Контроль обучения цифровым следом что значит
В России появилась новая профессия — специалист по «сбору цифрового следа»
В России появилась новая специальность – Минтруд утвердил профессиональные стандарты для специалистов «по моделированию, сбору и анализу цифрового следа». Под «цифровым следом» министерство подразумевает:
«. данные об образовательной, профессиональной или иной деятельности человека, представленные в электронной форме, оставленные пользователями в информационно-телекоммуникационных сетях».
«Цифровой след» может быть оставлен как намеренно, для достижения запланированной пользователем цели, так и непреднамеренно, при осуществлении различных видов деятельности, подчеркивает в своих материалах Минтруд.
Минтруд утвердил профстандарты анализа цифрового следа https://t.co/QZ2UxVhKIZ
Как пояснили «Российской газете» в Минтруде, профстандарт не носит обязательный характер, но учебные заведения ориентируются на него при подготовке специалистов. Требования профстандарта также могут учитываться при приеме на работу и составлении должностной инструкции, формировании учебных программ и проведении квалификационных экзаменов.
«Анализом «цифрового следа» давно занимаются сотрудники отделов кадров компаний, или, если говорить более современным языком, HR-департаментов, — рассказывает корреспондент BBC Андрей Захаров. — Как только такой сотрудник залезает в соцсети потенциального кандидата на активную вакансию, он уже пытается узнать о нем больше, чем тот рассказал в резюме. Зачастую этого достаточно, но учиться тут нечему: это умеет каждый».
Но еще потенциальных «специалист по моделированию, сбору и анализу данных цифрового следа» могут учить методам OSINT — популярному направлению в современной журналистике, отмечает Захаров:
«OSINT — это аббревиатура с английского open source intelligence, или «разведка на основе открытых данных». Сюда входят, например, навыки правильного поиска в Google c использованием так называемых «операторов», уточняющих запрос: скажем, искать все упоминания о человеке до определенной даты. Или умение искать аккаунты человека в соцсетях, когда он их скрывает, — например, по его фотографии.
OSINT учит, что можно узнать о человеке, имея только его почту. Сначала нужно просто вбить почту в поисковике, потом — только логин. Последний случай очень действенный, потому что мы, как правило, используем одни и те же логины и для почты, и на форумах, и в соцсетях. Так можно прочитать, что человек писал на какому-нибудь богом забытом ресурсе 10 лет назад».
Изначально OSINT являлась именно разведывательной дисциплиной, корни которой уходят в 40-е годы прошлого века, когда в США была создана Службы мониторинга зарубежных трансляций для изучения иностранных трансляций. Сотрудники службы записывали коротковолновые передачи на пластиковые диски, после чего отдельные материалы переписывались и переводились, а затем отправлялись в военные ведомства и подавались в формате еженедельных докладов.
Сейчас метолы OSINT часто используются в так называемой «негосударственной разведке», которая осуществляется вполне легально. В начале XXI века разведкой по открытым источникам начали заниматься любители-энтузиасты. В дополнение к традиционным источникам открытой информации они используют спутниковые снимки высокого разрешения, находящиеся в открытом доступе, и данные социальных сетей. Одной из первых групп такого рода стала Bellingcat, основанная Э. Хиггинсом в 2014 году. Коллектив успешно расследовал несколько загадочных событий, в том числе, катастрофу Boeing 777 в Донецкой области, катастрофу Boeing 737 под Тегераном и другие.
Сдаст анализ: профпригодность студентов проверят по цифровому следу
Российские ученые разработали систему, позволяющую определить профпригодность студента и выпускника вуза по цифровому следу. Метод основывается на анализе дипломов и курсовых, проектных заданий, исследовании учебных и рабочих программ. В будущем цифровой след планируют расширить, добавив информацию из соцсетей. Полученные данные сравниваются с запросами работодателей на сайтах для поиска работы. Технологию уже испытали на будущих программистах. По результатам исследования оказалось, что 69% студентов имеют лишь общее представление о предстоящей работе.
На очереди — соцсети
В Тюменском государственном университете (ТюмГУ), который входит в федеральный проект повышения конкурентоспособности ведущих российских вузов «5-100», разработали метод определения профпригодности студента по его цифровому следу. Авторов поддержал Российский фонд фундаментальных исследований.
