Оценка самостоятельной работы студентов при смешанном обучении на основе данных учебной аналитики

В статье предлагается использовать данные учебной аналитики систем организации обучения (LMS) для создания алгоритмов оценки самостоятельной работы студентов. Разработка подобных алгоритмов актуальна в условиях ежегодно возрастающего числа дисциплин, реализуемых по технологии смешанного обучения. Самостоятельная работа при смешанном обучении может проводиться на онлайн-платформе LMS, а использование данных учебной аналитики даёт возможность максимально учитывать особенности взаимодействия студента с учебными материалами курса и выполнения заданий различного типа. Для оценки времени выполнения и качества самостоятельной работы студентов определяется совокупность критериев и показателей, выбирается численная метрика и предлагается методика, с помощью которой по совокупным значениям показателей можно оценить учебную деятельность каждого студента. Методика включает алгоритмы оценки успешности выполнения самостоятельной работы на основе эмпирических данных учебной аналитики. Разработанные алгоритмы позволяют интерпретировать данные о выполнении самостоятельной работы для оценки её успешности и скорректировать траекторию обучения студента. В статье приводятся результаты применения методики на примере дисциплины «Информационные технологии», размещённой в LMS BlackBoard и реализуемой по технологии смешанного обучения в Дальневосточном федеральном университете.

смешанное обучение, самостоятельная работа, учебная аналитика, онлайн-обучение, мониторинг обучения, рейтинг, система организации обучения

1. Ross B., Gage K. Global perspectives on blended learning: Insight from WebCT and our customers in higher education // C.J. Bonk, & C.R. Graham (Eds.) Handbook of blended learning: Global perspectives, local designs. San Francisco, CA: Pfeiffer Publishing, 2006. P. 155–168.

2. Norberg A., Dziuban C.D., Moskal P.D. A time-based blended learning model // On the Horizon. 2011. № 19(3). P. 207–216. DOI: https://doi.org/10.1108/10748121111163913

3. Loschert K., Hall S.W., Murray T. Blending teaching and technology: simple strategies for improved student learning // Alliance for Excellent Education. 2018, February. 14 p. URL: https://futureready.org/wp-content/uploads/2018/02/Blended_Learning_Report_FINAL.pdf

4. Adams Becker S., Cummins M., Davis A., Freeman A., Hall Giesinger C., Ananthanarayanan V. NMC horizon report: 2017 higher Education Edition. Austin: The New Media Consortium, 2017. 60 p. URL: https://www.sconul.ac.uk/sites/default/files/documents/2017-nmc-horizon-report-he-EN.pdf

5. Кравченко Г.В. Использование модели смешанного обучения в системе высшего образования // Известия Алтайского государственного университета. 2014. № 2-1 (82). С. 22–25.

6. Попова С.Н. Организация самостоятельной работы студентов инженерного вуза в электронной обучающей среде Moodle // Приволжский научный вестник. 2015. № 7(47). С. 140–143.

7. Андрюшкова О.В., Горбунов М.А., Козлова А.В. Learning management system как необходимый элемент blended learning // Открытое образование. 2017. Т. 21. № 3. С. 80–88.

8. Oliveira P.C., Cunha C., Nakayama M.K. Learning Management Systems (LMS) and elearning management: an integrative review and research agenda // JISTEM-Journal of Information Systems and Technology Management. 2016. № 13(2). P. 157–180. DOI: https://dx.doi.org/10.4301/S1807-17752016000200001

9. Федосеева О.Ю. Анализ эффективности самостоятельной работы студентов с использованием информационных технологий // Вестник Волжского университета имени В.Н. Татищева. 2015. № 2 (24). С. 1–10.

10. Viberg O., Hatakka M., Bälter O., Mavroudi A. The current landscape of learning analytics in higher education // Computers in Human Behavior. 2018. № 89. P. 98–110. DOI: https://doi.org/10.1016/j.chb.2018.07.027

11. Стародубцев В.А., Ситникова О.В., Лобаненко О.Б. Оптимизация контента онлайнкурса по данным статистики активности пользователей // Высшее образование в России. 2019. Т. 28. № 8-9. С. 119–127. DOI: https://doi.org/10.31992/0869-3617-2019-28-8-9-119-127

12. Nistor N., Hernández-Garcíacc A. What types of data are used in learning analytics? An overview of six cases // Computers in Human Behavior. 2018. № 89. P. 335–338. DOI: https://doi.org/10.1016/j.chb.2018.07.038

13. O’Farrell L. Using Learning Analytics to Support the Enhancement of Teaching and Learning in Higher Education, report // National Forum for the Enhancement of Teaching and Learning in Higher Education. Dublin, 2017. 40 p. URL: https://www.teachingandlearning.ie/wp-content/uploads/TL_LA-Briefing-Paper_WEB.pdf

14. Garrison D.R., Vaughan N.D. Blended learning in higher education. 1st ed. San Francisco: JosseyBass Print, 2013. 245 p.

15. Быстрова Т.Ю., Ларионова В.А., Синицын Е.В., Толмачев А.В. Учебная аналитика МООК как инструмент прогнозирования успешности обучающихся // Вопросы образования. 2018. № 4. С. 139–166. DOI: https://doi.org/10.17323/1814-9545-2018-4-139-166

16. Schneider D., Class B., Benetos K., Lange M. Learning process analytics. Requirements for learning scenario and learning process analytics // T. Amiel, B. Wilson (Eds.) Proceedings of World Conference on Educational Multimedia, Hypermedia and Telecommunications. Denver, Colorado, June 26-29, 2012. P. 1632–1641.

17. Ершов К.С., Романова Т.Н. Анализ и классификация алгоритмов кластеризации // Новые информационные технологии в автоматизированных системах. 2016. № 19. С. 274–279.

18. Meilă M. Comparing clusterings – an information based distance // Journal of Multivariate Analysis. May 2007. Vol. 98. Issue 5. P. 873–895. DOI: https://doi.org/10.1016/j.jmva.2006.11.013