АНАЛІТИКА НАВЧАННЯ І ЦИФРОВИЙ ЗВОРОТНИЙ ЗВ’ЯЗОК У СИСТЕМІ УПРАВЛІННЯ ОСВІТНІМ ПРОЦЕСОМ
Анотація
У статті обґрунтовано роль аналітики навчання і цифрового зворотного зв’язку в управлінні освітнім процесом. Актуальність дослідження зумовлена тим, що цифрові освітні системи накопичують значні обсяги даних про результати, активність, дотримання термінів, характер помилок і взаємодію здобувачів освіти, однак ці дані часто використовуються переважно для обліку та контролю. Метою статті є обґрунтування взаємозв’язку між аналітичними показниками навчальної діяльності, їх педагогічною інтерпретацією, формами цифрового зворотного зв’язку та можливими управлінсько-педагогічними рішеннями. Дослідження має теоретико-аналітичний характер. Застосовано методи аналізу, порівняння, узагальнення, систематизації та структурно-логічного конструювання. Проаналізовано праці з аналітики навчання, освітнього майнінгу даних, прогнозування академічної успішності, інформаційних панелей, автоматизованого зворотного зв’язку, саморегульованого навчання та використання штучного інтелекту в освіті. У результаті виокремлено основні групи показників, що можуть використовуватися для моніторингу освітнього процесу: академічні результати, активність у системі управління навчанням, своєчасність виконання завдань, характер помилок, участь у взаємодії, динаміка прогресу та використання навчальних ресурсів. Визначено інформаційну, коригувальну, прогностичну, рекомендаційну, рефлексивну й управлінську функції цифрового зворотного зв’язку. Основним результатом є матриця, що поєднує аналітичний показник, його можливу педагогічну інтерпретацію, форму цифрового зворотного зв’язку та відповідне управлінсько-педагогічне рішення. Показано, що цифрові сліди не дають підстав для однозначного встановлення причин навчальної поведінки, тому матриця має орієнтовний характер і не замінює професійного судження викладача. Її практична придатність полягає в можливості використання показників, доступних у стандартних звітах LMS, електронних журналах і системах тестування, без залучення складних прогностичних алгоритмів. Перспективи подальших досліджень пов’язані з емпіричною апробацією матриці в різних дисциплінах і форматах навчання.
Посилання
Banihashem, S. K., Noroozi, O., van Ginkel, S., Macfadyen, L. P., & Biemans, H. J. A. (2022). A systematic review of the role of learning analytics in enhancing feedback practices in higher education. Educational Research Review. Vol. 37. Article 100489. https://doi.org/10.1016/j.edurev.2022.100489 [in English]
Bodily, R., & Verbert, K. (2017). Review of research on student-facing learning analytics dashboards and educational recommender systems. IEEE Transactions on Learning Technologies. 10(4). P. 405-418. https://doi.org/10.1109/TLT.2017.2740172 [in English]
Buckingham Shum, S., Lim, L.-A., Boud, D., Bearman, M., & Dawson, P. (2023). A comparative analysis of the skilled use of automated feedback tools through the lens of teacher feedback literacy. International Journal of Educational Technology in Higher Education. Vol. 20. Article 40. https://doi.org/10.1186/s41239-023-00410-9 [in English]
Carless, D., & Boud, D. (2018). The development of student feedback literacy: Enabling uptake of feedback. Assessment & Evaluation in Higher Education. 43(8). P. 1315-1325. https://doi.org/10.1080/02602938.2018.1463354 [in English]
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education. Vol. 20. Article 22. https://doi.org/10.1186/s41239-023-00392-8 [in English]
Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research. 77(1). P. 81-112. https://doi.org/10.3102/003465430298487 [in English]
Hernández-de-Menéndez, M., Morales-Menendez, R., Escobar, C. A., & McGovern, M. (2022). Learning analytics: State of the art. International Journal on Interactive Design and Manufacturing. Vol. 16. P. 1209-1230. https://doi.org/10.1007/s12008-022-00930-0 [in English]
Kaliisa, R., Misiejuk, K., López-Pernas, S., Khalil, M., & Saqr, M. (2024). Have learning analytics dashboards lived up to the hype? A systematic review of impact on students’ achievement, motivation, participation and attitude. In Proceedings of the 14th Learning Analytics and Knowledge Conference (pp. 295-304). Association for Computing Machinery. https://doi.org/10.1145/3636555.3636884 [in English]
Lim, L.-A., Dawson, S., Gašević, D., Joksimović, S., Pardo, A., Fudge, A., & Gentili, S. (2021). Students’ perceptions of, and emotional responses to, personalised learning analytics-based feedback: An exploratory study of four courses. Assessment & Evaluation in Higher Education. 46(3). P. 339-359. https://doi.org/10.1080/02602938.2020.1782831 [in English]
Nguyen, A., Ngo, H. N., Hong, Y., Dang, B., & Nguyen, B. T. (2023). Ethical principles for artificial intelligence in education. Education and Information Technologies. 28. P. 4221-4241. https://doi.org/10.1007/s10639-022-11316-w [in English]
Paulsen, L., & Lindsay, E. (2024). Learning analytics dashboards are increasingly becoming about learning and not just analytics: A systematic review. Education and Information Technologies. Vol. 29. P. 14279-14308. https://doi.org/10.1007/s10639-023-12401-4 [in English]
Shafiq, D. A., Marjani, M., Habeeb, R. A. A., & Asirvatham, D. (2022). Student retention using educational data mining and predictive analytics: A systematic literature review. IEEE Access. Vol. 10. P. 72480-72503. https://doi.org/10.1109/ACCESS.2022.3188767 [in English]
Susnjak, T., Ramaswami, G. S., & Mathrani, A. (2022). Learning analytics dashboard: A tool for providing actionable insights to learners. International Journal of Educational Technology in Higher Education. Vol. 19. Article 12. https://doi.org/10.1186/s41239-021-00313-7 [in English]
Yağcı, M. (2022). Educational data mining: Prediction of students’ academic performance using machine learning algorithms. Smart Learning Environments. Vol. 9. Article 11. https://doi.org/10.1186/s40561-022-00192-z [in English]
