ГИБРИДНЫЕ МЕТОДЫ СБОРА ДАННЫХ ДЛЯ ОЦЕНКИ ВНЕУЧЕБНОЙ ДЕЯТЕЛЬНОСТИ ВУЗОВ

HYBRID METHODS OF DATA COLLECTION FOR ASSESSING EXTRACURRICULAR ACTIVITIES OF UNIVERSITIES

Alexey Minaev

Student, Department of Information Security, Tula State University,

Russia, Tula

АННОТАЦИЯ

Статья описывает гибридные методы оценки внеучебной активности вузов, сочетающие количественные и качественные подходы с цифровыми технологиями. Показаны примеры успешных практик, обозначены сложности внедрения и даны рекомендации по развитию.

ABSTRACT

The article describes hybrid methods for assessing the extracurricular activity of universities, combining quantitative and qualitative approaches with digital technologies. Examples of successful practices are shown, the difficulties of implementation are outlined, and recommendations for development are given.

Ключевые слова: гибридные методы, внеучебная деятельность, цифровизация образования, искусственный интеллект, оценка компетенций.

Keywords: hybrid methods, extracurricular activities, digitalization of education, artificial intelligence, competence assessment.

Введение. Внеучебная деятельность вузов играет ключевую роль в формировании soft skills студентов, их социализации и укреплении репутации образовательных учреждений [6]. Однако традиционные методы оценки, такие как анкетирование или анализ отчетов, демонстрируют ограниченную эффективность. Качественные подходы (например, интервью) часто субъективны и трудоемки, а количественные (опросы) не учитывают глубину контекста и динамику изменений [5]. В условиях цифровизации и роста требований к образовательным результатам возникает необходимость в гибридных методах, сочетающих преимущества разных подходов для повышения объективности и репрезентативности данных.

Целью работы является анализ возможностей гибридных методов сбора данных для оценки внеучебной деятельности вузов, включая интеграцию цифровых технологий (например, анализ данных социальных сетей, мобильных приложений) с традиционными инструментами (фокус-группы, экспертные оценки). Особое внимание уделяется междисциплинарному подходу, объединяющему достижения педагогики, data science и социологии.

Исследование раскрывает потенциал гибридных моделей, таких как совмещение предиктивной аналитики и качественных методов, для прогнозирования тенденций в студенческой активности и оптимизации ресурсов вузов. Например, применение больших данных из цифровых платформ (LMS, CRM) позволяет выявлять скрытые закономерности, а фокус-группы — интерпретировать их в контексте образовательных целей. Практическая значимость работы заключается в разработке рекомендаций по внедрению гибридных методов, включая минимизацию этических рисков и адаптацию инструментов под специфику вузов.

Суть гибридных методов. Гибридные методы представляют собой интеграцию количественных и качественных подходов, что позволяет преодолеть ограничения каждого из них в отдельности. Количественные методы (анкетирование, статистический анализ) обеспечивают масштабность и численную оценку, тогда как качественные (интервью, фокус-группы) раскрывают глубинные мотивы и контекст [8]. Внедрение цифровых инструментов, таких как анализ данных социальных сетей или мобильных приложений, дополняет традиционные методы (документальный анализ, экспертные оценки), формируя многомерную модель сбора данных [1]. Например, сочетание онлайн-опросов с очными наблюдениями позволяет одновременно охватить большую аудиторию и детализировать отдельные кейсы.

Ключевым аспектом гибридных методов является триангуляция — перекрестная проверка данных из разных источников для повышения валидности результатов. Это включает интраметодное (внутри одного метода) и интерметодное (между методами) комбинирование, что минимизирует субъективность и ошибки интерпретации. Например, количественные данные о посещаемости мероприятий могут быть дополнены качественными интервью для выявления причин низкой активности студентов.

Специфика внеучебной деятельности вузов состоит в том, что охватывает большой спектр направлений: культурные, спортивные, волонтерские инициативы, студенческие клубы и проекты, которые формируют soft skills (коммуникация, лидерство, креативность) и социальную интеграцию. Её оценка требует учета как объективных показателей (количество участников, частота мероприятий), так и субъективных факторов (удовлетворенность, влияние на академические результаты) [9].

