«Образование 4.0» в эпоху цифровой трансформации: пути повышения ее эффективности

Цель этой статьи — показать эволюцию и требования образовательной системы в эпоху 4-ой промышленной революции, выявить основные проблемы, определить актуальные направления дальнейших исследований.

Четвертая промышленная революция основывает свое развитие на интеллектуальных технологиях, искусственном интеллекте, больших данных, робототехнике и т.д. В новых условиях, перед учебными заведениями стоит задача подготовки успешных выпускников и новых способов обучения. Актуальность проблем, изложенных в настоящей статье, определяется главной целью высшего образования - подготовка квалифицированных человеческих ресурсов для экономики страны, создание и поддержание обширной передовой базы знаний, обеспечение личного развития выпускников учебного заведения. Именно качество высшего образования определяет качество человеческих ресурсов в стране. Для этого студентам необходимо овладеть широким набором компетенций в выбранной ими области обучения,  постоянно расширять границы знаний во всех дисциплинах,  развивать профессиональные навыки в области бизнеса, науки и новых технологиях.

Методология и методы исследования. В процессе исследования был осуществлен анализ  научных публикаций за период 2012–2022 годы (плюс начало 2023 года), размещенных в базах данных:  Springer Link, IEEE Xplore, ACM, Science Direct, Google Scholar, а также  в научной электронной библиотеке eLIBRARY.ru.

В  процессе  исследования были использованы общенаучные методы: аналитический обзор проблемы, методы синтеза, индукции, применены методы сравнительного анализа, обобщения и системного подхода в вопросах использования методов интеллектуального анализа в системах электронного образования, использовались научные публикации последних 20 лет.

Результаты и научная новизна. В нашем исследовании были определены наиболее распространенные задачи, используемые в EDM, а также те, которые являются наиболее перспективными в будущем. Осуществленный в работе теоретический анализ основных ключевых тенденций «Образования 4.0», позволил выявить основные характеристики образования. Было показано, что образование должно стать более индивидуализированным и адаптированным к возможностям обучаемого. В результате проведенного исследования выявлены наиболее характерные задачи Data Mining в образовании, показаны пути его совершенствования и повышения качества. 

Практическая значимость. В настоящее время образовательные учреждения стремятся улучшить свое обучение и преподавание путем анализа данных, собранных во время учебы студентов, разрабатываются новые механизмы на основе данных и совершенствуют интересные модели, которые могут помочь улучшить академические результаты, стимулировать мотивацию учащихся и избежать их отсева.

Полученные результаты можно использовать в качестве информационного материала в дальнейших исследованиях, связанных с изучением развития системы образования в эпоху «Индустрии 4.0». Ожидается, что что полученные результаты могут быть использованы специалистами, руководителями и преподавателями для улучшения образовательной деятельности.

1. Клочкова E.Н., Садовникова Н.А. Трансформация образования в условиях цифровизации // Открытое образование. 2019. № 23(4). С. 13–22. DOI: 10.21686/1818-4243-2019-4-13-22.

2. Сазонов Б.А. Организация образовательного процесса: возможности индивидуализации обучения // Высшее образование в России. 2020. № 6. С. 35–50. DOI: 10.31992/0869-36172019-29-6-35-50.

3. Astawa N.L, Artini L.P, Nitiasih P.K. Projectbased Learning Activities and EFL Students‘ Productive Skills in English // Journal of Language Teaching and Research. 2017. № 8(6). С. 1147– 1155.

4. Bell S. Project-Based Learning for the 21st Century: Skills for the Future // The Clearing House: A Journal of Educational Strategies, Issues and Ideas. 2010. № 83(2). С. 39–43.

5. Marr B. Extended reality in practice: 100+ amazing ways virtual, augmented and mixed reality are changing business and society. Wiley. 2021. 272 с.

6. Partnership for 21st Century Skills. Framework for 21st Century Learning [Электрон. ресурс]. 2019. Режим доступа: https://bit.ly/3FS9JBC.