Суть ноу-хау заключается в следующем: цифровой след извлекается из текстов курсовых, дипломных и других квалификационных работ, с тематических сайтов, а также из специальных программ, применяемых в процессе обучения студентов. Полученные данные сравниваются с описанием вакансий, которые публикуют компании. Таким образом можно увидеть, насколько выпускники подходят под требования потенциального работодателя.
— Цифровой след можно расширять. Включать в него информацию об интересах студентов в социальных сетях. Указывать, в каких группах они состоят. Как они реагируют на современные тенденции и новости. Собрав большой объем данных по студентам, мы можем в том числе менять образовательные программы, — рассказала член команды разработчиков, и.о. директора Института математики и компьютерных наук ТюмГУ Марина Воробьева.
Метод уже опробовали на местных студентах-программистах. Оказалось, что 69% из них имеют представление о будущей работе, 19% имеют опыт и только 12% уверенно владеют необходимой базой знаний и умений. По словам разработчиков, следующим этапом станет расширение проекта — использование его на других направлениях и в других учебных заведениях.
Довесок к резюме
Сбор цифрового следа может происходить на протяжении всего обучения студента, отметила младший научный сотрудник Института прикладной математики и телекоммуникаций РУДН Екатерина Лисовская.
— Цифровой след представляет собой набор данных о результатах деятельности студента за всё время обучения. Такими материалами можно считать презентации, аудио- и видеозаписи докладов, курсовые и выпускные работы, научные статьи, — добавила она.
Метод, разработанный в ТюмГУ, она назвала интересным. По мнению эксперта, он также поможет студенту понять, куда двигаться дальше исходя из сформированных компетенций, а университету — модернизировать содержание образовательных программ.
Цифровой след из информационной системы вуза может оказаться полезен как дополнительная информация к резюме, но только с согласия самого студента, подчеркнул директор Физтех-школы прикладной математики и информатики МФТИ Андрей Райгородский. При этом программные решения, которые позволяют собирать такие данные, уже существуют (как часть более сложных и объемных систем) — например, 1С:Университет, добавил он.
— Данные о вакансиях не дают полного представления о структуре рынка труда, они характеризуют только существующий на текущий момент дефицит кадров, — отметил руководитель направления в Центре прикладного анализа больших данных ТГУ Артем Фещенко.
Результаты проекта могут послужить для создания рекомендательного сервиса — в помощь выпускникам при поиске вакансий, релевантных содержанию дипломных работ. И наоборот, работодатель может подбирать кандидатов не только на основании резюме, предположил он.
Прямого совпадения данных о студентах с требованиями работодателей быть не может, полагает доцент Института интеллектуальных кибернетических систем Дмитрий Демидов. Обучение в вузах не предполагает детального знакомства со всеми профильными программами. А работодатели ищут специалистов с конкретными навыками. Нельзя отбраковывать студента только потому, что он не знает какую-то программу или технологию.
Студенту выгодно искать работу в организации, где найдется применение цифровому следу, который он генерирует, уверен магистрант направления математического обеспечения и администрирования ИС ТюмГу Михаил Карпов.
Цифровой след также поможет самому студенту оценить уровень своих знаний и навыков в различных областях обучения, добавил магистрант университета Давид Шенгелия. И понять, насколько он прогрессирует в процессе обучения как лично, так и относительно своей группы.
По цифровому следу: в России стартует эксперимент по отслеживанию искусственным интеллектом успеваемости студентов
С 2021 года в нескольких российских вузах успеваемость студентов будет оценивать искусственный интеллект (ИИ). Предполагается, что использование новой системы позволит более объективно оценивать учащихся. Об этом ТАСС рассказал директор Центра компетенций в сфере онлайн-образования и цифрового корпоративного обучения EDCrunch University НИТУ «МИСиС» Нурлан Киясов. На базе этого вуза подобная технология должна быть внедрена в конце 2020 года.
По словам Киясова, система на основании данных цифрового следа будет оценивать активность студентов на лекциях, их поведение, успеваемость и даже участие в общественной жизни.