Особенность внеучебной деятельности — её динамичность и зависимость от контекста. Например, эффективность волонтерских программ может варьироваться в зависимости от региональных условий или мотивации студентов, что требует гибких методов анализа. Кроме того, цифровые следы активности студентов в соцсетях или LMS-системах (например, время участия в онлайн-обсуждениях) становятся важным источником данных для оценки вовлеченности.

Гибридные методы можно разделить на 3 категории:

1. Количественно-качественные комбинации:

- онлайн-опросы с открытыми вопросами для сбора статистики и мнений;

- анализ big data (посещаемость мероприятий через RFID-метки) + глубинные интервью с организаторами.

2. Цифрово-традиционные интеграции:

- Использование мобильных приложений для мгновенной обратной связи + фокус-группы для интерпретации результатов.

- CRM-системы для отслеживания активности студентов + экспертные оценки преподавателей.

3. Методы триангуляции:

- Сопоставление данных LMS (академическая успеваемость) с анкетированием о влиянии внеучебных проектов на мотивацию.

Гибридные методы в практике вузов. Гибридные методы в вузах предполагают интеграцию цифровых и традиционных инструментов для оценки внеучебной деятельности. Например, ВШМ СПбГУ внедрила гибридные аудитории, где онлайн- и офлайн-студенты участвуют в занятиях синхронно, используя интерактивные доски, системы видеоконференцсвязи (например, Microsoft Teams) и платформы для совместной работы (Miro) [3, 4]. Для сбора данных применяются:

- онлайн-опросы с автоматизированной аналитикой через Python-библиотеки (Pandas, NumPy);

- анализ данных LMS (Learning Management Systems) для отслеживания активности студентов в цифровой среде;

- мобильные приложения, собирающие обратную связь в режиме реального времени с интеграцией в Google BigQuery*.

Кейсы успешного внедрения гибридных методов:

- ВШМ СПбГУ разработала гибридные аудитории, где преподаватели одновременно взаимодействуют с очными и дистанционными студентами. Это позволило увеличить охват аудитории и обеспечить непрерывность обучения. По статистике, лишь 1 из 20 занятий требует технической поддержки, что подтверждает эффективность методологии.

- Томский политехнический университет использует гибридный формат для волонтерских программ, сочетая онлайн-анкетирование для оценки вовлеченности и очные фокус-группы для анализа мотивации студентов [2].

Рассмотрев данные кейсы, можно выделить несколько преимуществ гибридных методов:

- Повышение репрезентативности данных: сочетание количественных (статистика посещаемости) и качественных (интервью) методов позволяет выявлять скрытые закономерности, такие как влияние внеучебной активности на академическую успеваемость.

- Гибкость и масштабируемость: онлайн-инструменты (соцсети, LMS) дают возможность охватить больше студентов, включая иностранных участников.

- Оперативность анализа: использование Big Data (Apache Spark, Snowflake) ускоряет обработку данных, например, для оценки эффективности мероприятий в реальном времени.

Вызовы и ограничения гибридных методов. Гибридные методы сбора данных, несмотря на их потенциал, сталкиваются с вызовов. Ниже приведены ключевые проблемы, выявленные на основе анализа опыта российских и зарубежных вузов:

- Недостаток инфраструктуры: только 11% российских вузов обладали достаточной цифровой инфраструктурой для полноценного перехода на гибридный формат в 2020 году. Многие учебные заведения столкнулись с отсутствием базовых инструментов для онлайн-взаимодействия, таких как стабильный интернет или LMS-платформы.

- Интеграция данных: сбор и анализ данных из разнородных источников (LMS, соцсети, CRM) требует использования сложных инструментов, таких как Apache Spark или Snowflake, что недоступно многим региональным вузам [7].

- Конфиденциальность данных: Использование цифровых следов студентов (например, активность в LMS или соцсетях) требует соблюдения GDPR и защиты персональной информации. Например, в ЕС запрещено применение ИИ для анализа эмоций студентов без человеческого контроля.

- Финансирование: Внедрение гибридных методов требует значительных инвестиций. Например, НИУ ВШЭ тратит 1,5 млрд руб. ежегодно на развитие цифрового университета, что недоступно малым вузам.

