Цифровой след как источник больших данных (Big Data) в образовании

Цель данного исследования – рассмотреть перспективы и проблемы применения больших данных в образовании.

Материалы и методы. Методами исследования выступали анализ, систематизация и структурирование информации в области применения больших данных в образовании, а также моделирование и программная реализация тестовой модели обработки больших данных с использованием фреймворка Apache Spark.

Результаты. В статье рассмотрены ключевые аспекты использования больших данных в образовании, в частности, их источники в виде цифрового следа обучения, методы анализа и направления применения больших данных. При этом были выделены следующие источники больших данных в образовании: электронная образовательная среда и электронная библиотека вуза; мобильные приложения для обучения; сайт вуза; социальные сети и форумы; данные обратной связи, обращений и опросов; персональные данные, включая психометрические характеристики обучающихся; данные научных smart лабораторий; данные видеонаблюдений и систем контроля управления доступом; данные о карьерном пути и успешности выпускников. Направления применения больших данных в образовании включают в себя следующие моменты: персонализация электронного обучения, выдача персонализированных рекомендаций; аналитика данных; оценка и обратная связь; прогнозирование успеха студентов; мониторинг качества образования; создание модели обучаемого; разработка учебных планов на основе запросов работодателей; разработка новых образовательных программ; появление новых моделей обучения; совершенствование процессов управления вузом; совершенствование работы приемной компании; модернизация программно-технических средств обучения; оптимизация педагогического состава. В качестве проблем применения больших данных в образовании рассматриваются проблемы защиты личных (персональных) данных, необходимость в новых методологиях и технологиях анализа больших данных, потребность в существенной модернизации имеющихся в системе образования технических средств, необходимость в квалифицированных кадрах. В статье также приведен тестовый пример анализа log-файла (журнала событий) электронного курса с помощью технологий обработки больших данных Spark SQL, показывающий потенциальную возможность и практическую применимость технологий обработки больших данных к задачам анализа цифрового следа обучения.

Заключение. Большие данные в образовании способны предоставить уникальные возможности для анализа и оптимизации учебного процесса, помогая выявить тенденции, прогнозировать успехи студентов и адаптировать образовательные программы к индивидуальным потребностям учащихся. Но нельзя также забывать, что использование больших данных в сфере образования также несет с собой определенные риски и вызовы, связанные с этическими аспектами, защитой личных данных и необходимостью кадровой модернизации сложившейся системы образования. Для успешной интеграции аналитики данных в образовательную практику необходимо развивать не только технические ресурсы, но и уровень цифровой безопасности и этики в использовании персональных данных.

1. Baig M.I., Shuib L., Yadegaridehkordi E. Big data in education: a state of the art, limitations, and future research directions // International Journal of Educational Technology in Higher Education. 2020. Т. 17. № 1. 44. С. 1–23. DOI: 10.1186/s41239-020-00223-0.

2. Lynch C. Big Data: How do your data grow? // Nature. 2008. Т. 455. № 7209. С. 28–29. DOI: 10.1038/455028a.

3. Шамсутдинова Т.М. Когнитивная модель траектории электронного обучения на основе цифрового следа // Открытое образование. 2020. Т. 24. № 2. С. 47–54. DOI: 10.21686/1818-4243-2020-2-47-54.

4. Огурцова Е.Ю., Фадеев Р.Н. Большие данные и цифровая аналитика в универси тетском образовании // Ноосферные исследования. 2021. № 4. С. 37–44. DOI: 10.46724/NOOS.2021.4.37-44.

5. Кондратенко А.Б., Кондратенко Б.А. Возможности применения больших данных в образовании в эпоху цифрового общества // Вестник Калининградского филиала Санкт-Петербургского университета МВД России. 2017. № 4(50). С. 112–115.

6. Аринушкина А.А., Тормосова А.К. Мониторинг обращений граждан в системе общего образования: электронное участие (e-participation) и «Большие данные» в образовании (Big Data in Education) // Человек и образование. 2019. № 4(61). С. 149–155.

7. Мамедова Г.А., Зейналова Л.А., Меликова Р.Т. Технологии больших данных в электронном образовании // Открытое образование. 2017. Т. 21. № 6. С. 41–48. DOI: 10.21686/1818-4243-2017-6-41-48.

8. Ермачкова Ю.В., Ливенец М.А., Селиверстова И.В. Использование больших данных при прогнозировании запроса рынка труда к системе образования // Труд и социальные отношения. 2021. Т. 32. № 6. С. 52–63.

9. Баранников К.А., Лесин С.М. Методология анализа больших данных в образовании (системно-методологический подход, основанный на анализе образовательных данных, поиска стратегии принятия управленческих и организационно-педагогических решений в образовании) // Народное образование. 2020. № 2(1479). С. 81–90.

10. Ширинкина Е.В. Data Driven как ана литика больших данных в образовании в условиях цифровизации // Качество и жизнь. 2022. № 2(34). С. 57–62.

11. Bai X., Zhang F., Li J., Guo T., Aziz A., Jin A., Xia F. Educational Big Data: Predictions, Applications and Challenges // Big Data Research. 2021. Т. 26. С. 100270. DOI: 10.1016/j.bdr.2021.100270.

12. Lee Y. Using self-organizing map and clustering to investigate problem-solving patterns in the massive open online course: an exploratory study // Journal of Educational Computing Research. 2019. Т. 57. № 2. С. 471–490. DOI: 10.1177/0735633117753364.

13. Сергейчик Е.М. Философско-антропологические аспекты проблемы «Больших данных» в образовании // Непрерывное образование. 2021. № 4(38). С. 4–10.

14. Лобан И.И. Проблемы сбора отчетности и образования больших данных в условиях цифровой экономики // Вестник Белорусской государственной сельскохозяйственной академии. 2022. № 2. С. 14–20.

15. Алиева М.В., Батчаева З.Б., Муцурова З.М., Исаева М.З. Большие данные и их применение в образовании // Журнал прикладных исследований. 2023. № 6. С. 140–146.

16. Spark SQL, DataFrames and Datasets Guide [Электрон. ресурс]. Режим доступа: https://spark.apache.org/docs/3.5.3/sql-programming-guide.html. (Дата обращения: 12.10.2024).