«Цифровой сервис будет выявлять студентов с низкой академической успеваемостью и предупреждать прежде всего самих студентов и деканат об этом. Сервис будет основан на данных цифрового следа студента: он будет оценивать успеваемость студента, активность на лекциях, участие в общественной жизни университета, в целом поведение», — сообщил Киясов.
Отталкиваясь от результатов анализа полученной информации, руководство учебных заведений будет принимать решение, стоит ли как-то поощрить студента, вынести ему предупреждение или даже отчислить. Киясов считает, что внедрение основанных на искусственном интеллекте систем поможет исключить элемент предвзятости со стороны преподавателей.
В то же время глава EDCrunch University отметил, что выдвигаемые ИИ предложения будут носить рекомендательный характер, а окончательное решение касательно судьбы студентов будет по-прежнему принимать деканат. Тестирование такой системы в нескольких вузах стартует уже в 2019 году, а к 2021-му её опытные образцы начнут работать в ведущих вузах России.
«Первоочередная задача — снизить долю отчисляемых студентов, повысить удовлетворённость самих студентов качеством образовательных услуг и всех других видов услуг, которые предоставляет университет. Сегодня университет не может отставать от того, что происходит за пределами университета, где сплошная цифровизация», — подчеркнул Киясов.
Комментируя перспективы введения подобных систем, зампред комитета Госдумы по образованию и науке Борис Чернышов в беседе с RT выразил мнение, что искусственный интеллект будет в первую очередь полезен в деле борьбы с коррупцией.
«Я это предлагал, в том числе и для школьников, чтобы заменить, например, ЕГЭ на эту методику. Это было бы правильно. Но искусственный интеллект может правильнее оценить (студентов. — RT) в тех вузах, где ещё остаются факты коррупции. Ведь ему не предложишь ни шоколадку, ни конверт», — отметил парламентарий.
Также, по его мнению, администрациям учебных заведений необходимо оценивать не только успехи студентов в учёбе, но и их внеучебную деятельность. Это позволит поощрить студентов и «дать больше возможностей тем, кто заинтересован в своём дальнейшем продвижении» в рамках специальности, не зацикливаясь на одном, стандартном формате обучения.
«Сейчас, к сожалению, в некоторых вузах принимается решение только на основании итоговых результатов. Очень эффективно в этом плане работает ВШЭ, которая выставляет оценку по курсу не только по итогам тех баллов, которые получают за контрольные работы, но также на основании успеваемости, активности на семинарских занятиях, посещениях электронных занятий. Всё это и так в некоторых вузах уже есть, просто этому всему придают автоматизированный характер», — отметил Чернышов.
Собеседник RT добавил, что, помимо прочего, система оценки учащихся должна совмещать в себе «человеческий взгляд» и рекомендации искусственного интеллекта. Итоговое решение, например, об отчислении, должно приниматься только после коллективного обсуждения отчёта цифровой системы, уверен эксперт.
О необходимости деликатного подхода к использованию новых технологий по отношению к людям предупредил и президент Всероссийского фонда образования Сергей Комков.
«Я не противник использования новых IT-технологий и возможности использования искусственного интеллекта, но считаю, что здесь нужно быть предельно осторожными, потому что надо понимать, что всё-таки студент — это живой человек. И, как у любого живого человека, у него бывают разные периоды в жизни, а искусственный интеллект может этого не учитывать. Может возникнуть ситуация, при которой искусственный интеллект может неверно оценить этого живого человека. В силу определённых субъективных факторов этот живой человек может оказаться за бортом вуза: могут сложиться неудачные жизненные обстоятельства, возникнуть психологический срыв. Если живой преподаватель будет это учитывать, то искусственный интеллект этого учитывать не может», — заявил RT специалист.
Комков также полагает, что возможности искусственного интеллекта необходимо совмещать с опытом и знаниями профессорско-преподавательского состава. По его словам, необходимо найти разумный баланс между двумя этими системами оценки.
Добавим, что, согласно данным Министерства образования РФ, в 2018 году из российских вузов по тем или иным причинам было отчислено 16,8% учащихся. Как отмечает РИА Новости, согласно оценке экспертов, с помощью искусственного интеллекта этот показатель можно будет снизить до 10%.
