Training future teachers to use educational data mining for professional practice

Full Text

Постановка проблемы. Анализ публикаций, посвященных проблеме профессиональной подготовки педагогов в условиях стремительного развития цифровых технологий, позволяет сделать вывод о необходимости формирования у будущих учителей цифровых компетенций. В работе J. Cabero-Almenara et al. доказывается надежность и валидность анкеты DigCompEdu, включающей 22 цифровые компетенции, сгруппированные по шести областям [1]. Учеными разных стран разрабатываются диагностические инструменты для самооценки педагогов в области цифровых технологий, задающие рамки цифровых компетенций [2; 3]. В исследовании Y. Aljemely подчеркивается важность обучения учителей использованию ИИ [4]. M. Son и H. Jho отмечают, что грамотность в области ИИ (AI literacy) включает цифровую грамотность (digital literacy) и грамотность в области анализа данных (data literacy) [5]. Такого же мнения придерживаются участники рабочей группы AI4K12, предлагающие пять концепций в структуре требований к подготовке выпускника школы. Одна из идей заключается в умении работать с данными, поскольку нейросеть обучается на датасетах. Таким образом, грамотность в области анализа данных - основа ИИ-грамотности. Искусственный интеллект и взаимосвязанные с ним технологии анализа данных оказывают влияние на организацию образовательного процесса в цифровой среде. В странах БРИКС разрабатываются государственные стратегии, направленные на развитие цифровой экономики на основе технологий ИИ [6]. Термин «цифровая компетентность» чаще используется, если речь идет о профессиональной деятельности человека. Л.Г. Шестакова и др. определяют структуру цифровых компетенций будущих учителей исходя из перечня компетенций цифровой экономики [7]. Формированию цифровой компетенции педагогов в области анализа данных на основе модели TPACK посвящена статья Y. Cui и H. Zhang, предлагающих интегрировать педагогические предметные знания учителей с цифровой грамотностью [8]. V. Basilotta- Gómez-Pablos et al. обращают внимание на развитие цифровых компетенций преподавателей вузов как необходимое условие качественного образования в цифровом мире [9]. В работе П.В. Сысоева предложена структура и содержание компетенции педагога в области ИИ и определено, какими из структурных компонентов компетенции владеют преподаватели высшей школы [10]. A. Olesika et al. рассматривают цифровые компетенции как надпрофессиональные и анализируют их проявление в восьми профессиональных областях [11]. Кроме того, результаты, изложенные в ряде научных статей, позволяют сделать вывод о слабой степени удовлетворенности студентов педагогических направлений подготовки качеством развития цифровых компетенций [12]. Таким образом, необходимость внесения корректив в содержание профессиональной подготовки учителя определяет актуальность исследования. Цель - апробировать практические задания по формированию компетенции анализа данных у магистрантов педагогического образования. Методология. Методы исследования включали анализ публикаций, посвященных проблеме формирования цифровых компетенций в области использования технологий ИИ и анализа данных, а также методы математической статистики для обработки результатов опытно-экспериментальной работы. Основным методологическим подходом для педагогического проектирования учебного процесса выступил интегративный подход [13], определяющий изменение в деятельности субъектов образовательного процесса вследствие применения цифровых технологий. В ходе педагогического эксперимента была проведена оценка влияния разработанных практических заданий на формирование цифровой компетенции анализа данных. В исследовании приняли участие 83 студента второго курса магистратуры Пермского государственного гуманитарно-педагогического университета, обучающихся по направлению подготовки 44.04.01 «Педагогическое образование», профили «STEAM-образование» (экспериментальная группа, 43 человека) и «Инновационные процессы в образовании и науках» (контрольная группа 40 человек). Все проводимые процедуры соответствовали этическим стандартам: участие в исследовании было добровольным, не было никаких стимулов в виде денег, ваучеров или розыгрышей призов. Перед началом процедуры студенты подписывали добровольное информированное согласие об участии в тестировании и использовании результатов в обезличенном виде. Диагностика сформированности компетенции анализа данных осуществлялась с помощью онлайн-теста, включающего 15 вопросов для оценки цифровой грамотности в области искусственного интеллекта и анализа данных[30]. Количество максимально возможных баллов за тест равнялось 25. Тест считался пройденным, если студент набирал более 7 баллов (28 %, компетенция сформирована). В случаях меньшего количества баллов считалось, что компетенция не сформирована. Для статистической обработки результатов применялся j-критерий Фишера, который рассчитывался на онлайн-платформе[31]. По результатам входного тестирования студенты контрольной и экспериментальной групп продемонстрировали примерно одинаковый уровень цифровых компетенций, значит, группы являются однородными. После апробации практических заданий, направленных на формирование компетенции анализа данных, было проведено повторное тестирование студентов контрольной и экспериментальной групп. Результаты и обсуждение. Цифровая компетенция анализа данных включает умение их интерпретировать и использовать в профессиональной деятельности [14; 15]. Основное назначение кластерного анализа данных в образовании - обработка цифровых следов обучающихся при прохождении онлайн-курсов как один из этапов педагогического дизайна [16]. Кластеризация помогает сегментировать обучающихся, курсы и учебные материалы по профилям успеваемости, посещаемости и активности. Можно выделять группы с разными учебными дефицитами, подбирать для них индивидуальные образовательные траектории. Те же методы применимы для группировки курсов по структуре оценивания и сложности, а также для объединения тестовых вопросов по статистике ответов, что облегчает обнаружение дубликатов и некачественных заданий. Семантический анализ дополняет картину, позволяя работать с текстами отзывов, форумов и эссе. Благодаря