Моделирование и автоматизация оперативной аналитики учебного процесса в вузе

Панова М.В.1, Мисиченко Н.Ю.1, Щербаков С.М.1
1 Ростовский государственный экономический университет (РИНХ)

Статья в журнале

Информатизация в цифровой экономике (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 5, Номер 4 (Октябрь-декабрь 2024)

Цитировать эту статью:

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=80401074

Аннотация:
Построена UML-модель оперативного анализа учебного процесса. Проанализированы источники данных для построения аналитической системы, построен аналитический дашборд отражающий общую информацию об успеваемости и посещаемости студентов с детализациюей по группе, по преподавателям, по предметам, по студентам. Применение аналитической системы позволит выявить проблемные места в организации и проведения учебного процесса на уровне факультета вуза.

Ключевые слова: вуз, учебный процесс, дашборд, аналитика, успеваемость, чарт, датасет, UML, визуализация

JEL-классификация: I21, I23, I25, I26, I28



Введение

В деятельности вуза первое место по важности занимает учебный процесс. Именно он воплощает главную цель деятельности вуза в целом. Доведенная до совершенства учебно-методическая система и идеально оформленные документы, правильно сформированная траектория - не имеют никакого смысла вне каждодневной учебной деятельности. Самое важное в деятельности вуза, альфа и омега его работы – это студенты в аудиториях, осуществляющие вместе с преподавателем учебную работу.

В идеальном мире студент и преподаватель – это взрослые, квалифицированные и высокомотивированные люди, которые выстраивают свое взаимодействие и совместную работу над освоением дисциплин. Они не нуждаются в каком-либо контроле и управлении. Реальность вносит свои коррективы. Вопросы дисциплины, мотивации, усталости, утери фокуса и т.д. иногда мешают успешному учебному процессу. Как следствие – пропуски занятий, задолженности, плохая успеваемость, отчисления. Или, что не лучше, выпуск слабо подготовленного специалиста.

Могут ли руководители скорректировать подобную картину? Не всегда. Невозможно вложить в чью-то голову отсутствующую мотивацию или ответственность за свою обучение. Но в других ситуациях – могут. Иногда студент просто не понимает текущей ситуации, не видит путей решения или не осознает серьезность имеющихся у него проблем. Иногда, сменив школу на вуз студент теряется в отсутствии ежедневного контроля. Во всех этих ситуациях руководители могут оказать необходимое корректирующее воздействие.

Не всегда проблема только в студенте. Систематические проблемы у студентов, изучающих определенную дисциплину у определенного преподавателя могут свидетельствовать об организационных или содержательных проблемах самой этой дисциплины.

Для того, чтобы что-то понимать и что-то решать руководители факультета и кафедры должны опираться на данные. И должны применять средства для обработки данных для выявления проблем и тенденций. Не всегда арсенал этих средств велик и не всегда они качественные. По существу, данные по успеваемости редко обновляются, имеют низкую цену деления, субъективны. С другой стороны, за счет применения методов отслеживания динамики, сравнения, визуализации и т.д. мы можем получить определенную картину, которая поможет в задачах оперативного управления учебным процессом вуза [5].

Таким образом, задача исследования процессов, методов и инструментов оперативной аналитики учебного процесса в вузе представляется достаточно актуальной.

Основная часть

Для решения задач автоматизации оперативной аналитики учебного процесса в вузе необходимо провести моделирование соответствующих процессов и предметной области, а также построить модель информационной системы для проведение аналитики.

Построим комплексную визуальную модель аналитики учебного процесса с помощью унифицированного языка моделирования UML [12]. Предложенная модель позволит:

- отразить сущности предметной области (учебный процесс вуза, его оперативная сторона) и их взаимосвязи;

- задействованных заинтересованных лиц, акторов, взаимодействующих с системой оперативной учебной аналитики в вузе;

- формально представить ход бизнес-процессов, связанных с оперативной учебной аналитикой;

- описать программное решение с точки зрения его компонентов, их взаимодействия между собой и их размещения в компьютерных сетях вуза и во внешних источниках.

Полученная модель может использоваться для осмысления, документирования, коллаборации в процессе проектирования, разработки и внедрения информационной системы для оперативной аналитики учебного процесса в вузе.

На рисунке 1 показана диаграмма прецедентов (Use Case) показывающая «с высоты птичьего полета» пользователей и функциональность системы оперативной аналитики учебного процесса в вузе. Она позволяет в самом общем виде определить сценарии проведения мероприятий по анализу учебного процесса и по непосредственному исполнению полученных в результате анализа выводов.