Цифровой след сотрудника. Новый подход к управлению талантами для повышения эффективности бизнеса
Что такое цифровой след сотрудника
Это комплекс информации о человеке из разных сфер:
Почему именно сейчас важно говорить о цифровом следе
Важность этой темы связана с тремя ключевыми трендами в HR:
Зачем анализировать цифровой след сотрудников
72% компаний планируют ввести в ближайшем будущем рeople analytics и создавать программы обучения для каждого сотрудника для лучшей интеграции.
Как анализ цифрового следа меняет работу с людьми
Сегодня анализом цифрового следа активно занимается Facebook. В России в этом направлении движутся mos.ru, портал «Госуслуги» и «Сбер».
Изменения на рынке труда и прогноз на будущее
Уже сейчас один кандидат с нужным уровнем компетенций подает свое резюме в три компании. В IT-сфере конкуренция еще жестче: один человек претендует на вакансии в 10 компаниях.
По данным 2020 года, численность населения России сократилась на 510 тысяч человек — в пять раз по сравнению с 2005 годом. Такие демографические показатели приводят к тому, что не специалисты борются за компании, а наоборот, компании — за сотрудников.
Глобальная цифровизация компаний
По данным на 2020 год, 84% компаний во всем мире ускоряют цифровизацию, 83% компаний расширяют удаленную работу, 50% ускоряют автоматизацию процессов, 35% ускоряют реализацию программ обучения и переобучения.
Новые требования к профессиям
По данным World Economic Forum, к 2025 году на первом месте по востребованности будет такой профессиональный навык, как критическое мышление и способность к анализу. Далее — по убыванию: умение находить комплексное решение проблем, навыки самоуправления и работы с людьми, умение использовать технологии и разрабатывать их. Кроме того, к 2030 году самые востребованные профессии будут связаны с анализом и обработкой данных и созданием нового программного обеспечения.
Как подготовить сотрудников к изменениям
Для начала нужно понять: чтобы менять профессионалов в компании и в итоге сделать бизнес успешнее, HR-менеджеры должны меняться сами.
Постоянное обучение и забота о сотруднике — главные тренды будущего
Если в традиционном обучении контент формируется заранее и не меняется десятилетиями, то сейчас контент обучения формируется гибко — с учетом того, чему нужно обучиться человеку на данном этапе. Образовательный контент персонализируется и постоянно подстраивается под меняющиеся условия.
Больше текстов о политике и обществе — в нашем телеграм-канале «Проект “Сноб” — Общество». Присоединяйтесь
Цифровой след: новые задачи системы образования в эпоху данных
В современном мире ученик больше не привязан ни к учителю, ни к своей среде обитания. Цифровые коммуникационные технологии дают ему возможность выбирать, где и чему учиться, в какой среде развиваться, в какую деятельность включаться.
Успех в этой новой, все больше цифровой системе образования определяется не только тем, насколько обучение адаптирует человека к текущему социально-экономическому укладу. Успех все больше зависит от способности адаптироваться постоянно, изменяться, эффективно осваивать новую деятельность и приобретать новые профессиональные качества.
Это предъявляет новые, принципиально другие требования к системе образования. В мире, где студент имеет возможность выбирать, где, как, когда и чему учиться, задача системы не в том, чтобы обеспечить качественно высокий уровень каждого конкретного учителя, обучающего конкретному предмету, а в том, чтобы:
При этом, само понятие “эффективность” меняется, приобретает новый смысл. Эффективность образования в новой цифровой реальности — это мера затраченных ресурсов на освоение человеком новой деятельности (способности решать новый тип задач). Ключевой при этом становится возможность предсказать эту эффективность для конкретного человека с учетом его особенностей, его имеющихся навыков и знаний, его мотивации к освоению этих знаний.
В случае, если преподаватель или формат освоения новой деятельности, конкретная компетенция оказываются потенциально эффективными для большого числа обучающихся, встает вопрос о максимальном масштабировании образовательного решения, как правило, сопровождающимся автоматизацией, сокращением трудоемкости работы держателя компетенции с каждым обучающимся.
Такие «цифровые изменения» отчасти происходят сами по себе за счет появления, а затем и конкуренции сотен образовательных стартапов и десятков глобальных образовательных платформ. А отчасти нуждаются в согласованных действиях крупных, в том числе государственных, образовательных субъектов, способных вместе решить базовую задачу, открывающую дверь этому “цифровому переходу”: создать эффективные методы цифровой фиксации и интерпретации фактов в образовании, а также систему хранения, доступа и обмена этими данными между всеми участниками рынка.