7. Ryan S.J.D., Yacef K. The state of educational data mining in 2009: A review and future visions // Journal of Educational Data Mining. 2009. № 1(1). С. 3–17.

8. Romero C. Ventura S. Data Mining in Education // WIREs Data Min. Know. Discov. 2013. № 3. С. 12–27. DOI: 10.1002/widm.1075.

9. Белоножко П.П., Карпенко А.П., Храмов Д.А. Анализ образовательных данных: направления и перспективы применения [Электрон. ресурс] // Науковедение. 2017. Т. 9. № 4. Режим доступа: http://naukovedenie.ru/PDF/15TVN417.pdf.

10. Baker R., Gowda S.M., Corbett A.T. Automatically detecting a student’s preparation for future learning: Help use is key // In Proceedings of the 4th International Conference on Educational Data Mining. 2011. С. 179–188.

11. Kabakchieva D. Predicting student performance by using data mining methods for classification // Cybernetics and Information Technologies. 2013. № 13(1). С. 61–72.

12. Polyzou A., Kapuris G. Grade prediction with models specific to students and courses // International Journal of Data Science and Analytics 2(3–4), 2016. DOI: 10.1007/s41060-016-0024-z.

13. Morsy S., Kapuris G. Cumulative Knowledgebased Regression Models for Next term Grade Prediction. Proceedings of the 2017 SIAM International Conference on Data Mining. С. 552–560.

14. Hamoud A.K., Hashim A.S., Awadh W. A. Predicting Student Performance in Higher Education Institutions Using Decision Tree Analysis [Электрон. ресурс] // International Journal of Interactive Multimedia and Artificial Intelligence. 2018. № 2. С. 26–31. Режим доступа: http://www.ijimai.org/journal/sites/default/files/files/2018/02/ijimai_5_2_3_pdf_301 96.pdf

15. Topırceanua A., Grosseck G. Decision tree learning used for the classification of student archetypes in online courses. 21st International Conference on Knowledge Based and Intelligent Information and Engineering Systems, KES2017 (6–8 September 2017, Marseilles, France). Procedia Computer Science. 2017. № 112. С. 51–60.

16. Cristiano M. A. Gomes Leandro S. Almeida Advocating the Broad Use of the Decision Tree Method in Education // Practical Assessment, Research and Evaluation. 2017. № 22. С. 28–38.

17. Oyelade O.J., Oladipupo O.O. Obagbuwa I.C. Application of k Means Clustering algorithm for prediction of Students Academic Performance, (IJCSIS) // International Journal of Computer Science and Information Security. 2010. Т. 7. № 1. С. 292–295.

18. Chymak M., Khomych L., Nakonechna L., Kopchuk-Kashetska M., Zadoya S. Individual Educational Trajectory as a Way to Reveal the Potential of a Future Teacher // Revista Romaneasca pentru Educatie Multidimensionala. 2021. № 13(3). С. 387–400. DOI: 10.18662/rrem/13.3/458.

19. Vainshteina Y., Shershneva V., Esin R., Tsibulsky G. Safonov K. Adaptation algorithms of mathematical educational content in e-learning courses // ERPA International Congresses on Education 2018 (ERPA 2018). 2018. Т. 48. С. 8. DOI: 10.1051/shsconf/20184801010.

20. Russkikh P.A., Kapulin D.V., Moor I.A. Implementing e-learning with personalized trajectories // Journal of Physics: Conference Series. 2020. Т. 1691. DOI: 10.1088/1742-6596/1691/1/012201.

21. Grubbs F.E. Procedures for detecting outlying observations in samples // Technometrics. 1969. Т. 11. № 1. С. 1–21.

22. Hodge V. J. and Austin J. A survey of outlier detection methodologies // Artificial Intelligence Review. 2004. Т. 22. С. 85–126.

23. Chandola V., Banerjee A., Kumar V. Anomaly detection: A survey // ACM Comput. Surv. 2009. № 41(3). С. 1–58.

24. Aggarwal C.C. Outlier analysis in Data mining. Springer, 2015. С. 237–263.

25. Bai M., Wang X., Xin J., Wang G. An efficient algorithm for distributed density-based outlier detection on big data // Neurocomputing. 2016. Т. 181. С. 19–28.

