистанционного курса. Число учащихся, выполняющих контрольные тесты, оказалось значительно выше числа учащихся, работающих в течение семестра и просматривающих такие учебные элементы, как лекции, семинары, тесты для самопроверки. Кроме того, данный отчет показал, что учебная активность студентов снижается в течение всего семестра и к концу семестра уменьшается примерно в 3,5 раза. Это говорит о важности поиска способов поддержания активности студентов в цифровой образовательной среде.

 

С помощью внешнего программного средства для анализа данных Moodle [13] был осуществлен анализ временных предпочтений студентов, который показал, что наибольшая активность происходит в середине недели, со вторника по пятницу, а с субботы до вторника наблюдается спад активности. Кроме того, студенты работали в курсе преимущественно в утренние (с 8 до 12) или вечерние (с 17 до 23) часы. Данная информация может помочь в планировании групповых онлайн активностей (проведении онлайн-тестирования, консультации и т. п.).

 

Также с помощью программы Excel был проведен корреляционный анализ между различными показателями активности студентов и итоговыми баллами (таблица 2). Проведенный анализ показал, что на успешность обучения наибольшее влияние оказывает число различных действий на курсе (коэффициент корреляции 0.77), что говорит о необходимости побуждать студентов к различным действиям в пространстве курса.

 

Таблица 2. Результаты корреляционного анализа между различными показателями активности студентов в Moodle

gallery/terbusheva6