Создание таких методов и такой системы — это инвестиции в развитие базовой инфраструктуры данных, без которой создающие новую образовательную реальность ключевые цифровые инструменты будут невозможны.
Речь идет о таких инструментах, как рекомендательные системы по персональным траекториям развития, системы мониторинга эффективности образовательных процессов, системы цифровых профилей обучающихся.
Для того, чтобы помогать студентам строить свои траектории развития, мы должны научиться отражать в данных все значимые элементы этих траекторий, фиксировать цифровой след развития человека, факты освоения новой деятельности, движения к успеху в решении новых задач.
Гипотезы и эксперименты Университета 20.35 в области цифрового образования
Базовая гипотеза, с которой работает Университет 20.35, состоит в том, что образовательный опыт не индивидуален. Опыт человека, освоившего определенные компетенции, может быть использован для рекомендаций по развитию другого человека, который имеет схожие личные качества, текущий уровень развития компетенций и проч. Благодаря большим данным могут быть созданы системы, которые помогают человеку принять правильное решение о ближайшем шаге развития. Большие данные сопоставляют эффективность тех или иных образовательных методов для конкретного человека или типов людей, а искусственный интеллект способен самообучаться при формировании рекомендаций по оптимальной траектории развития.
Но для того, чтобы использование этих методов и технологий стало возможным, нужно проникнуть вглубь образовательного процесса, построить систему наблюдения за тем, что происходит внутри “черного ящика” под названием “курс”, “активность”, “семинар”, “лекция”, “тренинг” и так далее. Задача, открывающая возможность применения цифровых технологий, состоит в том, чтобы научиться фиксировать связь между конкретным актом обучения (во всей его сложности, с учетом всего контекста, в котором он происходил) и результатом обучения для студента.
О развитии человека необходимо иметь значительно больше данных, чем традиционные для консервативной сферы образования данные об успеваемости, посещаемости и поведении, которые скорее характеризуют результативность системы, чем открывают возможность анализировать, с какими событиями связаны образовательные успехи человека, благодаря чему он освоил ту или иную деятельность, и какая именно образовательная активность поможет другому человеку совершить такой же шаг.
В начале деятельности перед Университетом 20.35 стояла задача научиться собирать эти данные, упорядочивать их. Формализуя сложное содержание образовательного процесса, резко увеличить объем данных о человеке и его процессе развития. Первым опытом работы в этом направлении стали образовательные проекты “Нейронет-1” и “Нейронет-2”, прошедшие зимой-весной 2018 года, участниками которых стали команды компаний рынка NeuroNet Национальной технологической инициативы. Для того, чтобы заглянуть внутрь «черного ящика», перейти на другой уровень детализации в описании образовательного процесса и соединить при этом формальный и содержательный характер этих описаний, команда Университета использовала в качестве базовых две концепции:
Модель компетенций, с одной стороны, позволяла студентам зафиксировать свои текущие навыки и цели развития, а с другой стороны, позволяла команде организаторов описывать все события, происходящие в образовательном процессе, на одном унифицированном языке, допускающем однозначные сопоставления и формализацию образовательных результатов в рамках, заданных моделью компетенций.
Концепция фиксации прецедентов проявления компетенций, в свою очередь, предполагала, что данные о происходящем внутри образовательного мероприятия будут возникать благодаря работе специалистов, фиксирующих факт проявления той или иной компетенции у участника процесса, с описанием конкретных обстоятельств, в которых эта компетенция была проявлена.
Все факты проявления компетенций заносились в цифровую платформу, каждый человек и каждое мероприятие получали свой цифровой след проявленных компетенций. Это позволяло создавать специальный цифровой профиль участников и в нем фиксировать динамику прироста компетенций. А организаторам, в свою очередь, описывать мероприятия с точки зрения того, какие именно компетенции могут быть во время них проявлены, чем именно в рамках мероприятия участникам удается овладеть (или, как минимум, какие компетенции проявить).
