СЕКЦИЯ
Цифровые образовательные практики
Вайнштейн Ю.В.,
Сомова М.В.,
Носков М.В.
Сибирский федеральный университет,
г. Красноярск
Элементы дизайна высокоточных электронных обучающих курсов
В статье представлены результаты исследования по выявлению элементов дизайна высокоточных электронных обучающих курсов. Под высокоточными электронными обучающими курсами понимаются учебные ресурсы в цифровой образовательной среде вуза, используемые в качестве основного источника данных цифрового следа обучающихся для прогнозирования успешности обучения. Обозначены перспективы дальнейшего развития работы.
Vainshtein Yu.V.,
Somova M.V.,
Noskov M.V.
Siberian Federal University,
Krasnoyarsk
Elements of Design for High-Precision E-Learning Courses
The article presents the results of a study aimed at identifying design elements for high-precision e-learning courses. High-precision e-learning courses are defined as educational resources in a university's digital learning environment that serve as the primary source of data on students' digital footprints to predict academic success. The prospects for further development of this work are outlined.
В мировой и отечественной образовательной практике достаточно активно развивается задача управления обучением студентов вуза на основе прогнозирования успешности обучения [1-4]. Накопленный опыт демонстрирует многообразие подходов, применяемых прогностических моделей и технологических средств. При этом можно заметить, что объединяет существующие исследования то, что в качестве источника данных цифрового следа обучающихся выступают электронные обучающие курсы (ЭОК), реализованные в цифровой среде вуза на базе систем управления обучением.
Но при этом единых подходов и критериев к их построению не существует, задача о том, каким должен быть ресурс для эффективного прогнозирования результатов обучения практически не решается, элементы дизайна таких курсов до сих пор не определены. Говоря о таких электронных обучающих курсах, мы считаем целесообразным использовать понятие высокоточного электронного обучающего курса и понимать под ним образовательный ресурс, дизайн которого позволяет формировать цифровой след обучающихся, позволяющий осуществлять прогнозирование успешности обучения с высокой точностью.
Целью настоящей работы выступает выявление элементов дизайна высокоточных электронных обучающих курсов. Для этого авторами были проведены:
- анализ и выявление критериев высокоточных электронных обучающих курсов,
- анонимный опрос студентов и преподавателей,
- выявление элементов дизайна высокоточных электронных обучающих курсов.
В рамках анализа высокоточных электронных обучающих курсов, мы рассматривали результаты работы сервиса прогнозирования академической успеваемости «Пифия», функционирующего в Сибирском федеральном университете [4-6]. Пифия осуществляет прогнозирование успешности обучения студентов на основе данных электронных обучающих курсов по социально-гуманитарным, естественно-научным и специальным дисциплинам. Естественно, что точность прогнозирования по всем дисциплинам существенно различается. Нами для анализа были отобраны 55 электронных обучающих курсов, которые мы отнесли к высокоточным, так как точность прогноза по ним на 7 учебной неделе составила более 80 %.
Затем экспертным путем были сформулированы критерии к высокоточным электронным обучающим курсам, представленные в таблице.
Выявленные критерии были учтены при разработке анкеты для опроса преподавателей и обучающихся. В анонимном опросе участвовали 117 студентов и 38 преподавателей.
Им было предложено 13 вопросов, среди которых 9 были вопросами с заранее предложенными вариантами ответов (одиночный или множественный выбор), а оставшиеся 4 вопроса предполагали свободный ответ. Некоторые примеры результатов опроса студентов и преподавателей относительно значимости выявленных критериев по шкале от 0 – не значимо, до 5 – значимо, представлены на рисунке 1.
Но при этом единых подходов и критериев к их построению не существует, задача о том, каким должен быть ресурс для эффективного прогнозирования результатов обучения практически не решается, элементы дизайна таких курсов до сих пор не определены. Говоря о таких электронных обучающих курсах, мы считаем целесообразным использовать понятие высокоточного электронного обучающего курса и понимать под ним образовательный ресурс, дизайн которого позволяет формировать цифровой след обучающихся, позволяющий осуществлять прогнозирование успешности обучения с высокой точностью.
Целью настоящей работы выступает выявление элементов дизайна высокоточных электронных обучающих курсов. Для этого авторами были проведены:
- анализ и выявление критериев высокоточных электронных обучающих курсов,
- анонимный опрос студентов и преподавателей,
- выявление элементов дизайна высокоточных электронных обучающих курсов.
В рамках анализа высокоточных электронных обучающих курсов, мы рассматривали результаты работы сервиса прогнозирования академической успеваемости «Пифия», функционирующего в Сибирском федеральном университете [4-6]. Пифия осуществляет прогнозирование успешности обучения студентов на основе данных электронных обучающих курсов по социально-гуманитарным, естественно-научным и специальным дисциплинам. Естественно, что точность прогнозирования по всем дисциплинам существенно различается. Нами для анализа были отобраны 55 электронных обучающих курсов, которые мы отнесли к высокоточным, так как точность прогноза по ним на 7 учебной неделе составила более 80 %.
Затем экспертным путем были сформулированы критерии к высокоточным электронным обучающим курсам, представленные в таблице.
