Структура базы данных цифровой образовательной истории для решения задач учебной аналитики
Аннотация
На основе анализа существующих информационных систем и баз данных Сибирского федерального университета предложен подход проектирования структуры университетской базы образовательных данных, включающей различные уровни детализации данных об обучающихся. Сформулированы принципы проектирования архитектуры базы данных вуза, позволяющие разработать и реализовать подход к управлению на основе данных. Данные принципы предполагают студентоориентированность, а также непрерывность и согласованность данных, которые должны обеспечивать правильную структуру и организацию хранения данных. Приводятся примеры отчетов, которые можно получить с помощью SQL-запросов к базе данных цифровой образовательной истории обучающихся. В качестве примера применения такой базы данных рассмотрена задача вычисления характеристик учебного плана как основного документа, определяющего структуру образовательной программы. Данный подход может быть использован для таких задач, как сравнительный анализ учебных планов или оценка качества образовательных программ. На основе предлагаемых инструментов, повышающих прозрачность образовательного процесса и облегчающих выявление его проблемных мест, становится возможным принимать более осознанные решения, касающиеся, например, модернизации учебных планов или отдельных курсов, реализующих дисциплины образовательной программы, формирования контрольных цифр приема на основе выявления тенденций спроса на обучение по различным образовательным программам, определять критические точки образовательных программ, на которых происходит наибольшая потеря контингента и т. д. Важным шагом здесь является проектирование архитектуры базы данных вуза таким образом, чтобы данные об обучающихся собирались и хранились в такой форме, которая может значительно облегчить создание инструментов учебной аналитики.
Литература
2. García-Peñalvo F.J. Transformación digital en las universidades: Implicaciones de la pandemia de la COVID-19. Education in the Knowledge Society. 2021;22:e25465. https://doi.org/10.14201/eks.25465
3. Tsai Y., Rates D., Moreno-Marcos P.M., Muñoz-Merino P.J., Jivet I., Scheffel M., Gaševi´c D. Learning analytics in european higher education Trends and barriers. Computers & Education. 2020;155:1-15. https://doi.org/10.1016/j.compedu.2020.103933
4. Chan L., Hogaboam L., Cao R. Artificial intelligence in education. In: Applied Artificial Intelligence in Business. Applied Innovation and Technology Management. Cham: Springer; 2022. p. 265-278. https://doi.org/10.1007/978-3-031-05740-3_17
5. Cui Y., Ma Z., Wang L., Yang A., Liu Q., Kong S., Wang H. A survey on big data-enabled innovative online education systems during the COVID-19 pandemic. Journal of Innovation & Knowledge. 2023;8(1):100295. https://doi.org/10.1016/j.jik.2022.100295
6. Levitskiy M.L., Grinshkun V.V., Zaslavskaya O.Yu. Tendentsii i osobennosti sovremennogo etapa informatizatsii vysshey shkoly [Trends and features of the informatization of higher education modern stage]. Vestnik Rossiyskogo universiteta druzhby narodov. Seriya: Informatizatsiya obrazovaniya = RUDN Journal of Informatization in Education. 2022;19(4):285-299. (In Russ., abstract in Eng.) https://doi.org/10.22363/2312-8631-2022-19-4-285-299
7. Karakozov S.D., Uvarov A.Yu. Uspeshnaya informatizatsiya = transformatsiya uchebnogo protsessa v tsifrovoy obrazovatel'noy srede [Successful informatization=transformationof the educational process in the digital educational environment]. Problemy sovremennogo obrazovaniya = Problems of modern education. 2016;(2):7-19. (In Russ., abstract in Eng.) EDN: VVEYBN
8. Uvarov A.Yu., Gable E., Dvoretskaya I.V., Zaslavsky I.M., Karlov I.A., Mertsalova T.A., Sergomanov P.A., Frumin I.D. Trudnosti i perspektivy tsifrovoy transformatsii obrazovaniya [Difficulties and prospects of the digital transformation of education]. Moscow, HSE; 2019. 343 p. (In Russ.) https://doi.org/10.17323/978-5-7598-1990-5
9. Burnyashov B.A. Programmnoye obespecheniye elektronnogo portfolio studentov rossiyskoy vysshey shkoly [Software for Electronic Portfolio of Students of the Russian Higher Education]. Otkrytoye obrazovaniye = Open education. 2021;25(6):24-35. (In Russ., abstract in Eng.) https://doi.org/10.21686/1818-4243-2021-6-24-35
10. Kochetkova T.O., Karnaukhova O.A., Mayer V.R. Adaptivnyy modul' kak effektivnoye sredstvo obucheniya matematike pervokursnikov s raznym urovnem shkol'noy matematicheskoy podgotovki [Adaptive module as an effective means of teaching mathematics to first-year students with different level of secondary school mathematics skills]. Vestnik Krasnoyarskogo gosudarstvennogo pedagogicheskogo universiteta im. V.P. Astaf'yeva = Bulletin of Krasnoyarsk State Pedagogical University named after V.P. Astafyev. 2019;49(3):71-82. (In Russ., abstract in Eng.) https://doi.org/10.25146/1995-0861-2019-49-3-144