Эксперимент весны 2018 года позволил сделать несколько важных выводов, касающихся формального описания содержания образовательных мероприятий и сбора цифрового следа:
Цифровой след на образовательном интенсиве “Остров 10-21”: планирование и подготовка
Опыт работы с цифровым следом был использован при подготовке первого масштабного проекта Университета 20.35 – образовательного интенсива “Остров 10-21”. За 11 дней с 10 по 21 июля 2018 года в кампусе ДВФУ прошло более 2 000 мероприятий, развивающих технологические, личные и предпринимательские компетенции участников. Уникальная особенность интенсива – в течение всех основных дней мероприятия траектории каждого из 1021 участника формировались индивидуально с использованием технологий искусственного интеллекта на основе данных цифрового следа прошедших активностей. Требовалась тщательная подготовка к сбору и анализу цифрового следа, машиночитаемому описанию всех мероприятий.
В первую очередь, была разработана новая модель компетенций и соответствующие ей компетенционные профили, отражающие приоритет тех или иных компетенций для определенных ролей, которые выбирали себе участники.
Целевой компетенционный профиль Дата-Аналитика. Насыщенность цветов означает приоритетность тех или иных компетенций.
Учитывая те выводы, которые были сделаны по итогам проектов “Нейронет-1” и “Нейронет-2”, подготовка к сбору и анализу цифрового следа началась заранее и предполагала погружение в содержание, структуру и результаты каждого из мероприятий программы, с участием преподавателей, чтобы понять, как усилить деятельностную составляющую со стороны обучающихся.
Наряду с программной дирекцией и преподавателями — носителями передовых компетенций — в организационную команду «Острова» вошли специалисты, отвечающие за описание мероприятий с точки зрения их структуры, образовательных результатов, связей этих результатов с цифровой компетенционной моделью участников, возможности отчуждения результатов участников в цифровом виде в конкретных видах деятельности обучающихся.
Результатом их работы с преподавателями стала «Анкета сбора цифрового следа» — документ, являющийся основанием для формирования рекомендаций по участию в мероприятии для обучающихся, для фиксации цифровых артефактов по ходу мероприятия, последующего анализа собранных на мероприятии данных.
Работа специалистов выявила, что даже лучшие преподаватели, приглашенные на «Остров» из ведущих вузов и компаний, никогда не задумывались о необходимости сбора цифрового следа или фиксации каких-либо образовательных результатов, отличных от субъективной оценки. На этом этапе стало понятно, что дальнейшая работа с цифровым следом потребует развития у участников системы образования новой компетенции, связанной как с работой с данными, так и с педагогическим дизайном, обеспечивающим необходимый уровень деятельностной составляющей в обучении. Эту роль на себя на «Острове 10-21» взяли привлеченные специалисты, которые к началу реализации образовательного интенсива работали в команде, насчитывающей более 70 человек получивших неофициальное название «фиксики», а официальное — специалисты по фиксации цифрового следа.
Параллельно работе с преподавателями шло создание цифровой платформы Университета 20.35, позволяющей собрать в цифровом виде всю информацию о мероприятии, его авторах и ведущих, участниках этого мероприятия, его соответствии модели компетенций, специфических знаниях и умениях, которые невозможно освоить время интенсива, и дающей возможность привязать к мероприятию все цифровые артефакты, возникшие в процессе его проведения.
Эта привязка, вместе с «Анкетой сбора цифрового следа», давала возможность интерпретировать собранный на «Острове» цифровой след и составить компетенционные профили всех участников интенсива.
Интерпретация собранного на «Острове» цифрового следа в цифровом профиле компетенций участника
Сбор цифрового следа на «Острове»: процесс, трудности, выводы
Чтобы интерпретация цифрового следа стала возможной, требовалось построить процедуру его фиксации непосредственно в процессе образовательного интенсива. Одной из главных проблем стал масштаб мероприятия. В “Острове 10-21” принимало участие более 1000 человек, которые впервые в своей жизни сталкивались с процессом сбора цифрового следа. Одномоментно проходило до 40 мероприятий, на которых требовалось организовать фиксацию цифрового следа. Аудитории кампуса ДВФУ не имели специального оборудования для фиксации посещений, записи звука и видео.
