Онлайн-образование после пандемии: исследование проблем и возможностей студентов инструментами больших данных

В статье представлен научно обоснованный подход к анализу больших объёмов данных цифровых следов студентов в социальных сетях, который позволяет эффективно выявлять возникающие и наиболее обсуждаемые проблемы у студентов, а также выделять болевые точки, дающие возможности роста, развития вузов и улучшения характеристик образовательного процесса, сопровождения студентов и т. д. Исследование основано на тематическом анализе сообщений, опубликованных в университетских сообществах в социальной сети «ВКонтакте» инструментами больших данных. Результаты исследования показали, что студенты российских вузов до сих пор сталкиваются с рядом проблем, включая слабую техническую инфраструктуру университетов, цифровое неравенство в доступе к онлайн-образованию и негативное отношение к дистанционному обучению.

Научная проблема исследования заключается в противоречии между существующим объёмом неструктурированных данных цифровых следов студентов в социальных сетях и отсутствием научно-обоснованного и апробированного методологического подхода к анализу и оценке этих объёмных данных, что создаёт препятствия для фундаментального исследования взаимосвязи между активностью студентов в социальных сетях и их удовлетворённостью качеством образовательного процесса. Практическая направленность определяется в проведении анализа данных с применением инструментов больших данных. Полученные результаты и научно обоснованные выводы полезны для разработки инновационных стратегий и инструментов оценки и поддержки студентов.

Результаты показывают, что отслеживание трендов на основе цифровых следов студентов в социальных сетях и инструментария больших данных даёт высокую точность аналитических данных и может стать основой для выявления проблемных ситуаций в отдельных вузах и отрасли в целом, для принятия решений и управления, основанного на данных.

1. Marginson S. Imagining the global // Handbook of globalization and higher education: ed. by R. King, S. Marginson, R. Naidoo. 2011. P. 10–39. URL: https://www.researchgate.net/publication/285738663_Imagining_the_global (дата обращения: 20.04.2023).

2. Chapleo C., O’Sullivan H. Contemporary thought in higher education marketing // Journal of Marketing for Higher Education. 2017. Vol. 27. No. 2. P. 159–161. DOI: 10.1080/08841241.2017.1406255

3. Горбунова Е.В. Выбытия студентов из вузов: исследования в России и США // Вопросы образования. 2018. №1. C. 110–131. DOI: 10.17323/1814-9545-2018-1-110-131

4. Груздев И.А., Горбунова Е.В., Фрумин И.Д. Студенческий отсев в российских вузах: к постановке проблемы // Вопросы образования. 2013. №2 (октябрь). C. 67–81. DOI: 10.17323/1814-9545-2013-2-67-81

5. Arria A.M., Garnier-Dykstra L.M., Caldeira K.M., Vincent K.B., Winick E.R., O’Grady K.E. Drug use patterns and continuous enrollment in college: results from a longitudinal study // Journal of Studies on Alcohol and Drugs. 2013. Vol. 74. No. 1. P. 71–83. DOI: 10.15288/jsad.2013.74.71

6. Дзюбан В.В. Проблема внедрения цифровых технологий в систему образования в XX–XXI в. // Архонт. 2021. №6 (27). C. 34–39. EDN: GHGFYH.

7. Vieira C., Parsons P., Byrd V. Visual learning analytics of educational data: A systematic literature review and research agenda // Computers & Education. 2018. No. 122. P. 119–135. DOI: 10.1016/j.compedu.2018.03.018

8. Huda M., Maseleno A., Shahrill M., Jasmi K.A., Mustari I., Basiron B. Exploring adaptive teaching competencies in big data era // International Journal of Emerging Technologies in Learning (iJET). 2017. Vol. 12. No. 03. P. 68–83. DOI: 10.3991/ijet.v12i03.6434

9. Imani M., Montazer G.A. A survey of emotion recognition methods with emphasis on elearning environments // Journal of Network and Computer Applications. 2019. No. 147. Article no. 102423. DOI: 10.1016/j.jnca.2019.102423

10. Sultan P., Wong H.Y. Service quality in a higher education context: An integrated model // Asia Pacific Journal of Marketing and Logistics. 2012. Vol. 24. No. 5. P. 755–784. DOI: 10.1108/13555851211278196

11. Wulff A. Global Education Governance in the Context of COVID-19: Tensions and Threats to Education as a Public Good // Development. 2021. No. 64. P. 74–81. DOI: 10.1057/s41301-021-00293-1

12. Raju D., Schumacker R. Exploring student characteristics of retention that lead to graduation in higher education using data mining models // Journal of College Student Retention: Research, Theory & Practice. 2015. No. 16. P. 563–591. DOI: 10.2190/CS.16.4.e

13. Perez B., Castellanos C., Correal D. Applying data mining techniques to predict student dropout: a case study // 2018 IEEE 1st Colombian Conference on Applications in Computational Intelligence (ColCACI). 2018. P. 1–6. DOI: 10.1109/ColCACI.2018.8484847

14. Baek C., Doleck T. Educational data mining versus learning analytics: A review of publications from 2015 to 2019 // Interactive Learning Environments. 2021. P. 1–23. DOI: 10.1080/10494820.2021.1943689