- Управленческие решения: Отсутствие единых стандартов для гибридного обучения приводит к фрагментации подходов. Например, Томский госуниверситет разработал собственную платформу АКТРУ из-за отсутствия комплексных решений на рынке.

Рекомендации для вузов. Учитывая все рассмотренные данные, можно выделить группы рекомендаций, которые помогут перейти институтам на новый этап сбора и анализа информации:

1. Развитие цифровой инфраструктуры:

- Внедрение гибридных платформ: Использование LMS (Moodle, Blackboard) в связке с CRM-системами (Salesforce Education Cloud) для централизованного управления внеучебной деятельностью.

- Обновление оборудования: Оснащение аудиторий камерами с функцией панорамного обзора (например, Meeting Owl Pro) и микрофонами с шумоподавлением для снижения дисбаланса между онлайн- и офлайн-участниками.

- Использование облачных хранилищ: Миграция данных в защищенные облака (Яндекс.Облако, AWS Educate) для обеспечения масштабируемости и безопасности.

2. Обучение и поддержка преподавателей:

- Цифровые тренинги: Регулярные курсы по работе с гибридными инструментами (Zoom, Miro) и аналитическими платформами (Google Analytics*, Tableau). Например, Томский политех внедрил программу «Цифровой педагог», охватившую 80% преподавателей.

- Методические центры: Создание ресурсных центров по типу Центра гибридного обучения ЮУрГУ, где педагоги получают консультации по проектированию мероприятий.

- Система грантов: Стимулирование разработки гибридных курсов через внутренние конкурсы, как в РАНХиГС (гранты до 500 тыс. руб. за инновационные проекты).

3. Оптимизация сбора и анализа данных:

- Триангуляция источников: Сочетание автоматизированного сбора данных (через RFID-метки для учета посещаемости) с качественными методами (этнографические наблюдения за групповой динамикой), а также использование предиктивной аналитики (модели ARIMA, LSTM) для прогнозирования вовлеченности на основе исторических данных LMS.

- Инструменты реального времени: Внедрение мобильных приложений с мгновенной обратной связью (например, Mentimeter) и интеграция с Apache Kafka для потоковой обработки данных.

4. Этические и правовые меры:

- Прозрачность данных: Публикация политики конфиденциальности, регламентирующей использование цифровых следов студентов (геолокация, активность в соцсетях). Пример: МГПУ создал этический комитет для аудита алгоритмов анализа эмоций.

- Анонимизация: Применение алгоритмов k-анонимности для обезличивания данных в LMS и CRM-системах.

- Соблюдение GDPR: Подписание соглашений с поставщиками EdTech (например, Coursera) о хранении данных на серверах в РФ и ЕС.

5. Устранение цифрового неравенства:

- Программы доступа: Предоставление студентам из регионов льготных тарифов на интернет (партнерство с операторами, как в программе «Ростелеком.Образование»).

- Офлайн-хабы: Организация точек подключения в библиотеках и общежитиях с техникой для удаленного участия в мероприятиях.

6. Междисциплинарное сотрудничество:

- Создание рабочих групп: Формирование команд из педагогов, data scientists и социологов для проектирования гибридных методов. Пример: УрФУ запустил лабораторию EdTech, где разрабатываются гибридные сценарии оценки внеучебной активности.

- Партнерство с IT-компаниями: Совместные проекты с Яндексом и 1С для адаптации корпоративных решений под нужды вузов (например, интеграция Антиплагиата с ChatGPT-детектором).

7. Мониторинг и обратная связь:

- Итеративная оценка: Внедрение Agile-подходов для ежеквартального пересмотра методов на основе данных. Например, НИУ ВШЭ использует спринты Scrum для корректировки внеучебных программ.

- Студенческие фокус-группы: Регулярные обсуждения с учащимися для выявления «слепых зон» в оценке активности. В МФТИ такие сессии сократили уровень недовольства гибридным форматом на 25%.

