9 сен 2021
0

5 возможностей, которые большие данные открывают высшему образованию

Как анализ больших данных помогает вузам уже сейчас и чем может помочь в будущем — репортаж с профильной научной конференции.

Катя Павловская для Skillbox Media

Екатерина Ерохина

Обозреватель Skillbox Media. Магистр по научной коммуникации, интересуется социологией науки, историей и будущим образования.

Развитие учебной аналитики — один из главных технологических трендов в высшем образовании, по оценкам зарубежных экспертов. Как её внедряют российские вузы? Увидеть примеры работы университетов с большими данными в образовательном процессе можно было на второй международной конференции «Большие данные в образовании». Её организовал Московский городской педагогический университет.

Большинство докладов конференции основывались на исследованиях школьных цифровых платформ. Мы выбрали пять выступлений, которые касались «цифры» в вузах. Они показывают: любой процесс в университете, от разработки образовательной программы до оценки студенческого проекта, можно улучшить с помощью больших данных.

1. Проектировать актуальные для рынка труда образовательные программы

Как университет определяет, чему учить будущего лингвиста, программиста, инженера-нефтяника? Цепочку «профессиональный стандарт — ФГОС — образовательная программа» давно критиковали: она слишком медленно учитывает изменения, которые происходят в практике тех или иных профессий. Сейчас законодательные требования изменили: разработчики образовательных программ и в вузах, и в колледжах получили право «миксовать» компетенции из нескольких областей. За счёт этого выпускники будут получать несколько квалификаций.

Но откуда брать информацию о необходимых компетенциях, кроме профстандартов? Тут могут помочь компании-работодатели, но редко в каких отраслях мнение одного работодателя объективно отражает все тенденции рынка труда. Директор по развитию Skypro Михаил Свердлов предложил составлять скилсеты по профессиям перед тем, как разрабатывать саму образовательную программу.

Скилсет — это набор востребованных в профессии компетенций. Скилсеты основаны на изучении потребностей рынка, именно поэтому, считает Свердлов, содержание образования должно базироваться на них:

«Считаю, это единственно правильный способ составления образовательных программ. Иначе не совсем понятно, зачем мы в вузах учим кого-то по чему-то, если это не связано с запросами рынка сейчас либо в динамике с пониманием прогноза. Давайте хотя бы поймём, что сейчас есть на рынке и не устареет в ближайшие четыре года, когда выпустится наш студент».

Как раз при составлении скилсетов пригодятся методы сбора и анализа больших данных. В примере Свердлова — проектировании программы обучения аналитиков данных для Skypro — данные были не слишком большими, но тот же подход можно применить в любом масштабе. Подход включает три шага:

опрос специалистов, нанимающих на вакансию, которая соответствует будущей образовательной программе;
анализ массива вакансий на карьерных порталах — сколько публикуется, как быстро они закрываются, какие требования в них предъявляются;
детальный разбор нескольких вакансий вручную.

В итоге становится понятно, какие знания и навыки совершенно точно необходимы специалисту на рынке труда, а с какими его достаточно только познакомить. Зная это, можно проектировать объём и содержание образовательной программы.

2. Принимать мотивированных первокурсников

Чтобы внедрить анализ больших данных в приёмную кампанию, надо, чтобы данные генерировались как в университете, так и на предыдущей ступени — в школе. Как рассказал на конференции академик РАН и РАО Алексей Семёнов, вузы могли бы использовать «цифровой след» поступающих:

«Мы можем, исходя из анализа учебной деятельности обучающегося, прогнозировать его работу в вузе. По существу, это замена единого государственного экзамена. Если мы видим, как он осваивал математику в основной и старшей школе, то можем достаточно уверенно прогнозировать, что с ним будет в том или ином вузе, опираясь на массовую картину учащихся, которые поступали в этот вуз в течение нескольких лет с самыми разными исходными данными. Тем самым мы можем дать рекомендацию на продолжение образования, а не ставить фильтры».

Что нужно для того, чтобы эта идея стала явью? Во-первых, цифровые платформы для школы, на которых достоверно отслеживается образовательный путь каждого ученика: какие учебные цели перед ним стоят, какие задания он выполняет в «цифре» и в классе, как долго и насколько внимательно занимается самостоятельно, как взаимодействует со сверстниками и учителями, какую получает обратную связь. Во-вторых, нужны аналогичные системы аналитики для вузов — чтобы можно было прогнозировать, студенты с какими входными результатами учатся лучше.

Технические решения для сбора таких данных в учебном процессе уже существуют. Но об их массовом внедрении в школах России и использовании больших данных для поступления в вузы можно говорить только на горизонте 10–15 лет, не раньше. Так, цифровые портфолио достижений школьников, которые планирует запустить Рособрнадзор в ближайшие годы, должны стать лишь дополнением к действующей системе поступления в вузы. Такие портфолио позволят отслеживать победы школьников в олимпиадах, конкурсах, участие в волонтёрской и другой общественной активности. Предполагается, что учебные результаты по-прежнему будут фиксироваться в формате ЕГЭ.