Перечислим задействованных акторов:

- куратор (тьютор) совместно с другими участниками осуществляет анализ учебного процесса в масштабах и осуществляет непосредственные корректирующие воздействия в соответствии с результатами. преимущество куратора – непосредственный контакт со студентами его группы, возможно наличие доверительных отношений, а также обладание им иной информации, не входящей в массив данных, доступных вузу – о мотивации студента, может быть о его жизненной ситуации, о его планах и т.д.

- заместитель декана по учебному процессу. Он осуществляет анализ учебного процесса как на уровне отдельных групп, так и на уровне факультета в целом. Его цель – контроль динамики успеваемости, посещаемости, а также контроль исполнения Федерального закона «Об образовании в Российской Федерации» от 29.12.2012 № 273-ФЗ (далее – Закон об образовании) [10]. При этом отчисление студента «без предупреждения» является источником потенциальных конфликтов, поэтому в случае угрозы отчисления (а студенту также предлагаются и другие опции, например, перевод на заочное отделение или смена специальности). В любом случае задача заместителя декана – это сбалансированное и грамотное «переключение фокуса» между факультетом-группой-студентом для оценки как динамики и ситуации в целом, так и проблем одного конкретного человека с принятием соответствующих корректирующих мер.

Рисунок 1 - Диаграмма прецедентов оперативной аналитики учебного процесса (составлено авторами)

Заведующий кафедрой также может участвовать в аналитике учебного процесса помогаю куратору и заместителю декана при необходимости. Но главный фокус его внимания - это все-таки дисциплины и преподаватели и отражение их работы в рамках учебного процесса.

Декан тоже может рассматриваться как актор. Он подключается в крайних случаях, обладая авторитетом и полномочиями он может разрешить конфликтную ситуацию, оказать необходимое воздействие на студента-задолжника или прогульщика и т.д. С другой стороны, декан (вместе с заведующими кафедрами) может рассматривать результаты анализа в целом по факультету как источник для формирования стратегических решений по развитию учебной деятельности [9].

Администратор системы выполняет необходимые технические функции по настройке, предоставлению прав доступа и подключению источников данных по мере необходимости. А также разрешение проблем с работоспособность информационно-аналитической системы оперативного управления учебным процессом.

Обратим внимание, что все прецеденты, к которым подключены основные акторы являются частным случаем прецедента «Анализ учебного процесса». Меняется лишь разрез. На диаграмме это показано с помощью отношений генерализации.

Прецедент анализ учебного процесса включает в себя (показано по связям со стереотипом include) такие прецеденты как:

- анализ текущей успеваемости. Данные фиксируются по контрольным точкам в информационной системе «Ведомости»;

- анализ посещаемости. Данные заносятся вручную из журналов посещаемости;

- анализ задолженностей. Данные также извлекаются из информационной системы «Ведомости».

В процессе анализа данные соединяются, обобщаются и визуализируются. Например, можно понять:

- студентов, неуспевающих по предметам;

- студентов, не посещающих занятия;

- студентов, имеющих «старые» задолженности с приближающимся сроком отчисления согласно Закону об образовании [10] ст. 58 п 5;

- студентов, которые могут рассчитывать на стипендию ректора или губернатора и т.д.

Часто (но не всегда) при анализе мы «проваливаемся» в данные отдельного студента, получаем его профиль, то есть совокупность его данных по посещаемости успеваемости и т.д.

В некоторых случаях на основе профиля строится прогноз дальнейшей академической судьбы студента [11]. Это показано с помощью прецедента «Прогнозирование».

Во всех прецедентах подразумевается привлечение методов визуализации с помощью виджитов (чартов) и с помощью цветовых схем (тепловых карт).

Рассмотрим теперь отдельные процессы аналитики учебного процесса, которые будем иллюстрировать с помощью диаграмм деятельности языка UML.

Процесс анализа по группе представлен на рисунке 2.

Процесс начинается с выбора интересующей нас группы (или потока, направления). Далее параллельно (это показано с помощью элементов fork и join) мы осуществляем анализ успеваемости по контрольным точкам, задолженностей и посещаемости.

Итоги отражаются на дашборде с применяем современных технологий визуализации.

Итогом является выявление студентов не имеющих проблем с учебой и имеющих высокие оценки. Их можно рекомендовать на конкурсы и стипендии различного уровня.

