В Тольяттинском государственном университете (ТГУ) разработали методику отслеживания удовлетворённости студентов качеством и сопровождением учебного процесса. В её основе – цифровой след и инструменты Big Data.
Работу по созданию методики и основы новой технологии специалисты ТГУ вели в сотрудничестве с Университетским консорциумом исследователей больших данных. Исследование началось еще в 2020 году, когда пандемия COVID-19 перевернула подход к организации учебного процесса во всём мире, и высшее образование столкнулось с рядом неординарных вызовов, которые ранее не имели прецедентов такого масштаба. Тогда для системы высшего образования на первый план вышла необходимость оценки удовлетворённости студентов качеством образования и эффективностью работы вузов в форс-
мажорных условиях.
Для решения этой задачи мы решили использовать анализ
социальных сетей, блогов и форумов – производство пользовательского контента в них постоянно растёт. Часть доступной информации может использоваться для обнаружения общих тенденций, понимания масштабов кризиса или выяснения характерных и специфических изменений в настроениях пользователей.
Анна Богданова, начальник Отдела технологий онлайн-образования ТГУ
Исследователи проанализировали цифровые следы студентов из социальной сети «ВКонтакте» – лидера в России по количеству зарегистрированных пользователей и публикуемых сообщений – с применением отдельных инструментов Big Data на программной платформе PolyAnalyst. Исходными данными стали более 2 млн сообщений из 548 сообществ высших учебных заведений РФ.
По сути, мы разработали основу технологии, которая позволяет
выявлять проблемные вопросы, включая время их возникновения и
актуальность, а также степень обеспокоенности пользователей сети,
конкретно в нашем случае – студентов. Методика универсальна и
подходит не только для оценивания отношения студентов к качеству
учебного процесса или его сопровождения, но и для оценки реакции
любых социальных групп на любые информационные всплески, включая локальные проблемы и кризисные ситуации глобального масштаба. Пока технология нами отработана и верифицирована в
полуавтоматическом режиме. Но мы также обосновали возможность
перевода её в полностью автоматический режим, который позволит по запросу делать нужную выборку и анализ данных одновременно с их генерацией, то есть получать нужную информацию из общего потока данных со скоростью её появления. Такой анализ контента полезен для отслеживания возникновения любых проблем или, напротив, позитивных информповодов, то есть для выявления реакций различного знака в студенческом сообществе, а также в других группах и коллективах. Обладая такими данными, можно своевременно реагировать на проблемные ситуации и делать прогнозы.
Михаил Криштал, профессор, доктор физико-математических наук
Работа с цифровым следом представляет собой важную составляющую онлайн-образования, в отличие от традиционного подхода. В ТГУ убеждены, что отслеживание активности студентов, выявление типовых
сценариев учебного поведения, прогнозирование, проверка гипотез и создание на научной основе адаптивной системы обучения, а также постоянное совершенствование на основе обратной связи делают
онлайн-образование более продуктивным по сравнению с традиционными методами. Такой подход становится конкурентным преимуществом университета, помогая ему укрепить свою позицию на рынке образовательных услуг по сравнению с университетами, которые не используют технологии больших данных, снятия и анализа цифровых следов, добиться качества онлайн-обучения, сопоставимого с качеством
очного обучения.
Учёные считают, что следующим шагом в развитии темы должно стать создание полностью автоматизированной технологии.
Результаты исследования опубликованы в статье, размещенной в журнале «Высшее образование в России». Журнал одновременно издаётся на русском и английском языках, и его внимательно читают во всём мире,
о чём свидетельствует то, что он представлен в международных базах научной периодики, в том числе в Scopus в наивысшем первом квартиле.
Изображение: Тольяттинский госуниверситет
Нет комментариев