ISSN: 2218-7774

Н А У Ч Н Ы Й    П О Т Е Н Ц И А Л

Научный журнал. Издаётся с 2010 года


ИЩЕНКО Андрей Андреевич

БОЛЬШИЕ ДАННЫЕ КАК ИНФОРМАЦИОННАЯ БАЗА ДЛЯ АНАЛИЗА КАЧЕСТВА ОБРАЗОВАНИЯ


ИЩЕНКО Андрей Андреевич

магистрант

ФГБОУ ВО «Донской государственный технический университет»,

г. Ростов-на-Дону, Россия


В настоящее время в различных областях экономики и промышленности широким фронтом идет работа с большими объемами данных. Постепенно их влияние сказывается и в современном образовании, с каждым днем обучающиеся обмениваются различной информацией с преподавателями, обеспечивается мониторинг образовательных процессов и результатов обучения. Если большие данные рассматривать как инструмент анализа состояния образовательных систем, то они позволяют оперативно изменять или корректировать индивидуальную учебную деятельность, проще становится получать и обрабатывать информацию

. Это облегчает работу преподавателям и администрации, позволяет видеть положительные стороны и недоработки, своевременно поддерживать лучшее и устранять недостатки. В статье приведен пример эффективного использования больших данных по начальной школе Рузвельта недалеко от Сан-Франциско, где  учителя используют программу DIBELS с заданиями по чтению, помогающую выявлять отстающих учеников и оказывать им своевременную помощь, быс

тро готовить и адаптировать свои уроки к индивидуальным потребностям школьников. Кроме того, анализируя данные об учебном процессе, администрации могут лучше оценить образовательную деятельность учителей и, при необходимости, оперативно внести необходимые изменения, обеспечить продвижение лучших образовательных практик.

Ключевые слова: образование, образовательная система, большие данные, BigData, информационное пространство.


Наука о больших данных (БД, Big data science) – это совокупность методов и технологий, которые позволяют извлекать информацию из больших объемов данных. Для работы в этой области необходим междисциплинарный набор специальных знаний и навыков. Анализ больших данных позволяет ускорить решение технических, экономических, социальных, научных, исследовательских и педагогических проблем. О больших данных сегодня не слышал только человек, который не имеет никаких внешних связей с внешним миром. Тема аналитики Big Data и смежные тематики сегодня очень популярны. Изучая статистику, можно определять индивидуальные образовательные траектории и работать с глобальными образовательными системами. Большие данные задают подсказки и позволяют автоматизировать информационные системы, помогают улучшить педагогический дизайн информации: там, где ученик заснул от скуки, образовательную систему лучше переделать. А если подсказки не помогают — сообщают, что обучающемуся необходима помощь.


На основе больших данных провести анализ состояния образовательной системы для повышения ее качества. Самая интересная модель работы с большими данными — прогноз, где комбинация известных данных позволяет прогнозировать искомое неизвестное. Данные собираются из записей школьных систем, интернет-сервисов, опросов, контент-анализа и наблюдений во время обучения. Сбор таких данных достаточно трудоемкий процесс, нужно знать, что учитывать, на что смотреть и как выявлять необходимую информацию.


Сложность сбора, накопления,  обработки и анализа больших данных диктуют разработку соответствующих методов и технологий. Определяющими характеристиками для больших данных являются, помимо их физического объёма, и другие, связанные со значимостью информации, ее давностью, вкладом в решаемую информационную задачу. Поэтому набор признаков (volume, velocity, variety — физический объём, скорость прироста данных и необходимости их быстрой обработки, возможность одновременно обрабатывать данные различных типов) влияет на выбор технологий. Технологии обработки усложняются, если принять и другие требования: достоверность, жизнеспособность, ценность, переменчивость, визуализация. Все это подчеркивает экономическую целесообразность обработки больших объёмов данных в соответствующих условиях. К основополагающим технологиям больших данных можно отнести распределённые параллельные вычисления в кластерах однотипных данных,  обычные реляционные базы данных для достаточно быстрых и однотипных запросов, свободно распространяемые наборы библиотек, языки программирования для статистической обработки данных и их графического представления. Большие данные в образовании обеспечивают прогнозирование, совершенствование, принятие обоснованных управленческих решений, обеспечивать условия для мониторинга и др. [1, 2] Совокупность различных методов обеспечивает получение нетривиальной, практически полезной и необходимой информации для принятия управленческих решений. Сейчас стоит задача объединить в единую базу различную информацию о системе образования и качестве ее работы, собираемую на всех уровнях. Эти данные должны собираться автоматически, без увеличения объема работы сотрудников образовательной организации, которую, как правило, приходится делать вручную. Доступ к сформированной базе данных важно обеспечить всем участникам образовательной деятельности, а также  руководителям всех уровней для принятия управленческих решений в сфере образования. Это позволит обеспечить мониторинг состояния с учетом результатов национальных и международных исследований качества образования, что позволит объективно оценивать в целом состояние российского образования, отслеживать тенденции его развития, определять влияние стандартов и учебников на качество образования, выявлять области, требующие дальнейшего совершенствования и повышения конкурентоспособности в международном образовательном пространстве.


На настоящий момент Рособрнадзор для контроля системы образования использует порядка 25 федеральных информационных систем. Основой служат те данные, которые в течение многих лет могут быть получены, в том числе, по результатам всероссийских проверочных работ, единого и основного государственного экзамена, других оценочных процедур и контрольно-надзорной деятельности. Данные хранятся, анализируются и используются для управления качеством образования на различных уровнях [3]. Но не специалистам, которые хотели бы посвятить себя изучению Big Data, не всегда ясно, какие перспективы имеет эта сфера, где может применяться аналитика Big Data и на что может рассчитывать хороший аналитик (рисунок 1).

 

Рисунк 1.  Основные проблемы внедрения и применения БД.


В то же время анализ больших данных позволяет выявлять крайне ценную информацию из структурированных или неструктурированных наборов данных. Благодаря этому в образовании, например, может определять тенденции, прогнозировать эффективность по какой-либо дисциплине и оптимизировать их [4]. Технологии и методы анализа, которые используются для анализа Big Data: машинное обучение, искусственные нейронные сети, прогнозная аналитика, статистический анализ, визуализация аналитических данных. Важно учитывать меры безопасности статистических данных и личной информации. С широким использованием Big Data жизнь новых поколений значительно изменится в результате «революции данных». И эти изменения могут иметь как положительный, так и отрицательный оттенок. Использование интернета для организации международных программ общения и обучения школьников расширяет возможности детей. Но персональными данными детей, которые попадут в сеть, могут воспользоваться третьи лица для неизвестных, а также незаконных целей. По мере того как учащийся будет отвечать на вопросы, платформа сможет предсказать его готовность к новым темам. К примеру, Аризонский технологический университет нуждался в разработке нового курса по математике, так как студентам приходилось готовиться к экзамену целый год. После использования дополнительных курсов на базе платформы Knewton около половины студентов смогли сдать экзамен как минимум на месяц раньше. Одна из популярных стратегий персонализации обучения – предложить дополнительный онлайн курс отстающему студенту.


Еще одна сфера применения больших данных – прогнозное моделирование. Американские колледжи и университеты сами направляют письма-приглашения будущим студентам. Каждый вуз стремится привлечь наиболее перспективных и подготовленных студентов. Чтобы облегчить работу приемной комиссии аналитики из компании ForecastPlus собирают и анализируют несколько типов данных студентов: этническая принадлежность, успеваемость, выпускные работы и другие. Прогнозное моделирование доказало свою эффективность более чем в ста образовательных учреждениях США. В частности, университет Крейтон в Небраске смог исключить из рассмотрения 35 тысяч не самых перспективных студентов и не направлять им письма, что позволило сэкономить более 30 тысяч долларов. Большие данные о качестве образования можно рассматривать, как инструмент для улучшения и прогнозирования необходимых для этого мероприятий.


В России только начинается использование больших данных в образовании. Авторы научного проекта, предлагают разработать идентификационную карту студента, которая объединит ряд функций: проездной и студенческий билет, зачетная книжка и пропуск на территорию, портфолио студента и др. С помощью карты можно будет собирать данные о времени и месте нахождения студента. Создав личный кабинет, студенты будут отлеживать свою успеваемость, общаться с преподавателями, узнавать расписание занятий и изучать университетский режим. Все эти сервисы позволят собирать и обрабатывать данные, генерировать дальнейшие рекомендации по улучшению опыта обучения [5].


Вывод. Доступ к большим данным помогает получать мгновенную обратную связь с учащимися по планам занятий, определять темп выполнения плана занятий, отслеживать прогресс учащихся и понимать индивидуальные потребности учащихся. Так же big data, выявляет и помогает покрыть пробелы в обучении обучающихся, предлагает инструмент для получения информации об успеваемости обучающихся и условиях обучения преподавателям и руководству образовательной организации в реальном времени. Платформа анализирует результаты работы каждого ребенка, выявляя сильные и слабые стороны, пробелы в знаниях и генерируя соответствующие наборы проблем, чтобы помочь прогрессировать. Использование больших данных в школах как образовательную платформу в сети (сайт), в которой будет хранится абсолютно вся информация о каждом обучающемся, а также образовательная среда. На платформе можно будет смотреть текущие оценки, пропуски, выполнять задания по различным дисциплинам выставляя дополнительные баллы за выполненные задания, папка достижений обучающегося, электронной библиотекой, планируемые школьные мероприятия (музеи, художественные выставки, зоопарки, конкурсы и олимпиады по дисциплинам), что бы ребенок мог сам производить мониторинг через платформу, тем самым мотивировать себя на учебный процесс и культурное воспитание. Если обучающийся заболел или по каким-либо другим причинам отсутствует в школе, то зайдя на образовательную платформу (сайт) в личный кабинет смог разобрать тему, пройденную без него с использованием электронной библиотеки либо в виде сообщений в чате со своим преподавателем. После разбора пропущенной темы не помешало бы пройти тест для закрепления темы и увидеть результат в виде отчета с последующим внесением в дополнительные баллы в цифровой журнал образовательной школьной платформы.


Цифровая образовательная платформа: Информация, поступающая в цифровой дневник, немедленно становится доступна на сайте. В системе предусмотрено информирование с помощью электронной почты и SMS. Всегда актуальная информация об изменениях расписания, заменах, любых значимых событиях. Родители видят оценки своих детей и полученные замечания в день их выставления. Полноценный контроль посещаемости, отображение заданного домашнего задания. Темы пройденных и пропущенных уроков, прямая переписка родителей и учеников с учителями. В системе отображается полная статистика и представлены все необходимые расчетные показатели. Раздельный доступ к дневнику и журналу для учителей, родителей, учеников и администрации школы. Успеваемость учеников остается только в ведении их родителей и педагогов, и недоступна посторонним. Для администрации школы и классных руководителей в системе могут быть предусмотрены дополнительные возможности.


Образовательным организациям еще предстоит не только научиться использовать большие данные, но и разработать методики их широкого применения в управлении качеством обучения, описать специфику оценочной процедуры с использованием БД. А также подготовить наборы инструкций, бланков, руководств и форматов представления результатов анализа пользователям, задать границы их применимости и сформулировать принципы оценочно-аналитической деятельности по БД.


ЛИТЕРАТУРА

1. Ефремова Н.Ф. Учебные достижения как объект тестирования и показатель качества в образовании // Вопросы тестирования в образовании. - 2004. № 9. - С. 53–61.

2. Ефремова Н.Ф. Тестирование и мониторинг: рекомендации учителю // Стандарты и мониторинг в образовании. - 2001. № 3. -  С. 55.

3. Новые возможности мониторинга в образовании: большие данные  [Электронный ресурс].‒Режим доступа: http://www.edu54.ru/news/list/173274/ (дата обращения: 25.05.19).

4. Аналитика BIG DATA  [Электронный ресурс]. ‒ Режим доступа: https://habr.com/ru/company/mailru/blog/449370/ (дата обращения: 25.04.19).

5. Как data science улучшит образование  [Электронный ресурс].‒ Режим доступа: https://metkere.com/2015/11/bigdataeducation.html (дата обращения: 16.11.16).


BIG DATA AS AN INFORMATION BASE TO ANALYZE THE QUALITY OF EDUCATION


ISHCHENKO A.A.

undergraduate

Don State Technical University

Rostov-on-Don, Russia.


Currently, large amounts of data are being processed on a broad front in various areas of the economy and industry. Gradually, their influence is also reflected in modern education. every day students exchange various information with teachers, and monitoring of educational processes and learning outcomes is provided. If big data is considered as a tool for analyzing the state of educational systems, it allows you to quickly change or adjust individual educational activities, it becomes easier to receive and process information. This facilitates the work of teachers and administrators, allows them to see the positive sides and shortcomings, timely support the best and eliminate shortcomings. The article provides an example of effective use of big data at Roosevelt elementary school near San Francisco, where teachers use the DIBELS program with reading tasks to help identify lagging students and provide them with timely assistance, quickly prepare and adapt their lessons to the individual needs of students. In addition, by analyzing data on the educational process, administrations can better evaluate the educational activities of teachers and, if necessary, promptly make the necessary changes, ensure the promotion of best educational practices.

Key words: education, educational system, big data, BigData, information space.

© А.А. Ищенко, 2020