11. Krechetov I.A., Romanenko V.V. Realizatsiya metodov adaptivnogo obucheniya [Implementing the Adaptive Learning Techniques]. Voprosy obrazovaniya = Educational Studies Moscow. 2020;(2):252-277. (In Russ., abstract in Eng.) https://doi.org/10.17323/1814-9545-2020-2-252-277
12. Bystrova T.Yu., Larionova V.A., Sinitsyn E.V., Tolmachev A.V. Uchebnaya analitika MOOK kak instrument prognozirovaniya uspeshnosti obuchayushchikhsya [Learning Analytics in Massive Open Online Courses as a Tool for Predicting Learner Performance]. Voprosy obrazovaniya = Educational Studies Moscow. 2018;(4):139-166. (In Russ., abstract in Eng.) https://doi.org/10.17323/1814-9545-2018-4-139-166
13. Macfadyen L.P., Dawson S. Mining LMS data to develop an "early warning system" for educators: A proof of concept. Computers & education. 2010;54(2):588-599. https://doi.org/10.1016/j.compedu.2009.09.008
14. Lee S., Chung J.Y. The Machine Learning-Based Dropout Early Warning System for Improving the Performance of Dropout Prediction. Applied Sciences. 2019;9(15):3093. https://doi.org/10.3390/app9153093
15. Kew S.N., Tasir Z. Learning Analytics in Online Learning Environment: A Systematic Review on the Focuses and the Types of Student-Related Analytics Data. Technology, Knowledge and Learning. 2022;27:405-427. http://doi.org/10.1007/s10758-021-09541-2
16. Arnold K.E., Pistilli M.D. Course Signals at Purdue: Using learning analytics to increase student success. In: Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK 12), Vancouver, BC, Canada. New York, NY, USA: Association for Computing Machinery; 2012. p. 267-270. https://doi.org/10.1145/2330601.2330666
17. Teasley S.D., Kay M., Elkins S., Hammond J. User-Centered Design for a Student-Facing Dashboard Grounded in Learning Theory. In: Sahin M., Ifenthaler D. (eds) Visualizations and Dashboards for Learning Analytics. Advances in Analytics for Learning and Teaching. Cham: Springer; 2021. p. 191-212. https://doi.org/10.1007/978-3-030-81222-5_9
18. Gonçalves A.L., Carlos L.M., da Silva J.B., Alves G.R. Personalized Student Assessment based on Learning Analytics and Recommender Systems. In: Proceedings of the 3rd International Conference of the Portuguese Society for Engineering Education (CISPEE). Aveiro, Portugal: IEEE Press; 2018. p. 1-7. https://doi.org/10.1109/CISPEE.2018.8593493
19. Esin R.V., Zykova T.V., Kustitskaya T.A., Kytmanov A.A. Tsifrovaya obrazovatel'naya istoriya kak sostavlyayushchaya tsifrovogo profilya obuchayushchegosya v usloviyakh transformatsii obrazovaniya [Digital educational history as a component of the digital student s profile in the context of education transformation]. Perspektivy nauki i obrazovanija = Perspectives of Science and Education. 2022;59:566-584. (In Russ., abstract in Eng.) https://doi.org/10.32744/pse.2022.5.34
20. Kustitskaya T.A., Esin R.V., Kytmanov A.A., Zykova T.V. Designing an Education Database in a Higher Education Institution for the Data-Driven Management of the Educational Process. Education Sciences. 2023;9(13):947. https://doi.org/10.3390/educsci13090947
21. Krokinskaya O.K., Trapitsyn S.Yu. Student kak potrebitel' obrazovaniya : soderzhaniye kategoriy [Student as "an education consumer": content of the concept]. Vysshee obrazovanie v Rossii = Higher education in Russia. 2015;(6):65-75. (In Russ., abstract in Eng.) EDN: UDQZXR
22. Serditova N.E., Belotserkovsky A.V. Obrazovaniye, kachestvo i tsifrovaya transformatsiya [Education, Quality and the Digital Transformation]. Vysshee obrazovanie v Rossii = Higher education in Russia. 2020;29(4):9-15. (In Russ., abstract in Eng.) https://doi.org/10.31992/0869-3617-2020-29-4-9-15
23. Zykova T.V., Kytmanov A.A., Noskov M.V., Khalturin E.A. Application of a Force-Directed Graph Drawing Algorithm for the Analysis of Curricula of Educational Programs of Higher Education. Modern Information Technologies and IT-Education. 2023;19(1):104-116. (In Russ., abstract in Eng.) https://doi.org/10.25559/SITITO.019.202301.104-116
24. Romero C., Ventura S. Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery. 2020;10(3):e1355. https://doi.org/10.1002/widm.1355
25. Tishkina K.O., Eliseeva O.V., Bagautdinova A.S., Shilova K.S., Efremova A.A. Podkhod k upravleniyu kachestvom obrazovaniya programm na osnove dannykh [Data-Based Approach to Educational Programs Quality Management]. Universitetskoe upravlenie: praktika I analiz = University Management: Practice and Analysis. 2022;26(3):112-119. (In Russ., abstract in Eng.) https://doi.org/10.15826/umpa.2022.03.025
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
