ИНТЕГРАЦИЯ ОБРАЗОВАТЕЛЬНОЙ АНАЛИТИКИ И СИСТЕМ УПРАВЛЕНИЯ ОБУЧЕНИЕМ (LMS) ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА ОБРАЗОВАНИЯ

INTEGRATING EDUCATIONAL ANALYTICS AND LEARNING MANAGEMENT SYSTEMS (LMS) TO IMPROVE THE QUALITY OF EDUCATION

Anzhela Sklyarova

student, Department of Applied Mathematics and Computer Science, Tolyatti State University,

Russia, Tolyatti

АННОТАЦИЯ

Системы управления обучением (Learning Management Systems, LMS) играют важную роль в организации и поддержке образовательных процессов, однако их эффективность может быть значительно повышена за счет интеграции с образовательной аналитикой. В данной статье рассматривается создание архитектуры системы образовательной аналитики, которая интегрирует данные из LMS для автоматизации сбора, хранения и анализа данных об успеваемости и активности студентов. Представлены методы, позволяющие улучшить принятие решений преподавателями и администраторами, что способствует персонализации обучения и повышению качества образовательного процесса.

ABSTRACT

Learning Management Systems (LMS) play an important role in organizing and supporting educational processes, but their effectiveness can be significantly increased through integration with educational analytics. This article discusses the creation of an educational analytics system architecture that integrates data from an LMS to automate the collection, storage and analysis of data on student performance and activity. Methods are presented to improve decision making by teachers and administrators, which helps to personalize learning and improve the quality of the educational process.

Ключевые слова: образовательная аналитика, системы управления обучением, качество образования, интеграция систем.

Keywords: educational analytics, learning management systems, quality of education, systems integration.

Современное образование активно использует системы управления обучением (LMS), такие как Moodle, Blackboard и Canvas, которые упрощают управление учебными материалами, заданиями и оценками студентов. Однако системы LMS, как правило, не предоставляют полного спектра инструментов для глубокого анализа образовательных данных, что ограничивает возможности преподавателей и администраторов в мониторинге успеваемости и вовлеченности студентов.

Интеграция LMS с образовательной аналитикой предлагает более эффективные способы использования данных для повышения качества образования. Образовательная аналитика использует методы обработки данных, статистики и машинного обучения для анализа и интерпретации академической информации. Эта интеграция позволяет автоматизировать процессы сбора и анализа данных, улучшая точность прогнозирования успеваемости студентов и принимаемых решений. В данной статье будут рассмотрены основные аспекты создания архитектуры системы образовательной аналитики, интегрированной с LMS, и ее влияние на образовательный процесс.

Архитектура интеграции образовательной аналитики с LMS

Для эффективного использования образовательной аналитики в учебном процессе необходима архитектура, которая обеспечивает автоматизированный сбор, хранение и обработку данных, поступающих из LMS. Такая архитектура должна быть гибкой, масштабируемой и поддерживать работу с большими объемами данных. Рассмотрим ключевые компоненты системы.

1. Централизованное хранилище данных

Центральным элементом системы является хранилище данных, в котором объединяются сведения из разных источников: LMS, систем управления учебными данными (SIS), платформ дистанционного обучения и других образовательных ресурсов. Хранилище данных позволяет интегрировать разнородные данные в единую структуру для их последующего анализа.

Особенности хранилища данных:

• Интеграция с LMS: данные об успеваемости, активности студентов, посещаемости, результатах тестов и выполненных заданиях автоматически собираются из LMS.

• Обновление в реальном времени: данные должны обновляться регулярно для обеспечения оперативного мониторинга и своевременного вмешательства в образовательный процесс.

• Поддержка различных форматов данных: система должна обрабатывать данные в разных форматах, включая текстовые, числовые, мультимедийные файлы и структурированные данные.

2. Автоматизация сбора и анализа данных

Одной из главных задач системы является автоматизация сбора данных из LMS и их дальнейший анализ с использованием методов статистики и машинного обучения. Это позволяет упростить рутинные процессы и повысить точность принятия решений.

Процесс автоматизации включает:

• Автоматический сбор данных: данные о результатах тестов, посещаемости и активности студентов автоматически передаются в систему аналитики через интерфейсы программирования приложений (API), интегрированные с LMS.

• Анализ данных в реальном времени: данные обрабатываются с использованием аналитических моделей, что позволяет выявлять тенденции и закономерности в обучении.

• Прогнозирование успеваемости: на основе исторических данных система может прогнозировать академические результаты студентов и предлагать меры по улучшению успеваемости.

3. Визуализация данных и создание отчетов

Эффективная система образовательной аналитики должна предоставлять пользователям удобные инструменты для визуализации данных. Преподаватели и администраторы нуждаются в интерактивных дашбордах и отчетах, которые помогут быстро оценить состояние учебного процесса и выявить проблемные зоны.

Ключевые элементы визуализации:

• Интерактивные панели управления (дашборды): преподаватели могут использовать дашборды для мониторинга успеваемости и активности студентов в режиме реального времени.