15. de Oliveira C.F., Sobral S.R., Ferreira M.J., Moreira F. How does learning analytics contribute to prevent students dropout in higher education: A systematic literature review // Big Data and Cognitive Computing. 2021. Vol. 5 (4). No. 64. P. 1–33. DOI: 10.3390/bdcc5040064

16. Larrabee Sønderlund A., Hughes E., Smith J. The efficacy of learning analytics interventions in higher education: A systematic review//British Journal of Educational Technology. 2019. Vol. 50. No. 5. P. 2594–2618. DOI: 10.1111/bjet.12720Return

17. Rastrollo-Guerrero J.L., Gómez-Pulido J.A., Durán-Domínguez A. Analyzing and Predicting students performance by means of machine learning: A review // Applied Sciences. 2020. Vol. 10. No. 3. Article no. 1042. P. 1–16. DOI: 10.3390/app10031042

18. Goel Y., Goyal R. On the effectiveness of selftraining in MOOC drop-out prediction // Open Computer Science. 2020. Vol. 10. No. 1. P. 246–258. DOI: 10.1515/comp-2020-0153

19. Guo S., Zeng D., Dong S. Pedagogical data analysis via federated learning toward education 4.0 // American Journal of Education and Information Technology. 2020. Vol. 4. No. 2. P. 55–56. DOI: 10.11648/j.ajeit.20200402.13

20. Hasan R., Palaniappan S., Mahmood S., Abbas A., Sarker K.U., Sattar M.U. Predicting student performance in higher educational institutions using video learning analytics and data mining techniques // Applied Sciences (Switzerland). 2020. Vol. 10. No. 11. Article no. 3894. DOI: 10.3390/app10113894

21. Mai T.T., Bezbradica M., Crane M. Learning behaviours data in programming education: Community analysis and outcome prediction with cleaned data // Future Generation Computer Systems. 2022. No. 127. P. 42–55. DOI: 10.1016/j.future.2021.08.026

22. Von Hippel P.T., Hofflinger A. The data revolution comes to higher education: identifying students at risk of dropout in Chile //Journal of Higher Education Policy and Management. 2020. 24 p. DOI: 10.1080/1360080X.2020.1739800

23. Cannistrà M., Masci C., Ieva F., Agasisti, T., Paganoni A.M. Not the magic algorithm: modelling and early-predicting students dropout through machine learning and multilevel approach//MOX-Modelling and Scientific Computing, Department of Mathematics, Politecnico di Milano, Via Bonardi (Milan). 2020. No. 41. 33 p. URL: https://www.mate.polimi.it/biblioteca/add/qmox/41-2020.pdf (дата обращения: 25.04.2023).

24. Azcona D., Hsiao I.H., Smeaton A.F. Detecting students-at-risk in computer programming classes with learning analytics from students’ digital footprints // User Modeling and UserAdapted Interaction. 2019. No. 29. P. 759–788. DOI: 10.1007/s11257-019-09234-7

25. Miller Z., Dickinson B., Hu W. Gender prediction on Twitter using stream algorithms with ngram character features// International Journal of Intelligence Science. 2012. No. 2. P. 143–148. DOI: 10.4236/ijis.2012.224019

26. Поливанова К.Н., Смирнов И.Б. Что в профиле тебе моем: Данные «ВКонтакте» как инструмент изучения интересов современных подростков // Вопросы образования. 2017. No. 2. C. 134–152. DOI: 10.17323/1814-9545-2017-2-134-152

27. Gosling S.D., Augustine A., Vazire S., Holtzman N., Gaddis S. Manifestations of personality in online social networks//Cyberpsychology, Behavior, and Social Networking. 2011. Vol. 14. No. 9. P. 483–488. DOI: 10.1089/cyber.2010.0087

28. Степаненко А.А., Резанова З.И., Гойко В.Л. Автоматическая классификация контента персональных страниц пользователей социальной сети «Вконтакте» как маркеров профессиональных интересов абитуриента // Гуманитарная информатика. 2018. No. 15. C. 20–26. DOI: 10.17223/23046082/15/1

29. Dascalu M., Popescu E., Becheru A., Crossley S., Trausan-Matu S. Predicting academic performance based on students’ blog and microblog posts // European Conference on Technology Enhanced Learning. 2016. P. 370–376. DOI: 10.1007/978-3-319-45153-4_29

30. Hernández-de-Menéndez M., Morales-Menendez R., Escobar C.A., Ramírez Mendoza R.A. Learning analytics: state of the art // International Journal on Interactive Design and Manufacturing. 2022. No. 16. P. 1209–1230. DOI: 10.1007/s12008-022-00930-0

31. Brooks C.A., Thompson C.D.S. Chapter 5 : Predictive Modelling in Teaching and Learning. 2017. URL: https://www.semanticscholar.org/paper/Chapter-5-%3A-Predictive-Modellingin-Teaching-and-BrooksThompson/2cd4901b07f3562f98e1e56dc5712e8bc03bdc2e (дата обращения: 20.04.2023).