Вся работа по цифровому следу легла на команду “фиксиков”, в чьей ответственности оказалась оцифровка с использованием всех доступных средств – диктофонов, фото- и видеооборудования, сотовых телефонов, бумажных документов — деятельности обучающихся и ее результатов.
Команда специалистов по работе с цифровым следом на Острове 10-21
На каждом образовательном мероприятии «Острова» присутствовал минимум один специалист, который сопоставлял происходящее на мероприятии с “Анкетой сбора цифрового следа”, отмечая соответствие реально происходящей деятельности той, которая была спроектирована совместно с преподавателем. Он фиксировал присутствие участников мероприятия, вел фото- и видеосъемку, собирал результаты работы, возникшие в ходе мероприятия и размещал их на цифровой платформе, с привязкой к конкретному человеку или команде. Командные результаты маркировались особым образом для последующей интерпретации компетенций, связанных с командной работой и организацией сложной деятельности.
Работа «фиксиков» на мероприятиях
С определенного момента участники «Острова» активно включились в самостоятельное наполнение цифрового архива мероприятий цифровыми артефактами. Часто загруженный таким образом цифровой след не имел никакой информационной ценности (например, часто встречалась фотография объекта или групповой работы без всякого описания), но часть артефактов, сохраненных благодаря распространению культуры бережного отношения к данным, помогла составить максимально полную картину прошедших мероприятий и проявленных участниками компетенций. Уже на следующем образовательном интенсиве «Остров 10-22», который был проведен для команд вузов в 2019 году, с цифровой культурой участников работа велась целенаправленно, и к концу 10-дневного интенсива удалось достичь показателя, связанного с осознанным отношением участников к цифровому следу своей деятельности – более 50% загруженных участниками артефактов имели ценность для последующего подтверждения компетенций.
График роста цифровой культуры на «Острове 10-22»
Роман Котов, проректор по учебной работе, Кемеровский государственный университет
Работа с цифровыми следами студентов началась после образовательного интенсива “Остров 10-22” в 2019 году. Внедрение автоматизированного расписания в связке с системой управления доступом в кампус позволили накапливать большие объемы данных и проводить исследования, анализ и прогнозирование загрузки университетской инфраструктуры – столовой, библиотеки, аудиторного фонда и т.д. Сейчас прорабатываются оптимизационные модели, в том числе с использованием искусственного интеллекта, позволяющие управлять потоками студентов для повышения эффективности использования инфраструктуры, экономической эффективности работы подразделений.
Следует признать, что, несмотря на предварительную работу, часть мероприятий «Острова 10-21» была проведена преподавателями без активной деятельности участников и не порождала артефактов, которые могли бы быть интерпретированы как свидетельство той или иной компетенции. К сожалению, “Остров 10-21” подтвердил доминирование “пассивных форматов” в образовании. Слом традиционного подхода к обучению как к трансляции знаний является важной задачей не только с точки зрения “компетентностного, деятельностного образования”, но и с точки зрения переходу к концепции “data-driven education”. Работа команды специалистов на «Острове 10-21» показала путь для решения этой задачи и подчеркнула необходимость развития компетенций преподавателей в этой области и выделения новой роли в образовании по работе с данными.
Значение эксперимента на “Острове 10-21” трудно переоценить:
Аналитический экран анализа цифрового следа на «Острове 10-21»
Дальнейшие шаги: цифровые среды, стандарты, новые компетенции
По результатам работы с цифровым следом на “Острове 10-21” стало очевидно, что современные образовательные форматы редко ориентированы на доказательность и проверяемость результатов обучения. Данные, которые могут помочь развиваться в будущем, строить траектории развития других студентов, не являются ценностью для студентов и преподавателей, потому что эта ценность для них не представлена в явном виде. Трудно рассчитывать, что формальные требования или рекомендации по сбору цифрового следа приведут к желаемым изменениям в отношении к сбору данных у студентов, преподавателей. Включение каждый раз в процесс специалистов по сбору данных затратно.