3. Прогнозировать и предотвращать отчисления

Российские университеты уже внедряют аналитику собственных больших данных об образовательном процессе. И не только адаптируют для этих целей существующие на рынке коммерческие инструменты, но и разрабатывают собственные технические решения. О таком примере на конференции рассказал заместитель начальника управления информационных технологий МГПУ Роман Куприянов.

Коллектив исследователей МГПУ создал систему, которая с точностью в 71% прогнозирует успеваемость студента в следующем семестре. Модель использует разнообразные данные: баллы ЕГЭ (они обозначают входной уровень студента), результаты предыдущих сессий, информацию о том, участвует ли студент в общественной деятельности и берёт ли книги из университетской библиотеки и электронных библиотечных систем. Куприянов подчеркнул, что система уже приносит реальную пользу:

«Наш опыт показывает, что применение таких систем, регулярный мониторинг успеваемости позволяет снизить процент отчислений. В нашем университете удалось в два раза снизить процент отчислений за академическую неуспеваемость».

МГПУ планирует и дальше развивать собственную систему, в том числе интегрировать её с рекомендательной цифровой платформой. Пока прогноз успеваемости — плохой или хороший — может увидеть только сотрудник университета. В дальнейшем она будет напрямую связана с личными кабинетами самих студентов, которые смогут оценить свой прогресс и построить индивидуальную траекторию для устранения проблем.

4. Управлять посещаемостью занятий

Всеми данными о студентах, которые используются в системе МГПУ, вузы обычно владеют по умолчанию. Марина Лапенок из Уральского государственного педагогического университета представила на конференции модель прогноза посещаемости, основанную на более личной информации об индивидуальных поведенческих особенностях студентов.

Чтобы узнать, будет ли студент (или целая группа) посещать занятия по определённому предмету, недостаточно знать его предыдущие оценки. Среди показателей в системе УрГПУ — темперамент студента, наличие у него работы, пересечение сферы его интересов с выбранной дисциплиной и многое другое. Эту информацию исследователи получили в результате анкетирования. Экспериментируя с новой системой, в университете выявили: лучше всего посещаемость предсказывают мотивация к учёбе и умение организовать себя. Этот вывод открывает возможности развития инструмента, рассказала Лапенок:

«Дальнейшее обучение нейросети позволит реализовать, например, выработку рекомендаций по развитию качеств студентов и формированию расписания, способствующих улучшению посещаемости занятий».

Пока разработка УрГПУ — это выпускной проект одной из студенток бакалавриата. Модель строили и проверяли на данных её курса. Возможно, в перспективе вуз сможет внедрить подобные измерения полномасштабно.

5. Оценивать то, что не отражается на бумаге

Чем больше данных — тем больше вопросов из «серой зоны» законодательства. Об этом говорил в своём докладе о видеоаналитике начальник управления информационных технологий МГПУ Руслан Сулейманов.

МГПУ разрабатывает собственные алгоритмы для оценки вовлечённости студентов в занятие по видеозаписи. Сейчас собственные решения университета (в них используются, конечно, некоторые разработки с открытым кодом) позволяют анализировать поведение от одного до четырёх людей на видео. Фиксируются поза, направление взгляда, выражение лица. Применить их можно как для онлайн-занятий, так и для очных, снятых на видео в формате 360°.

В перспективе такие системы помогут преподавателям, например, оценивать групповую проектную работу. Отследить лично, кто из участников команды был активен, а кто отлынивал, не всегда получается. Анализ видео даст материал для оценки тех процессов в обучении, которые не видны в готовых работах.

Анализ лекций, напротив, сможет дать обратную связь преподавателю. Разработчики предполагают, что это будет особенно полезно начинающим педагогам-практикантам: алгоритм определит, насколько удалось поддерживать вовлечённость в классе, в какие моменты внимание «провисало». Самому пересматривать видео несколько раз не придётся, рассказал Сулейманов:

«У каждого человека в личном кабинете будет возможность загрузить свою фотографию, и она станет частью виртуального личного дела каждого студента. И впоследствии системы, которые используются у нас для анализа видео, будут этого человека узнавать среди других. Нужно это, например, для того, чтобы система могла определить, кто где в аудитории среди 20 человек <…> и дать результаты в личный кабинет, чтобы он мог сделать какие-то выводы для себя».

Именно в этих перспективах и кроются возможные юридические сложности — если алгоритм не просто анализирует видео, снятое в публичном месте, а узнаёт на записи конкретных людей, весь процесс становится обработкой персональных биометрических данных. Чтобы пользоваться такими алгоритмами, вузам потребуются согласия всех участников. А если учесть ещё и техническую сложность таких систем, массовое внедрение анализа видеозаписей в вузах пока выглядит весьма отдалённым будущим. Но отдельные примеры мы, безусловно, увидим в ближайшие пару лет.

Читайте также: