Версия сайта для слабовидящих
Чтобы повысить мотивацию студентов к обучению, преподаватели активно применяют различные подходы к организации образовательного процесса, в т.ч. используемые в HR. Сегодня мы покажем, как, по аналогии с управлением человеческими ресурсами, аналитика больших данных (Big Data) и методы машинного обучения (Machine Learning) помогают увеличить вовлеченность учеников и улучшить качество образования.
От описаний к предписаниям: 3 примера Big Data аналитики в ВУЗах
В 2013 году английский Университет Ноттингем Трент внедрил интерактивную систему дескриптивной аналитики студенческих результатов в виде панели мониторинга, которая показывала данные о вовлеченности студентов в учебный процесс. Дэшборд был разработан с целью снизить показатели отсева студентов, улучшить посещаемость и увеличить чувство принадлежности к университетскому сообществу. На панели, доступной студентам, преподавателям и кураторам (тьюторам), выводятся показатели вовлеченности каждого учащегося в сравнении с его одногруппниками: частота работы с библиотекой, сведения об изучаемых курсах, посещаемость и прочие учебные показатели. Таким образом любой студент может посмотреть собственную активность и сравнить себя с сокурсниками, чтобы понять, насколько он включен в учебный процесс и жизнь университета в целом, а также на что стоит обратить большее внимание. Если студент не подает признаков активности в течении двух недель, платформа отправляет уведомления тьюторам, чтобы те быстро связались с обучаемым и поддержали его. Через 3 года после внедрения системы, результаты университетского опроса показали, что 72% первокурсников использовали эту Big Data панель студенческого мониторинга и она вдохновила их увеличить количество времени на учебу [1].
Университет Пердью в США запустил у себя систему предиктивной аналитики, которая собирает информацию об академической истории студентов, их активности в цифровой учебной среде и демографические данные. На основе этой информации рассчитывается уровень риска отсева для каждого студента. Значение этого показателя периодически направляется координатору курса и самому учащемуся. Для наглядности данные визуализированы: зеленым цветом отмечены студенты, которые, вероятнее всего успешно закончат семестр, желтым – те, что находятся в зоне риска, а красным – требующие незамедлительной помощи куратора. Благодаря такой интерактивной Big Data системе удалось улучшить результаты обучения и снизить показатели отсева [1].
Интересен также опыт еще одного ВУЗа США, Университета Карнеги-Меллона, где создана онлайн-платформа с учебными курсами, которая предоставляет студентам подробный отчет об их успехах. Результаты ее эксплуатации показали, что детальные отзывы и возможность посмотреть анализ собственной успеваемости и образовательной активности почти в 2раза ускорили срок прохождения онлайн-курсов [1].
Machine Learning в образовании: рекомендательные системы и оценка знаний
Справедливости ради стоит отметить, что сегодня платформы онлайн-образования используются практически в каждом отечественном и зарубежном ВУЗе. Однако, они, как правило, представляют собой цифровую форму традиционного процесса обучения, когда преподаватель предоставляет материал, а студент его изучает и выполняет задания. Обратная связь в виде отметок и отзывов, в большей степени, направлена на оценку результатов обучения конкретного студента, а не компетенций преподавателя и содержания курса [2]. Поэтому добавление в платформу онлайн-обучения элемента соревновательности с другими студентами, а также рекомендательных советов по выбору других обучающих курсов может значительно повысить эффективность такой системы. Частично это реализовано в независимых и коммерческих агрегаторах онлайн-курсов для самостоятельного дистанционного обучения и повышения квалификации.
Но, например, в одном американском университете, Остин Пии, внедрена рекомендательная система, которая помогает студентам выбрать образовательные курсы и записаться на них. В качестве входных данных используются результаты обучения предыдущих студентов по конкретному курсу, успеваемость каждого студента и сведения об обучающихся с похожими профилями и интересами. На основе анализа этой информации Big Data система с помощью алгоритмов Machine Learning подбирает учебные курсы, максимально соответствующие интересам, способностям и учебной программе отдельного студента. Точность рекомендаций оценивается на уровне 90% [1].
Алгоритмы машинного обучения могут использоваться не только для выдачи релевантных советов по выбору образовательных курсов. Например, университет Северной Каролины (США) в начале 2020 года была представлена система мультизадачного обучения, где модели Machine Learning предсказывают вероятность правильного ответа студента на основе его предыдущего поведения в игровом учебном процессе. Это пригодится для уведомления учителей, когда ученику могут понадобиться дополнительные инструкции и облегчения адаптивных функций обучения в процессе самой игры. Например, изменение сюжетной линии, добавление подсказок и пр. [3]
Как использовать аналитику больших данных и методы Machine Learning для цифровизации бизнес-процессов своего предприятия, вы узнаете, пройдя обучение на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:
Источники