Критерии высокоточных электронных обучающих курсов | Частота встречаемости, % |
1. наличие заданий с оцениванием преподавателем 2. или взаимооцениванием студентов | 89,1 |
3. обеспеченность автоматизированными 4. контрольно-измерительными материалами | 81,8 |
5. учет результатов аудиторной работы студентов 6. в электронном журнале | 71 |
7. наличие обратной связи от преподавателей | 70 |
8. введение дедлайнов и ограничений по попыткам выполнения заданий и тестов | 41,8 |
Выявленные критерии были учтены при разработке анкеты для опроса преподавателей и обучающихся. В анонимном опросе участвовали 117 студентов и 38 преподавателей.
Им было предложено 13 вопросов, среди которых 9 были вопросами с заранее предложенными вариантами ответов (одиночный или множественный выбор), а оставшиеся 4 вопроса предполагали свободный ответ. Некоторые примеры результатов опроса студентов и преподавателей относительно значимости выявленных критериев по шкале от 0 – не значимо, до 5 – значимо, представлены на рисунке 1.
Обработка полученных количественных и качественных данных опроса была произведена с применением генеративной модели искусственного интеллекта – нейросети GigaChat. Затем проведена экспертиза результатов и выделены следующие элементы дизайна высокоточных ЭОК:
- доступность контента – наличие вариативного учебного контента с возможностью доступа в любом месте и в любое время.
- структурированность – наличие чёткой и последовательной структуры ресурса, позволяющей наглядно визуализировать дорожную карту образовательного процесса по дисциплине.
- график изучения дисциплины – регламентирующего установленные дедлайны и требования.
- система оценивания – наличие прозрачной и объективной оценки обучающихся.
- своевременная обратная связь – наличие оперативной обратной связи от преподавателей.
- актуальность и полнота информации – релевантность образовательного контента.
-эстетика и эргономика – обеспечивает привлекательный и мотивирующий к изучению дисциплины электронный обучающий курс.
В планах по развитию представленных результатов построить критериально-функциональную модель педагогического дизайна высокоточных электронных обучающих курсов, которая, по нашему мнению, должна повысить качество цифрового следа обучающихся в цифровой образовательной среде вуза и результативность процессов управления обучением студентов вуза на основе прогнозирования успешности обучения.
Литература:
- доступность контента – наличие вариативного учебного контента с возможностью доступа в любом месте и в любое время.
- структурированность – наличие чёткой и последовательной структуры ресурса, позволяющей наглядно визуализировать дорожную карту образовательного процесса по дисциплине.
- график изучения дисциплины – регламентирующего установленные дедлайны и требования.
- система оценивания – наличие прозрачной и объективной оценки обучающихся.
- своевременная обратная связь – наличие оперативной обратной связи от преподавателей.
- актуальность и полнота информации – релевантность образовательного контента.
-эстетика и эргономика – обеспечивает привлекательный и мотивирующий к изучению дисциплины электронный обучающий курс.
В планах по развитию представленных результатов построить критериально-функциональную модель педагогического дизайна высокоточных электронных обучающих курсов, которая, по нашему мнению, должна повысить качество цифрового следа обучающихся в цифровой образовательной среде вуза и результативность процессов управления обучением студентов вуза на основе прогнозирования успешности обучения.
Литература:
- Кустицкая Т.А. Прогнозирование успешности обучения: проблемы и задачи / Т. А. Кустицкая, М. В. Носков, Ю. В. Вайнштейн // Наука и школа. – 2023. – № 4. – С. 71-83. – DOI 10.31862/1819-463X-2023-4-71-83.
- Носкова Т.Н. Цифровая образовательная среда: новые аспекты развития обучающихся // Проблемы развития дидактики в условиях цифровой трансформации образования. – Москва: Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина, 2022. – С. 122-146.
- Патаракин Е.Д. Использование учебной компьютерной аналитики для поддержки совместной сетевой деятельности субъектов образования // Образовательные технологии и общество. –№ 17(2). – 2014. – С. 538-554.
- Freitas E., Fernando F., Garcia V., Falcão T., Marques E., Gasevic D., Ferreira R. MMALA: Developing and Evaluating a Maturity Model for Adopting Learning Analytics // Journal of Learning Analytics. vol. 11. Pp. 1-20. 2024. DOI: 10.18608/jla.2024.8099
- Носков М.В., Вайнштейн Ю.В., Сомова М.В., Федотова И.М. Прогностическая модель оценки успешности предметного обучения в условиях цифровизации образования // Вестник РУДН. Серия: Информатизация образования. 2023. Т. 20. № 1. С. 7-19. DOI: 10.22363/2312-8631-2023-20-1-7-19
- Kustitskaya T.A., Esin R.V., Vainshtein Y.V., Noskov M.V. Hybrid Approach to Predicting Learning Success Based on Digital Educational History for Timely Identification of At-Risk Students // Educ. Sci. 2024. No 14(6):657. DOI: 10.3390/educsci14060657
- Свидетельство о государственной регистрации программы для ЭВМ № 2023683411 Российская Федерация. Система прогнозирования академической успеваемости "Пифия": № 2023683104: заявл. 03.11.2023: опубл. 07.11.2023 / Е. А. Сантьев, К. Н. Захарьин, А. Н. Шниперов [и др.]; заявитель ФГАОУ ВО «Сибирский федеральный университет».
ВОПРОСЫ И КОММЕНТАРИИ
