Skillbox и НИУ ВШЭ: Модель для предсказания вовлеченности взрослых людей в обучение

Основная статья: Data mining Интеллектуальный анализ данных

2023: Разработка модели показывающая вовлеченность пользователей онлайн-платформы

30 августа 2023 года компания Skillbox сообщила о том, что с командой Международной лаборатории оценки практик и инноваций в образовании НИУ ВШЭ разработали модель, которая предсказывает вовлеченность пользователей онлайн-платформы. Она учитывает количество начатых занятий, выполненных домашних заданий, результаты тестирований, число недосмотренных видео, результаты прохождения тестов и другие характеристики. Ценность модели в возможностях дальнейшего практического применения — своевременная разработка мер поддержки обучающихся с низкой вовлеченностью и помощь в достижении их образовательных целей. В планах компании использовать информацию о вовлеченности студентов для выстраивания персонализированных треков обучения и сопровождения.

Одним из факторов результативного обучения взрослых является их вовлеченность в образовательный процесс. Под результатом в данном случае понимается достижение целей, которые ставили перед собой обучающиеся. При этом автоматизированной системы измерения вовлеченности, учитывающей также личный опыт обучающихся, на рынке образования не существует. Так, целями исследовательского проекта стали: научное доказательство того, что вовлеченность поддается измерению через цифровые следы, а также построение модели, которая поможет отслеживать степень вовлечения обучающихся и разрабатывать системные меры их поддержки.

Skillbox в своей модели образовательного продукта всегда был ориентирован на занятых взрослых людей, которые осознанно выбирают асинхронное обучение и самостоятельно подстраивают его под свой жизненный ритм. Мы, однако, понимаем, что вовлеченность в обучение при таком подходе может падать из-за перерывов в обучении, и активно исследуем поведение пользователей для построения более результативных отношений между учащимся и платформой, прокомментировала Наталья Влодавская, директор по сервису, Skillbox.

Работа над моделью велась в четыре этапа:

1. Сбор данных. Это позволило определить вовлеченность более традиционными методами, а после сравнить эти результаты с результатами разработанной модели. Анкета состояла из 13 утверждений, распределенных по трем компонентам вовлеченности (согласно классической модели вовлеченности Дженнифер Фредрикс) — поведенческий (например, «Я регулярно делаю домашние задания»), когнитивный («Если я что-то не понимаю, я стараюсь разобраться в этом до конца») и эмоциональный («Я редко чувствую беспомощность во время обучения на курсе»). Финальная выборка составила 2 234 пользователя. Витрина данных НОТА ВИЗОР для налогового мониторинга 2.1 т

2. Сегментирование аудитории. По результатам опроса было выделено три сегмента студентов по уровню вовлеченности: низкий, средний и высокий.

3. Построение предиктивной модели. Модель разработана с помощью алгоритмов машинного обучения. Учитывалось количество начатых занятий, выполненных домашних заданий, число недосмотренных видео, сумма всех попыток прохождения тестов и другие характеристики.

4. Валидация модели. Финальным этапом после получения данных и разработки модели стало интервью с обучающимися, с помощью которого проверили насколько выводы, полученные путем анализа цифровых следов, соотносятся с их субъективным опытом.

В последние годы естественным образом вырос интерес исследовательского сообщества к созданию автоматизированных систем мониторинга опыта и прогресса обучающихся. И это задача не только и не столько техническая - такие системы позволяют нам лучше понять факторы, связанные с вовлеченностью, мотивацией, благополучием обучающихся, посмотреть на них в динамике, и, как результат - проектировать образовательный опыт более эффективно, сказала Юлия Герасимова, руководитель проекта, Институт образования НИУ ВШЭ.

Измерение вовлеченности на всех этапах подразумевает возможность использования цифровых следов и их автоматическое определение.