библиометрическому анализу, выделению ключевых слов и связей между ними, педагоги могут выявить проблемы и успехи обучающихся. Спроектированная в рамках исследования лабораторная работа, посвященная кластерному и семантическому анализу данных в программе Orange, состоит из двух частей. Задания первой части (инструментальный уровень) направлены на освоение технических умений работы с инструментами программы, что соответствует дата-грамотности. В заданиях второй части необходимо применить полученные знания и умения для решения профессиональных задач, то есть продемонстрировать дата-компетентность. Для выполнения заданий используются специально подготовленные датасеты о результатах дистанционного обучения[32]. Разработанные задания были апробированы на лабораторных занятиях с магистрами, обучающимися по профилю «STEAM-образование». Пример выполнения заданий компететностного уровня, связанных с кластерным анализом данных (построение дендограммы в программе Orange), показан на рис. 1. Проанализировав зависимости итоговой оценки от посещаемости, количества часов в неделю, доли просроченных заданий (рис. 2) и активности на форуме дистанционного курса (рис. 3), магистрант выделил три основных кластера обучающихся: успешные (высокая посещаемость, высокие баллы по викторинам и заданиям, низкая доля просроченных заданий, умеренная активность на форуме); стабильные (средняя посещаемость, средние баллы, умеренная доля просроченных заданий, средняя учебная активность); группа риска (низкая посещаемость, низкие баллы, высокая доля просроченных заданий, низкая активность на форуме). Рис. 1. Результаты выполнения заданий на кластерный анализ Источник: создано А.В. Худяковой. Figure 1. Results of cluster analysis assignments Source: created by Anna V. Hudyakova. Рис. 2. Зависимость итоговой оценки от доли просроченных заданий Источник: создано А.В. Худяковой. Figure 2. The dependence of the final score on the percentage of late assignments Source: created by Anna V. Hudyakova. В итоге сформулированы предложения для корректировки образовательного процесса: разработка рейтинговой системы с бонусами за своевременную сдачу работ; создание базы часто задаваемых вопросов на основе активности на форуме. Для проведения семантического анализа в программе Orange студентам предлагалось выбрать два текста разных жанров (научная статья, литературное произведение, текст из школьного учебника) и проверить их на соответствие. Пример выполнения задания показан на рис. 4. В результате семантического анализа сделан вывод, что файл «Сказка» больше похож на литературное произведение. Рис. 3. Зависимость итоговой оценки от активности на форуме онлайн-курса Источник: создано А.В. Худяковой. Figure 3. The dependence of the final score on the online course forum engagement Source: created by Anna V. Hudyakova. Рис. 4. Результаты выполнения заданий на семантический анализ Источник: создано А.В. Худяковой. Figure 4. Results of semantic analysis assignments Source: created by Anna V. Hudyakova. После проведения лабораторных занятий с магистрами, обучающимися по профилю «STEAM-образование», была выполнена повторная диагностика сформированности цифровой компетенции анализа данных (информация о результатах тестирования до и после эксперимента представлена в табл.). Статистическая обработка данных позволила сформулировать следующие гипоте зы: • нулевая (H0) - студенты экспериментальной и контрольной групп показывают в среднем одинаковый уровень сформированности цифровой компетенции анализа данных; • альтернативная (H1) - студенты экспериментальной группы демонстрируют более высокий уровень сформированности цифровой компетенции анализа данных по сравнению со студентами контрольной группы. Критическое значение j-критерия Фишера для уровня значимости α = 0,05 (односторонний тест) составляет 1,64. Результаты входной и итоговой диагностики уровня сформированности цифровой компетенции анализа данных Сформированность компетенции Входная диагностика Итоговая диагностика сформирована не сформирована сформирована не сформирована Экспериментальная группа, n = 43 13 (30,2 %) 30 (69,8 %) 23 (69,7 %) 10 (30,3 %) Контрольная группа, n = 40 12 (30 %) 28 (70 %) 14 (35 %) 26 (65 %) Источник: составлено А.В. Худяковой. The results of the input and final diagnostics of the digital data analysis competence level Formation of competence Input diagnostics Final diagnostics competence has been formed competence has not been formed competence has been formed competence has not been formed Experimental group, n = 43 13 (30.2%) 30 (69.8%) 23 (69.7%) 10 (30.3%) Reference group, n = 40 12 (30%) 28 (70%) 14 (35%) 26 (65%) Source: compiled by Anna V. Hudyakova. Эмпирическое значение φ-критерия Фишера в результате входного тестирования составило 0,023. Поскольку φэмп. < φкрит., альтернативная гипотеза H1 отвергается и принимается нулевая гипотеза H0 об отсутствии статистически значимых различий в контрольной и экспериментальной группах. Эмпирическое значение φ-критерия Фишера по результатам итогового тестирования - 3,019, значит, φэмп. > φкрит., нулевая гипотеза H0 отвергается и принимается альтернативная гипотеза H1. Таким образом, статистический анализ результатов эксперимента доказал целесообразность использования разработанных практических заданий в процессе профессиональной подготовки будущего учителя. Заключение. Формирование готовности к использованию технологии анализа данных в профессиональной деятельности будущих педагогов предполагает не только использование цифровых образовательных ресурсов, но и работу с цифровыми платформами и инструментами анализа данных. Разработанные практические задания можно интегрировать в методические дисциплины подготовки учителей, что обеспечит развитие их профессиональных компетенций и повышение качества педагогического образования.

About the authors

Anna V. Hudyakova

Perm State Humanitarian Pedagogical University

Author for correspondence.
Email: ahudyakova@pspu.ru
ORCID iD: 0000-0002-5262-606X
SPIN-code: 7395-5214

Candidate of Pedagogical Sciences, Associate Professor, Head of the Department of Computer Science and Crosscutting Technologies

24 Sibirskaya St, Perm, 614990, Russian Federation

References

Supplementary files