Рисунок 2 – Анализ учебного процесса по группе

(составлено авторами)

Далее мы выделяем проблемных студентов, по одному или нескольким направлениям. Здесь все зависит от этапа учебного процесса и от наших целей. Пытаемся ли мы улучшить посещаемость или анализируем учебный процесс в середине семестра, чтобы понять проблемные места. При этом необходимо рассматривать совокупное бремя учебных проблем. Задолженности + текущие проблемы с успеваемостью. Оно обладает накопительным эффектом и мешает студенту адекватно учиться и участвовать в проектной и иной активности факультета.

Над проблемными студентами осуществляется взаимодействие, показанное на рисунке 3 в виде диаграммы деятельности.

В начале формируется профиль студента, показывающий: его задолженности с учетом тех, которые могут скоро привести к отчислению по Закону об образовании; а также его средние баллы по контрольным точкам и предметы, где баллов недостаточно для получения положительной оценки при промежуточной аттестации в текущем семестре.

Рисунок 3 – Взаимодействие со студентом, имеющим академические задолженности и/или имеющим проблемы с текущей успеваемостью и посещаемостью (составлено авторами)

Далее делается прогноз о вероятности проблем с успеваемостью, которые могут привести к отчислению.

Приминается решение о целесообразности проведения работы со студентом (силами куратора, заместителя декана, декана). В любом случае, студент будет проинформирован, но если работа будет сочетан целесообразной (проблемы есть, но они потенциально разрешимы), то соответствующие лица проведут беседы.

В отдельных случаях (обязательно для несовершеннолетних) будет проведена беседа с родителями студента.

По итогам бесед либо будет согласован план ликвидации задолженностей и выписаны направления, либо будут подготовлены документы на отчисление студента.

Обязательным условием является фиксация всех проводимых бесед и всего письменного взаимодействия для устранения конфликтных ситуаций «а я не знал, что нужно ликвидировать задолженность», «я не знал, что у меня долг по предмету, я в систему moodle лабораторную внес», «он мне говорил, что учится, а вы его сразу отчисляете» и т.п.

Обратим внимание, что усилия по оперативной аналитике ученого процесса не сконцентрированы исключительно на проблемах дисциплины. Это не только и не столько инструмент работы со студентами, сколько инструмент для анализа причин возникновения тех или иных системных проблем.

Далее рассмотрим статическую, структурную точку зрения на эти процессы. Для этого язык UML предоставляет такой инструмент, как диаграммы классов. Эта диаграмма в своем генезисе имеет в том числе методологию Чена и его диаграммы «сущность-связь», но арсенал диаграмм классов гораздо богаче. В данном случае модель классов поможет нам на уровне анализа выявить и осмыслить сущности предметной области и их взаимодействия.

Диаграмма классов для системы оперативной аналитики ученого процесса приведена на рисунке 4.

Рисунок 4 - Модель предметной области оперативной аналитики учебного процесса в вузе

(составлено авторами)

Ключевым классом модели предметной области является класс «Студент». У студента есть личные данные, а также признаки формы обучения, является ли он коммерческим или бюджетником, является ли он иностранцем). Студент принадлежит некоторой группе (отношение агрегации на рисунке).

Класс «Группа» имеет такие атрибуты как код, форма обучения. Группа обучается по некоторому направлению. Например, «Прикладная информатика».

Направление курируется выпускающей кафедрой. класс кафедра также имеется в модели.

Факультет соотнесен и с кафедрами (они его структурные подразделения), и с направлениями.

«Преподаватель» – также один из важных классов.

Далее имеется класс «Дисциплина».

Преподаватель, дисциплина и группа объединяются в классе «Изучение», где фиксируется факт изучения некоторого предмета согласно учебному плану в какой-то момент у какого-то преподавателя. При этом с помощью атрибутов указываются форма контроля (экзамен, зачет, курсовой проект и т.д..).

Для студента заносится информация о:

- пропуске занятий;

- контрольной точке;

- аттестации.

Все это классы, связанные с одно стороны со студентом – с другой с классом «Изучение».

Как было сказано выше важнейшим классом является класс «Студент». Диаграмма состояний (state chart machine diagram) позволяет отследить динамику изменения состояний объекта.

В данном случае на рисунке 5 приведена смена состояний класса «Студент».

Начальное состояние показано кружком и означает зачисление студента в вуз. При этом есть возможность зачисления на первый курс как абитуриента, тогда студент переходит в состояние «Обучается нет задолженностей», так и переводом с другого вуза или факультета, тогда как правило возникает состояние «Обучается, есть задолженности».

По мере неудачных аттестаций или ликвидаций академической задолженности студент может постепенно переходить между этими двумя состояниями.