• Графики и диаграммы: визуальные элементы позволяют наглядно представить динамику успеваемости и вовлеченности студентов, а также сравнивать их между собой.

• Автоматически генерируемые отчеты: система может автоматически формировать отчеты о результатах курсов, успеваемости студентов и других показателях для преподавателей и руководства образовательного учреждения.

4. Модели для прогнозирования и персонализации

Модели машинного обучения играют важную роль в системе образовательной аналитики. Они помогают предсказывать результаты обучения и предоставлять персонализированные рекомендации для каждого студента.

Прогнозные модели:

• Регрессионные модели: используются для прогнозирования успеваемости студентов на основе данных об их прошлом обучении.

• Классификационные модели: помогают выделить студентов с высоким риском отчисления, что позволяет образовательным учреждениям заранее вмешиваться и предоставлять им необходимую поддержку.

• Рекомендательные системы: такие системы могут предлагать студентам дополнительные материалы или курсы на основе их индивидуальных предпочтений и академических достижений.

Преимущества интеграции образовательной аналитики с LMS

Интеграция образовательной аналитики и LMS открывает новые возможности для повышения качества образования за счет улучшения управления учебным процессом и персонализации обучения.

1. Повышение точности мониторинга

Один из ключевых аспектов образовательной аналитики — это возможность точного и оперативного мониторинга успеваемости и вовлеченности студентов. Интеграция с LMS позволяет автоматически собирать данные о каждом учащемся, что обеспечивает более глубокий анализ и позволяет своевременно выявлять проблемы.

Пример: преподаватель может получить информацию о снижении вовлеченности студента по активности в LMS и вовремя предложить ему дополнительные материалы или консультации.

2. Улучшение принятия решений

Аналитические данные предоставляют преподавателям и администраторам объективную информацию для принятия решений. В результате снижается зависимость от субъективных мнений и ошибок. Это касается как оперативных решений в рамках курсов, так и стратегических — на уровне всего учебного заведения.

Пример: администрация может использовать отчеты аналитической системы для принятия решений о пересмотре учебных программ или распределении преподавательских ресурсов.

3. Персонализация обучения

Образовательная аналитика позволяет создавать индивидуальные учебные траектории для студентов. На основе анализа их успеваемости, предпочтений и активности в LMS система может предложить студентам дополнительные ресурсы, задачи и курсы.

Пример: студент, испытывающий трудности с определенной темой, может получить персонализированные рекомендации по изучению дополнительных материалов или предложений по курсам, которые помогут ему восполнить пробелы в знаниях.

4. Прогнозирование академических рисков

Использование предиктивных моделей позволяет выявить студентов, которые находятся в зоне риска по успеваемости или вовлеченности, и принять меры для их поддержки до наступления критической ситуации. Это может существенно снизить уровень отчислений и повысить общий уровень успеваемости.

Пример: алгоритмы машинного обучения могут предсказать вероятность неуспеваемости студента и рекомендовать преподавателям организовать консультации или предоставить дополнительные задания.

Вызовы и перспективы

Несмотря на все преимущества, интеграция образовательной аналитики с LMS имеет свои вызовы, среди которых можно выделить:

• Конфиденциальность данных: обработка больших объемов данных о студентах требует строгого соблюдения норм конфиденциальности и защиты информации.

• Качество данных: успешность аналитики зависит от точности и полноты данных, поступающих из LMS. Неполные или искаженные данные могут привести к неправильным выводам и прогнозам.

• Сложности внедрения: процесс интеграции аналитики с LMS требует значительных усилий по разработке и настройке системы, а также обучения преподавателей и администраторов использованию аналитических инструментов.

Перспективы дальнейшего развития связаны с улучшением моделей машинного обучения для повышения точности прогнозов и адаптивности учебных программ. Интеграция LMS с внешними образовательными платформами и системами искусственного интеллекта позволит создать более гибкие и персонализированные образовательные среды.

Заключение

Интеграция образовательной аналитики и LMS представляет собой мощный инструмент для повышения качества образования. Использование данных из LMS для автоматизации процессов сбора, хранения и анализа информации позволяет улучшить мониторинг успеваемости и вовлеченности студентов, предоставлять персонализированные рекомендации и прогнозировать академические риски. Внедрение таких систем требует внимания к качеству данных и соблюдению норм конфиденциальности, однако их потенциал в значительной мере улучшает образовательный процесс, делает его более гибким и эффективным.

Список литературы:

1. Бардаков Н.Д. Цифровая трансформация образования и/или образование устойчивого развития / Н.Д. Бардаков // Инновационные научные исследования. – 2021. - №4-3(6). – С.167-172.
2. Булдаев А.А. Модель системы поддержки принятия решений в учебном процессе университета, основанной на аналитике обучения / А.А. Булдаев, Л.В. Найханова, И.С. Евдокимова // Программные системы и вычислительные методы. – 2020. - №4. – С.42-52.
3. Вилкова К.А. Учебная аналитика в традиционном образовании: ее роль и результаты / К.А. Вилкова, У.С. Захарова // Университетское управление: практика и анализ. – 2020. – Т.24. – №3. – С.59-76.