В нашем сегодняшнем обзоре речь пойдёт о том, как применяются "большие данные" в системе высшего образования. Правда, в нём рассмотрены больше примеры иностранных студентов - но это значит только то, что нашим ВУЗам есть у кого поучиться.
В сфере образования выделяются пять основных типов данных:
персональные данные;
данные о взаимодействии студентов с электронными системами обучения (электронными учебниками, онлайн-курсами);
данные об эффективности учебных материалов;
административные (общесистемные) данные;
прогнозные данные.
Мы попробовали найти примеры того, как данные разного типа используются в учебных заведениях, и узнали, чем это помогает образованию.
Большие данные и экономия
По статистике, в США ежегодно отчисляются 400 000 студентов. Многие студенты берут на обучение кредиты, и отчисление для них – это не только большой риск невыплаты долга, но и ухудшение всей кредитной истории. Отток студентов также негативно влияет и на сами учебные заведения: чем больше отток, тем меньше прибыль и государственная финансовая поддержка. Помимо экономического фактора, процент переход первокурсников на следующий курс влияет на позиции колледжа в национальных рейтингах.
Для решения проблемы Университет Содружества Виргинии совместно с исследовательской компанией Education Advisory Board провели исследование, позволившее выявить студентов в группе риска и помочь им. Студенты, которые стали пропускать занятия или получать плохие оценки, покидали учебное заведение чаще всего. Для университета была создана платформа, которая агрегирует все оценки студентов и находит проблемы. С ними сотрудники могут работать индивидуально – например, предложить студенту репетитора или другую помощь. В течение одного семестра количество студентов, закончивших курс, увеличилось на 16%, а количество студентов, перешедших на следующий курс обучения – на 8 процентов.
Государственный университет Болл в Индиане использует большие данные, чтобы анализировать участие студентов в разнообразных мероприятиях кампуса. Этот параметр считается ключевым с точки зрения успехов в учебе. Университет отслеживает частоту посещения кампуса и различных мероприятий с помощью идентификационных карт: если вовлеченность студента снижается, то сотрудники университета выявляют причину и могут предложить помощь.
Персонализация обучения
Одна из популярных стратегий персонализации обучения – предложить дополнительный онлайн-курс отстающему студенту. По мере того как учащийся будет отвечать на вопросы, платформа сможет предсказать его готовность к новым темам. Например, Аризонский технологический университет нуждался в разработке нового курса по математике, так как студентам приходилось готовиться к экзамену целый год. После использования дополнительных курсов на базе платформы Knewton около половины студентов смогли сдать экзамен как минимум на месяц раньше.
Еще одна сфера применения больших данных – прогнозное моделирование. Американские колледжи и университеты сами направляют письма-обращения будущим студентам, приглашая поступить в то или иное учебное заведение. Каждый вуз стремится пригласить наиболее перспективных студентов, которые наверняка поступят. Чтобы облегчить работу приемной комиссии, аналитики из компании ForecastPlus собрали и проанализировали несколько типов данных студентов: этническая принадлежность, успеваемость по ряду предметов, выпускные работы, оценки. Прогнозное моделирование ForecastPlus доказало свою эффективность более чем в ста кампусах США. Так, Университет Крейтон в штате Небраска смог исключить 35000 не самых перспективных студентов и не направлять им письма, что позволило сэкономить более 30 тысяч долларов.
Повышение качества преподавания
Всё больше учебных заведений начинают использовать технологии, производя огромный поток данных. В начальной школе Рузвельта недалеко от Сан-Франциско учителя используют программу DIBELS с заданиями по чтению, помогающую выявить отстающих учеников и предложить им помощь. Это позволяет учителю быстро подготовить и адаптировать свои уроки к потребностям школьников. Оценка качества преподавания с помощью тестов не может быть по-настоящему эффективной: в итоге учителя просто натаскивают учеников на задания определенного типа. Анализируя данные об учебном процессе, администрация школы может лучше оценить учителей и, при необходимости, внести изменения.
Выбор будущей профессии
В шести технологических вузах Южной Каролины работает программа по получению новой профессии SC ACCELERATE, ориентированная на людей старше 25 лет и ветеранов. Анализ данных позволяет участникам выбрать образование и карьеру, наиболее соответствующие их опыту и личным качествам. Программа CareerChoice GPS проводит прогностический анализ и помогает определиться с выбором карьеры: сервис изучает черты характера учащегося, его успехи в обучении, опыт предыдущей работы. Абитуриенты подают заявления в самые подходящие вузы – и последние от этого выигрывают. Для работодателей это также выгодно: они получают специалистов, уже подготовленных к работе.
Виртуальный кампус
В России только начинается использование больших данных в образовании. К сожалению, реализованных инициатив пока совсем немного. Мы решили остановиться на интересном научном проекте, придуманном группой студентов ГУУ. Авторы предлагают разработать идентификационную карту студента, которая объединит ряд функций: проездной и студенческий билет, зачетная книжка и пропуск на территорию. С помощью карты можно будет собирать данные о времени и месте нахождения студента в кампусе. Создав личный кабинет, студенты будут отлеживать успеваемость, общаться с преподавателями, узнавать расписание занятий и изучать университетский каталог. Все эти сервисы позволят собирать и обрабатывать данные, чтобы генерировать дальнейшие рекомендации по улучшению опыта обучения.
Так что мотай себе на ус, студент-историк Иванов, как можно использовать Big Data, учась в институте. Впрочем, это вопрос больше не к нашему другу, а к ректору и администрации его ВУЗа. Будем надеяться, что и наши университеты и институты в скорости примут на вооружение опыт зарубежных коллег и внедрят в стратегию своей работы "большие данные".