26. Carneiro R.E., Drapal P., Fagundes R.A., Maciel A.M., Rodrigues R.L. Anomaly detection on student assessment in e-learning environments // in 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT). 2019. Т. 2161. С. 168–169.

27. Bishop C.M. Pattern Recognition and Machine Learning // Information Science and Statistics. Springer, 2006. 738 с.

28. Oughdir L. Association Rules Mining Method of Big Data for E-Learning Recommendation Engine, Springer Nature Switzerland AG, 2019 // International Journal of Information Science & Technology –iJIST. 2019. Т. 3. № 2. С. 11–18.

29. Valdiviejas H., Bosch N. Using Association Rule Mining to Uncover Rarely Occurring Relationships in Two University Online STEM Courses: A Comparative Analysis // Proceedings of The 13th International Conference on Educational Data Mining (EDM 2020). 2020. С. 686–690.

30. Макаров С.И., Моделирование оценки качества формирования профессиональных компетенций, обучающихся // Самарский научный вестник, Педагогические науки. 2020. Т 9. № 4. С. 307–311. DOI: 10.17816/snv202094307.

31. Oleksandra Olshanska O., Gumennykova T., Bila O., Orel V., Perova S., Ivannikova M. Building a Competency Model Student Training // International Journal of Engineering and Advanced Technology (IJEAT). 2019. Т. 8. № 6. С. 2689–2695.

32. Barlybayev A., Kaderkeyeva Z., Bekmanova G., Sharipbay A., Omarbekova A., Altynbek S. Intelligent system for evaluating the level of formation of professional competencies of students [Электрон. ресурс] // IEEE Acces. Special section on machine learning designs, implementations and techniques. 2020. Т. 8. С. 58829–58835. Режим доступа: https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9027836.

33. Shayakhmetova A., Seisenbekova P., Othman M., Mamyrbayev O., Kassymova D. Bayesian approach for competence formation for students of it-specialty // Journal of Theoretical and Applied Information Technology. 2020. Т. 98. № 19. С. 3172–3192.

34. Delen Dursun., Topuz Kazim., Eryarsoy, Enes. Development of a Bayesian Belief Networkbased DSS for predicting and understanding freshmen student attrition // European Journal of Operational Research, Elsevier. 2020. № 281(3). С. 575–587.

35. Yudelson M., Koedinger K., Individualized Bayesian Knowledge Tracing Models // Conference: 16th International Conference on Artificial Intelligence in Education (AIED 2013). 2013. С. 171–180.

36. Islam T., Meade N., Carson R.T., Louviere J. Wang J. The usefulness of socio demographic variables in predicting purchase decisions: Evidence from machine learning procedures // Journal of Business Research. Т. 151. С. 324–338.

37. Allen M. An Education in Facebook // Digital Culture and Education. 2012. № 4(3). С. 213–225.

38. Pursel K., Hui Xie. Patterns and Pedagogy: Exploring Student Blog Use in Higher Education // Contemporary educational technology. 2014. № 5(2). С. 96–109.

39. Мамедова Г.А., Агаев Ф.Т., Зейналова Л.А. Использование социальных сетей для персонализации электронного образования // Проблемы информационных технологий. 2019. № 1. С. 27–34.

40. Большакова Е.И., Клышинский Э.С., Ландэ Д.В., Носков А.А., Пескова О.В., Ягунова Е. В. Автоматическая обработка текстов на естественном языке и компьютерная лингвистика. М.: МИЭМ, 2011, 272 с.

41. Araujo L., López-Ostenero F., MartínezRomo J., Plaza L. Deep-Learning Approach to Educational Text Mining and Application to the Analysis of Topics Difficulty [Электрон. ресурс]. 2020. № 8. С. 218002–218014. Режим доступа: https://ieeexplore.ieee.org/document/9276393/metrics.