Выходов из этой ситуации Университетом 20.35 было предложено два. Первый – перенос по возможности всей деятельности обучающихся и преподавателей в в специально оборудованном пространстве, где активность людей может быть зафиксирована в точной и многоаспектной цифровой модели. Это тот путь, который доступен сегодня цифровым платформам, платформам онлайн-обучения, что дает им преимущества в работе с данными. Задача Университета 20.35 в этой части состоит в том, чтобы в цифровой среде отражались разные виды деятельности, не всегда предполагающие исключительно формат онлайн-обучения. Понимание этой проблемы во многом определило процесс проектирования следующих мероприятий Университета 20.35, в частности, образовательного интенсива “Остров 10-22”, где значительная часть активностей участников происходила в цифровых средах, а физические пространства были оснащены базовыми средствами фиксации происходящего – регистраторами входа и выхода, камерами высокого разрешения, направленными микрофонами и т.п.
Второй путь – развитие культуры и компетенций преподавателей и студентов, создание стандартов и образовательных программ по работе с цифровым следом и извлечению ценностей из его анализа, развитие сообщества специалистов по работе с цифровым следом в образовании. Значимые шаги в этом направлении Университету 20.35 удалось сделать только в 2020 году – на регулярной основе началась работа школ Education Data Engineer, был создан проект профессионального стандарта специалиста по моделированию, сбору и анализу цифрового следа, началось использование открытого технологического стандарта цифрового следа, запустились совместные программы с вузами в области работы с данными в образовании.
В основу прорывных достижений легло цифровое решение, способное в реальном времени подтягивать свежие данные с кадровых и событийных порталов и строить общую онтологию высокотехнологичных предметных областей. В его основе лежит датасет из более 150 миллионов вакансий как в России, так и за рубежом, а также данных профессиональных сообществ, профильных мероприятий и данных о траекториях обучения. Это решение получило название “Цифровая модель компетенций”. С ее помощью была построена основа профессиональных стандартов специалиста по моделированию, сбору и анализу цифрового следа и специалиста по внедрению технологий искусственного интеллекта. Особенность этих стандартов – возможность мгновенного обновления на основе потока данных из всех источников. Их внедрение в образовательных организациях – это выход на новый уровень адаптивности образовательных программ, скорости их обновления, требующий компетенций по работе с данными у руководителей образовательных программ.
Востребованность специалистов, способных моделировать, собирать, анализировать и интерпретировать данные в сфере образования растет на рынке как в вузах, так и в коммерческом, корпоративном обучении. Профессия “Образовательный дата-инженер”, опробованная в ходе работы Университета 20.35 еще на «Острове 10-21», начала развиваться в образовательном сообществе. Магистерская программа “Цифровая трансформация образования” в Высшей школе экономики была одной из первых, где рассматривались вопросы внедрения цифровых методик и технологий в образовательной среде. В 2020 году появилась профильная магистерская программа “Дата инжиниринг в области образования” в Финансовом университете при правительстве РФ.
Университет 20.35 ведет обучение по направлениям “Образовательный дата инжиниринг” и “Цифровой педагогический дизайн” в формате ДПО. В партнерстве с более чем 40 вузами проводятся проектно-образовательные интенсивы, на которых также практикуется сбор и анализ следа проектной работы и персональных траекторий развития. Благодаря этим активностям сформировалось сообщество образовательных дата инженеров, которые внедряют технологии работы с данными цифрового следа в своих образовательных проектах и получают сертификацию со стороны Университета 20.35 по факту успешной реализации подходов. Для развития системы сертификации образовательный дата инжиниринг был подан в качестве компетенции FutureSkills и в 2021 году ожидается его появление в списке компетенций с методикой проведения демонстрационного экзамена по стандартам WorldSkills.
Основная цель работы с цифровым следом – расширение возможностей для каждого человека по реализации персональных траекторий развития. Однако работа с данными о человеке и цифровым следом всегда имеет обратную сторону – риск утечки, неправомерного использования персональных данных, и дополняется возможными последствиями по нарушению прав человека. В этой связи крайне важной является работа над подготовкой этического кодекса, над оценкой гуманитарных последствий внедрения технологий работы с данными цифрового следа в сфере образования. Объединение усилий философов, технокультурологов, социологов и представителей образовательного сообщества в решении задачи по созданию и закреплению этических и гуманитарных норм работы с цифровым следом станет важным шагом на пути повышения прозрачности и открытости в работе с данными о человеке и поможет значительному повышению эффективности и конкурентоспособности российского образования.