Далее состояние академический отпуск. В него можно попасть в случае наличия некоторых оснований. Возможен переход как из состояния с задолженностями, так и без них.

Рисунок 5 - Диаграмма состояний для студента

(составлено авторами)

Как правило, при выходе из академического отпуска некоторые задолженности остаются, что показана переходом в соответствующее состояние на диаграмме.

Из любого из перечисленных выше состояний можно попасть в состояние «Отчислен». Либо по собственному желанию, либо по Закону об образовании [10] в случае неспособности ликвидировать академические задолженности в отведенный срок.

Из состояния отчислен можно восстановиться, конечно же в состояние «Обучается, есть академические задолженности».

Конечное состояние соответствует выпуску студента из вуза. Сюда можно попасть только из состояния «Обучается, нет задолженностей», успешно защитив ВКР.

Далее рассмотрим аспекты реализации информационно—аналитической системы оперативной аналитики ученого процесса вуза [9]. На рисунке 6 в виде диаграммы пакетов языка UML показаны отдельные подсистемы этой системы.

Пунктирные стрелки показывают отношения зависимости между подсистемами.

В качестве инструмента реализации выбрана BI-система Yandex Data Lens. В качестве основы служит подсистема извлечения и обработки информации из разных источников (Extract Transform and Load, ETL) [3]. Эта часть отвечает за получение данных из системы Ведомости и других систем вуза.

Рисунок 6 – Информационно-аналитическая система оперативной аналитики ученого процесса вуза

(составлено авторами)

Подсистема хранения предназначена для хранения данных об учебном процессе в форме, предназначенной для дальнейшего анализа.

Все другие системы, включая компонент визуализации предназначены для непосредственного взаимодействия с пользователем - аналитиком и для подготовки принятия решений. В том числе с помощью средств графического представления информации на дашборде.

Элементы дашборда представлены на рисунках 7-9. Показаны реальные деперсонализированные данные.

Рисунок 7 – Успеваемость в группе по контрольным точкам (составлено авторами)

Рисунок 8 –Оценки по предметам (составлено авторами)

Рисунок 9– Детализация по отдельному студенту (составлено авторами)

Перспективы развития предложенной информационной системы оперативной аналитики учебного процесса в вузе:

- по-видимому необходимо расширять предсказательный компонент информационной системы [7, 11]. Здесь широко можно использовать методы машинного обучения [13] Основная идея – прогнозирование дальнейшей академической судьбы каждого студента и разбиение множества студентов на несколько групп A/B/C, для того, чтобы не тратить ограниченные ресурсы времени руководителей и тьюторов впустую. А лишь на тех студентов, чей путь может быть скорректирован. Именно там, где небольшие усилия по мотивированию и консультированию могут помочь повысить успеваемость и/или избавиться от задолженностей [1];

- привлечение кластерного анализа (также из арсенала машинного обучения) для автоматизированного формирования профилей студентов (иначе паттернов). Вероятно, это даст возможность понимать ситуацию с учебой лучше и находить правильные инструменты взаимодействия со студентами [8];

- расширение источников данных. Самым проблемным является извлечение данных о посещаемости. Возможно, будет реализована система быстрой электронной переклички на основе qr-кодов, но очевидно, что ее реализация потребует достаточно существенных усилий по внедрению в учебный процесс. Более простой компонент – это соотнесение с системой электронных пропусков, хотя присутствие в здании - это еще не присутствие на конкретной паре;

- подключение данных об использовании системы moodle и ее отдельных компонентов – систем тестирования и рефлексии, а также других компонентов снятия цифрового следа [11].

- интеграция механизмов обратной связи с помощью опросов (может быть реализовано через moodle или альтернативным способом). Этот инструмент стоит использовать с осторожностью, поскольку не все преподаватели готовы «получать оценки от студентов». К тому же такие оценки не могут напрямую служить основанием для выводов о качестве учебного процесса, но могут помочь с определением причин низкой посещаемости и/или низкой успеваемости по конкретным предметам у конкретных преподавателей [2, 6]. Также имеется возможность глубже анализировать мотивацию [4].

- интеграция с данными о проектной деятельности студентов.

При всем этом нельзя считать, что средний балл по одному предмету (кафедре, факультету, вузу) превышающий средний балл у другого предмета что-то говорит о результативности подготовки. Конечно, нужно понимать, что сам механизм аттестации, есть не более чем инструмент обучения и проверки компетенций. Итоговая цель – подготовка высококвалифицированных специалистов.

