Анализ цифрового следа в сообществах образовательной организации в социальных сетях в условиях цифровой трансформации образовательной среды

Цель исследования. Цифровизация образования подразумевает масштабные преобразования, охватывающие внедрение цифровых технологий на каждом уровне общего и профессионального образования, дополнительного образования, а также изменения во взаимодействии всех участников учебного процесса. Одним из шести ключевых вызовов, на которые призвана ответить Стратегия развития образования до 2036 года, является стремительное распространение цифровых технологий и искусственного интеллекта. Цель исследования состоит в  определении роли цифровых следов, формируемых в ходе реализации образовательного процесса, как одного из инструментов цифровой трансформации управления образовательным процессом, а также в демонстрации практической реализации обработки цифрового следа с использованием API социальной сети ВКонтакте и методов анализа данных (Educational Data Mining).

Материалы и методы. Теоретико-методологическую базу для исследования составили работы отечественных и зарубежных исследователей в области анализа цифровых данных, возникающих в ходе реализации образовательного процесса. В работе использованы методы обработки естественного языка, такие библиотеки для языка программирования Python, как pandas, numpy, mathplotlib и др.  Эмпирическая часть исследования основывается на анализе цифрового следа в сообществах образовательной организации в социальной сети Вконтакте, представленного в виде неструктурированных текстов.

Результаты.  Исследования показывают, что большой объем разнородных данных   цифровых следов, в том числе представленных в виде слабоструктурируемых данных, неизбежно возникает в условиях цифровизации образования и обеспечения информационной открытости образовательных организаций и  представляет интерес для получения образовательной аналитики, используемой для решения задач в области цифровой трансформации образовательного процесса, цифровой трансформации управления образовательным процессом, обеспечения преемственности и интеграции образовательных уровней. Цифровой след, формируемый в ходе взаимодействия с электронной информационно-образовательной средой и иными цифровыми ресурсами образовательных организаций в сети Интернет (сайт, страницы в социальных сетях, мессенджерах), открывает возможности для анализа данных об образовательном процессе и участниках образовательных отношений, однако требуется выработка системных подходов к его анализу и использованию в условиях цифровой трансформации образования, в том числе учитывающих требования законодательства к персональным данным, этические аспекты и аспекты безопасности. В статье рассмотрены перспективы анализа цифровых данных в сообществах образовательной организации в социальных сетях с использованием методов анализа данных и машинного обучения, а также представлен практический пример анализа данных в таких сообществах в социальной сети ВКонтакте с помощью API.

Заключение. Полученные результаты могут использоваться как в целях первичного изучения анализа цифрового следа, так и в качестве основы разработки системы формирования образовательной аналитики. Практическое применение результатов будет способствовать цифровой трансформации управления образовательным процессом.

1. Лукьянова О. В. Педагогическое взаимодействие в цифровой среде: монография. М.: МПГУ;2019:168 с.

2. Демкин В. П., Руденко Т. В. Дистанционные технологии в образовании. Томск: ТГУ;2015:156 с.

3. Амиралиев А. Д., Магомедова П. И., Оздамирова Э. М. Как платформы социальных сетей могут использоваться для взаимодействия между студентами и преподавателями. Гуманитарные, социально-экономические и общественные науки. 2025;(6):13-18. DOI: 10.24412/2220-2404-2025-6-40

4. Panyukova S.V. Formation of a Student’s Digital Profile for Presentation in the Labor Market. International conference on innovative approaches to the application of digital technologies in education and research. 2025;1222:529-537. DOI: 10.1007/978-3-031-78776-8_54.

5. Ng E.Y.L., Law N., Yuen A.H.K. Understanding learner lives through digital footprints, in: Proceedings of the Technology, Mind, and Society conference (TECHMINDSOCIETY18), ed. A.L. Story. New York, ACM, 2018, Article 26. DOI: 10.1145/3183654.3183708

6. Лехов К. А., Сперанский Д. Д., Митрохин М. А., Карамышева Н. С. Система извлечения и анализа текстовых данных из социальных сетей для образовательного учреждения. Модели, системы, сети в экономике, технике, природе и обществе. 2021;1(37):128–136. DOI:10.21685/2227-8486-2021-1-11.

7. Шамсутдинова Т. М. Цифровой след как источник больших данных (Big Data) в образовании. Открытое образование. 2024;28(6):13-21. https://doi.org/10.21686/10.21686/1818-4243-2024-6-13-21.

8. Крылова М. А. Изучение мотивационной включенности студентов в учебную деятельность на основе цифрового следа. Вестник Тверского государственного университета. Серия: Педагогика и психология. 2021;4(57):77-86. DOI: 10.26456/vtpsyped/2021.4.077.

9. Дьяченко М. С., Леонов А. Г. Цифровой след в образовании как драйвер профессионального роста в цифровую эпоху. E-Management. 2022;5(4):23-30. DOI: 10.26425/2658-3445-2022-5-4-23-30.

10. Вилкова К. А., Лебедев Д. В. Адаптивное обучение в высшем образовании: за и против. М.: Изд-во НИУ ВШЭ;2020:36 с.

11. Криштал М. М., Богданова А. В., Мягков М. Г., Александрова Ю. К. Цифровой след: оценка удовлетворённости студентов качеством образования. Высшее образование в России. 2024;33(2):89-108. DOI: 10.31992/0869-3617-2024-33-2-89-108.

12. Lakhno V. Kurbaiyazov N., Lakhno M., Kryvoruchko O., Desiatko A., Tsiutsiura S., Tsiutsiura M. Analysis of digital footprints associated with cybersecurity behavior patterns of users of University Information and Education Systems. International journal of electronics and telecommunications. 2024;70(3):673-682. DOI: 10.24425/ijet.2024.149596.

13. Гасанов И. З., Ликсаков М. В. Эффективная работа с данными сообществ на примере API ВКонтакте. Инновации и инвестиции. 2023;(6):144-146.

14. Останина Е. А., Поколодина Е. В. Оценка цифрового следа участника интернет-взаимодействий с применением методов математической статистики. Открытое образование. 2025;29(4):64-74. DOI: 10.21686/1818-4243-2025-4-64-74.

15. Калиниченко А. В. Цифровой след студента в электронной образовательной среде: цели и инструменты анализа. В сборнике: Актуальные проблемы педагогики. сборник научных трудов. 2025:68-72.

16. Мантуленко В. В. Перспективы использования цифрового следа в высшем образовании. Преподаватель XXI век. 2020;(3-1):32-42. DOI: 10.31862//2073-9613-2020-3-32-42.

17. Стандарт организации. Стандарт цифрового следа 1.0.3 [Электронный ресурс]. URL: https://standard.2035.university/ (дата обращения: 02.10.2025).

18. Вайндорф-Сысоева М. Е., Пчелякова В. В. Перспективы использования цифрового следа в образовательном и научном процессах. Вестник Мининского университета. 2021;9(3(36)):1-14. DOI: 10.26795/2307-1281-2021-9-3-1.

19. Калиниченко А. В. Диалоговый метод автоматизации поиска семантически похожих документов. Вестник Воронежского государственного технического университета. 2012;8(8):15-17.

20. Калиниченко А. В. Подход к поиску семантически похожих документов. Информационные технологии моделирования и управления. 2012;1(73):60-65.

21. Gerardo Bárcena Ruiz, Richard De Jesús Gil Herrera. Textual emotion detection with complementary BERT transformers in a Condorcet’s Jury theorem assembly. Knowledge-Based Systems. 2025; 326:1-17. DOI: 10.1016/j.knosys.2025.114070.