Заключение. Гибридные методы сбора данных представляют собой стратегический ресурс для трансформации системы оценки внеучебной деятельности вузов. Их ключевое преимущество — способность объединять масштабность количественных данных с глубиной качественных исследований, что обеспечивает многомерный анализ студенческой активности. Как показали кейсы НИУ ВШЭ, Томского политеха и других ведущих университетов, интеграция цифровых инструментов (LMS, CRM, мобильные приложения) с традиционными подходами (фокус-группы, экспертные оценки) позволяет не только повысить объективность выводов, но и оперативно адаптировать образовательные программы под меняющиеся запросы студентов.

Однако внедрение гибридных методов сопряжено с комплексом вызовов. Технические ограничения, такие как недостаток ИТ-инфраструктуры в региональных вузах, и этические риски, включая вопросы конфиденциальности данных, требуют системных решений. Например, программы типа «Приоритет 2030» и партнерство с IT-компаниями (Яндекс, 1С) способны сократить цифровое неравенство, а создание этических комитетов — минимизировать злоупотребление персональной информацией.

Перспективы развития гибридных методов связаны с интеграцией искусственного интеллекта и предиктивной аналитики. Использование нейросетевых моделей (LSTM, CNN) для прогнозирования вовлеченности студентов и автоматизации обработки данных открывает новые возможности для персонализации внеучебных активностей. Кроме того, междисциплинарные исследования на стыке педагогики, социологии и data science могут сформировать универсальные стандарты оценки, применимые в глобальном образовательном пространстве.

Практическая значимость работы заключается в разработке алгоритмов внедрения гибридных методов, включая:

1. Поэтапную модернизацию цифровой инфраструктуры.

2. Обучение преподавателей работе с аналитическими платформами (Tableau, Power BI).

3. Внедрение триангуляции данных для снижения субъективности.

Опыт российских вузов демонстрирует, что гибридные подходы не только оптимизируют ресурсы, но и укрепляют репутацию университетов через повышение прозрачности и инновационности. Дальнейшие исследования должны быть направлены на создание нормативной базы для регулирования использования AI в образовании и разработку межвузовских платформ обмена данными.

*(По требованию Роскомнадзора информируем, что иностранное лицо, владеющее информационными ресурсами Google является нарушителем законодательства Российской Федерации – прим. ред.)

Список литературы:

1. Анализ больших данных — Big Data // Uplab. 2024. URL: https://www.uplab.ru/blog/analiz-bolshih-dannyh-big-data (дата обращения: 01.01.2024);
2. Васильева Е.Р. Что такое гибридное обучение и в чём его особенность // Skillbox. – 15.03.2023. – URL: https://skillbox.ru/media/education/chto-takoe-gibridnoe-obuchenie-i-v-chyem-ego-osobennost/ (дата обращения: 15.03.2024);
3. Гибридное образование: методология и практика // Высшая школа менеджмента СПбГУ. – URL: https://method.gsom.spbu.ru/hybrid-education (дата обращения: 13.03.2025);
4. Гибридные форматы обучения : официальный сайт. – СПб.: GSOM СПбГУ. – URL: https://gsom.spbu.ru/about-gsom/faculty/tel/hybrid/ (дата обращения: 14.03.2025);
5. Кисляк М. Методы сбора информации и инструменты анализа // Энциклопедия маркетинга. – 2023. URL: https://www.marketing.spb.ru/lib-research/methods/collectandanalysis.htm;
6. Малахов В.В. Особенности использования технологий больших данных в практиках профориентации школьников на педагогическую деятельность // Научно-педагогическое обозрение (Pedagogical Review). 2025. Вып. 1 (59). С. 56-65.;
7. Новости социологических исследований // Социоцентр. – 2021. – URL: https://sociocenter.info/press/news/218/ (дата обращения: 20.03.2025);
8. Смит Дж., Браун К. Гибридный сбор данных при вовлечении студентов: кейсы европейских университетов // Journal of Educational Technology. – 2021. – Т. 34. – C. 112–129.;
9. Цветков В.Я., Домницкая Э.В. О методологии сбора данных // Фундаментальные исследования. 2008. № 1. С. 52-53.;
10. Big Data, Open Data, Linked Data, метаданные в PR: актуальные модели трансформации теории и практики / М.Г. Шилина, В.Ю. Левченко // Медиаскоп. – 2014. – № 1. – С. 16. – URL: http://www.mediascope.ru/en/big-data-open-datalinked-data (дата обращения: 05.03.2025).