Заключение

Таким образом, проведен анализ процессов оперативной аналитики и простроена визуальная UML-модель, отражающая совокупность процессов в целом, а также выполнение отдельных процессов оперативной аналитики; состав, структуру и взаимосвязь классов (сущностей предметной области), а также состав компонентов для программной реализации системы оперативной аналитики учебного процесса в вузе.

На основе разработанного комплекса моделей с применением BI-системы Yandex Data Lens построена информационно аналитическая система, использующая данные электронных ведомостей и включающая ряд дашбордов для анализа состояния и динамики учебного процесса в различных разрезах. Система позволяет выявлять проблемные места для поддержки деятельности сотрудников, ответственных за оперативное управление учебным процессом.

Применение и развитие системы оперативной аналитики учебного процесса (как части учебной аналитики) даст возможность:

- повысить качество принимаемых решений по оперативному управлению учебного процесса;

- принимать стратегические решения на уровне содержания и способов преподавания отдельных дисциплин и образовательной программе в целом.


Источники:

1. Смык А.Ф., Прусова В.И., Зиманов Л.Л., Солнцев А.А. Анализ масштаба и причин отсева студентов в техническом университете // Высшее образование в России. – 2019. – № 6. – c. 52-62. – doi: 10.31992/0869-3617-2019-28-6-52-62.
2. Аракчеева А.А., Бойков С.Ю. Аналитическая обработка данных текущей успеваемости студентов средствами Power BI // Семьдесят четвертая всероссийская научно-техническая конференция студентов, магистрантов и аспирантов высших учебных заведений с международным участием: Сборник материалов конференции. Том Часть 1. Ярославль, 2021. – c. 665-667.
3. Березовская Е.А., Крюков С.В. Работа с сервисом бизнес-аналитики Yandex DataLens. / Учебное пособие. - Ростов-на-Дону - Таганрог: Южный федеральный университет, 2022. – 92 c.
4. Бувина В.В. Анализ вовлеченности студентов российских вузов в учебный процесс // Инновационное управление персоналом: Сборник материалов кадрового форума. Курск, 2019. – c. 16-20.
5. Булдаев А.А., Найханова Л.В., Евдокимова И.С. Модель системы поддержки принятия решений в учебном процессе университета, основанной на аналитике обучения // Программные системы и вычислительные методы. – 2020. – № 4. – c. 42-52. – doi: 10.7256/2454-0714.2020.4.34286.
6. Жуковская И.Е., Абдуллаев М.К. Современные тренды применения BI-технологий в деятельности высшего учебного заведения // BI-технологии и корпоративные информационные системы в оптимизации бизнес-процессов цифровой экономики: Материалы IX Международной научно-практической очно-заочной конференции. Екатеринбург, 2022. – c. 70-72.
7. Канашевич Т.Н., Шумская М.О. Прогнозирование академической успеваемости студентов I-II курсов // Профессиональное образование. – 2016. – № 2(24). – c. 26-31.
8. Кустицкая Т.А., Есин Р.В. Визуализация многомерных данных для выявления закономерностей в образовательной деятельности студентов // Новые образовательные стратегии в современном информационном пространстве: Сборник научных статей по материалам международной научно-практической конференции. Санкт-Петербург, 2022. – c. 228-233.
9. Полуянов В.П., Панова М.В. Разработка приложения для оперативной аналитики учебного процесса в вузе. / Сборник научных трудов: Научный вектор. - Ростов-на-Дону : Ростовский государственный экономический университет «РИНХ», 2024. – 353-357 c.
10. Федеральный закон «Об образовании в Российской Федерации» от 29.12.2012 № 273-ФЗ. Consultant.ru. [Электронный ресурс]. URL: https://www.consultant.ru/document/cons_doc_LAW_140174/ (дата обращения: 02.12.2024).
11. Шухман А.Е., Парфенов Д.И., Легашев Л.В., Гришина Л.С. Анализ и прогнозирование успеваемости обучающихся при использовании цифровой образовательной среды // Высшее образование в России. – 2021. – № 8-9. – c. 125-133. – doi: 10.31992/0869-3617-2021-30-8-9-125-133.
12. Devi K., Ratnoo S. Predicting student dropouts using random forest // Journal of Statistics and Management Systems. – 2022. – № 7. – p. 1579-1590. – doi: 10.1080/09720510.2022.2130570.
13. Pan Z., Biegley L., Taylor A., Zheng H. A Systematic Review of Learning Analytics: Incorporated Instructional Interventions on Learning Management Systems // Journal of Learning Analytics. – 2024. – № 2. – p. 52-72. – doi: 10.18608/jla.2023.8093.

Страница обновлена: 06.03.2025 в 13:29:21