Образование
#статьи

Аналитика данных в образовании: что мешает внедрить её в вузах

Сложности возникают на разных этапах — от сбора данных до внедрения разработанных решений.

Кадр: фильм «Скрытые фигуры» / Fox 2000 Pictures

Управление и принятие решений на основе данных (англ. data-driven decision-making, DDDM) считается очень перспективным подходом в высшем образовании. По мнению экспертов, анализ больших данных может помочь разрабатывать актуальные образовательные программы, отбирать мотивированных абитуриентов, отслеживать посещаемость студентов и прогнозировать отчисления.

На практике, однако, уже на этапе сбора данных возникают различные сложности. Вызовы, с которыми сталкиваются вузы, обращаясь к большим данным, обсудили эксперты во время круглого стола «Данные для аналитики об успешности студентов: дефициты, ограничения и возможности» на форуме «Преобразование образования». Форум организовал Институт образования ТГУ, и он состоялся 17–19 ноября. Мы приводим главные тезисы из сообщений спикеров.

Какие данные могут собирать вузы

Заведующий Лабораторией цифровой трансформации образования НИУ ВШЭ Иван Карлов поделился результатами одного исследования. Вместе с коллегами он проанализировал более 500 научных публикаций, где рассматривается использование аналитики данных в университетах. В результате исследователи выявили несколько типов данных, которые чаще всего применяются в высшем образовании:

  • Данные из внутренних информационных систем университета. Сюда входят демографические данные о студентах, их образовательные результаты, цифровой след, оставленный на LMS-платформе и в других вузовских системах. То есть все сведения, которые университет получает напрямую, когда студент начинает обучение.
  • Данные из открытых источников. К этой категории относится в основном информация с личных страниц студентов в соцсетях.
  • Данные из внешних информационных систем. В эту категорию входят сведения о школьной успеваемости, а ещё информация из социальных служб. По словам Ивана Карлова, данные из внешних систем активно используются, в частности, в американских и китайских университетах, но в российских реалиях они вузам недоступны.
  • Данные со специализированных устройств. Речь идёт о гаджетах, которые пользователи носят на себе, таких как умные часы и фитнес-браслеты, а также о нейроинтерфейсах. Некоторые зарубежные университеты используют данные от подобных устройств для разработки прогнозных и рекомендательных моделей.
  • Данные социологических исследований и измерений компетенций. Управление на основе данных работает, как правило, на тех сведениях, которые собираются массово и непрерывно — их и называют большими данными (Big Data). Однако иногда этой информации не хватает, и университеты проводят исследования на сформированных выборках — например, чтобы проанализировать компетенции студентов или их удовлетворённость обучением. Полученные данные можно использовать для разработки модели: «В таких-то условиях были достигнуты такие-то образовательные результаты». А затем эта модель может стать инструментом, непрерывно отслеживающим определённые параметры.

Какие проблемы возникают при сборе и анализе данных

Как рассказала Катерина Губа, директор Центра институциональных исследований науки и образования Европейского университета в Санкт-Петербурге, «чем больше мы занимаемся исследованиями на основе больших данных, тем больше видим разных проблем, связанных с их накоплением и анализом».

Катерина назвала несколько таких проблем, но, по её словам, их список может быть более длинным.

Исследователям сложно получить данные для анализа

Как уже упоминалось выше, сами исследователи не создают большие данные — они появляются в процессе деятельности какого-либо ведомства или организации. Например, у вузов есть персональная информация о студентах, сведения о том, когда и куда их зачислили, об их успеваемости и так далее.

Фото: bibiphoto / Shutterstock

Эти данные учебные организации используют в первую очередь для того, чтобы решать прикладные административные задачи. И если исследователям понадобится какая-то информация, то они обнаружат, что её сложно получить и проанализировать.

По словам спикера, дело в том, что университет — это организация, которая состоит из множества подразделений: институтов, факультетов, служб, департаментов. Каждое из этих подразделений аккумулирует и хранит данные по-своему. Поэтому исследователь не может запросить у университета единую базу данных — информацию приходится собирать по фрагментам.

Ещё одна сложность, считает Катерина Губа, связана с тем, что невозможно перевести операционные данные в исследовательские без участия администраторов — сотрудников университета, которые как раз и собирают все данные. Однако они обычно перегружены рутинными задачами и не могут оперативно ответить на запросы исследователей.

Университеты нередко улучшают показатели «на бумаге»

Как отмечает спикер, у исследователей возникают вопросы и к качеству административных данных. Причина в том, что университеты собирают множество данных для отчётности — и по этим показателям вышестоящие ведомства делают выводы о том, насколько результативно работает вуз. Университеты заинтересованы в том, чтобы представить такие сведения в выигрышном для себя свете, и в итоге данные не всегда отражают объективную реальность.

Поэтому, по словам Катерины, исследователям иногда требуется «вести раскопки» — например, брать интервью, чтобы понять, что на самом деле происходит с показателями и можно ли на них опираться.

Разработанные с помощью данных решения сложно воплотить

К сожалению, даже если исследователи получили данные, убедились, что они не были подвержены манипуляциям, обработали и проанализировали информацию, пришли к конкретным решениям — эта работа может ни к чему не привести.

Можно написать научную статью по результатам своего исследования, но вот внедрить эти результаты в вузовскую практику, как отмечает спикер, крайне сложно. Для этого различным службам и подразделениям внутри университета понадобится работать сообща — что снова затрудняется раздробленностью университетской структуры и высокой степенью регламентации всех процессов. К тому же ещё далеко не все принимают доказательный подход к образованию, поэтому, по мнению спикера, необходимо его популяризировать, демонстрировать его ценность и пользу.

Научитесь: Профессия Data Analyst Узнать больше
Понравилась статья?
Да

Пользуясь нашим сайтом, вы соглашаетесь с тем, что мы используем cookies 🍪

Ссылка скопирована