Архив статей журнала
В статье рассматриваются методы прогнозирования сложности учебных курсов на основе логистической регрессии с использованием оценок по обеспечивающим дисциплинам. Основной объект исследования - курс «Программирование на Python», для которого ключевыми обеспечивающими дисциплинами выбраны математика, информатика и английский язык. Целью исследования является разработка модели, позволяющей адаптировать учебные задания к индивидуальным потребностям студентов, повышая эффективность образовательного процесса. Для реализации модели использованы синтетические данные, что обусловлено ограничениями доступа к реальным образовательным данным. Применение методов машинного обучения, в частности логистической регрессии, позволяет получить не только классификацию курсов по сложности (легкий, средний, сложный), но и вероятностные оценки, отражающие степень уверенности модели в своих предсказаниях. Авторы рассматривают весовые коэффициенты признаков, что позволяет понять вклад каждой обеспечивающей дисциплины в прогнозирование сложности. Прогнозирование сложности курсов и заданий способствует более точному подбору учебных материалов, что улучшает качество образования и способствует развитию персонализированных образовательных траекторий. Таким образом, статья вносит вклад в развитие методов образовательной аналитики и подчеркивает необходимость перехода от прогнозирования успеваемости студентов к прогнозированию сложности курсов, что открывает новые перспективы для персонализации образовательного процесса и повышения его эффективности.
В статье исследуются проблемы управления индивидуальной образовательной траекторией (ИОТ) студентов, базирующейся на анализе цифрового профиля и цифрового следа. Авторы подчеркивают значимость персонализации образовательного процесса для повышения его эффективности и адаптации к уникальным потребностям учащихся. Рассматриваются основные вызовы, связанные с использованием цифрового следа, включая его ограниченность, неполноту данных и сложности при прогнозировании академической успешности. Особое внимание уделено вопросам интеграции цифрового профиля в системы управления обучением, где отсутствие единой стандартизированной структуры затрудняет анализ и перенос данных между различными образовательными учреждениями. Также обсуждаются угрозы конфиденциальности и этические аспекты, связанные с хранением и обработкой личных данных студентов. Авторы подчеркивают необходимость разработки универсальных стандартов для структуры цифрового профиля, а также внедрения более эффективных методов сбора и анализа данных, включая использование данных социальных сетей и видеоаналитики. В заключение статьи акцентируется внимание на необходимости нахождения баланса между глубоким уровнем персонализации и сохранением способности студентов адаптироваться к разнообразным образовательным контекстам, чтобы избежать риска гиперперсонализации.