Как отмечает первый проректор Университета ИТМО Дарья Козлова, университет будущего можно сравнить с персональным пазлом, в который входит набор дисциплин, занятий и практик, индивидуальных для каждого студента.
Чтобы персонализировать обучение, в ИТМО используют систему учебной аналитики. Она позволяет на основе данных о студентах прогнозировать их поведение в академической среде и давать индивидуальные рекомендации по процессу обучения. В перспективе системы, которые разрабатывает одноименное направление, могут помочь составить индивидуальную траекторию обучения для тех, кто уже учится или хочет учиться в ИТМО.
Анализирует данные, производит все вычисления и строит предсказательные модели направление учебной аналитики на базе Лаборатории машинного обучения Университета ИТМО.
«Это все данные, которые собирает ИСУ и другие информационные системы университета: оценки, посещение, учебные, научные и внеучебные активности, которые предоставляет университет. Все эти данные мы собираем, агрегируем, обрабатываем и делаем выводы на их основе», — объясняет Святослав Орешин, руководитель направления учебной аналитики, студент 4 курса факультета программной инженерии и компьютерной техники.
Чем занимается направление учебной аналитики
Запрос на обработку данных, которые накапливает вуз, и построение на их основе интеллектуальных систем появился в университете год назад, рассказывает Святослав. Это информация об академических и научных успехах студента, изменениях его успеваемости со временем, социально-демографических данных, сведений об академической мобильности, перепоступлениях, переводах и так далее.
Он стал руководить направлением учебной аналитики, которое сейчас состоит из 10 человек. Команда придумывает и разрабатывает сервисы для Студенческого офиса и самих учащихся. По словам Святослава, это делается для оптимизации процессов, которые проходят в ИТМО. Основная цель направления — принести пользу университету и студентам.
Среди сервисов — предиктивная аналитика успеваемости студентов, рекомендательные системы, а также другие сервисы, которые еще находятся в разработке ― например, создание целых индивидуальных образовательных траекторий.
«Университет заинтересован в том, чтобы уменьшить количество должников и отчислений, а студенты — увеличить мотивацию к учебе и учиться в комфортном для них режиме. Общая цель — сделать жизнь лучше. К счастью, улучшая мотивацию мы уменьшаем количество отчислений», — объясняет Святослав.
Что уже сделано
Руководитель направления рассказывает, что оно решило уже много предсказательных задач. Например, команда учебной аналитики создала сервис, который использует Студенческий офис. Он позволяет делать прогноз научной активности, долгов, среднего балла и вероятности отчисления каждого из студентов ИТМО на каждый семестр.
«Одна из задач Студенческого офиса — связываться с должниками из числа студентов ИТМО. Мы можем помогать ему определять людей, которые, скорее всего, получат долги, и помогать понимать, как можно правильно на них воздействовать. Есть разные типажи людей: те, кому нужно просто сказать, что у них долг, или те, за которых нужно звонить и договариваться с преподавателем. Люди разные, у них разные возможности. Наша цель — указать на потенциальных должников и помочь студофису выбрать правильную стратегию взаимодействия с ними», — объясняет Святослав.
Также направление разрабатывает несколько дополнительных сервисов, которые будут доступны для студентов: рекомендации дисциплин по выбору, рекомендации научных руководителей по интересам студента и вузов для академической мобильности.
«Наш сервис в ранжированном порядке выводит потенциальных руководителей, научные интересы которых совпадают с интересами студента. Это учет не простого совпадения тематик исследований, но и уровня погруженности в них. Например, мы оцениваем, насколько руководитель углублен в определенную тему относительно всего университета. Мы предполагаем, что человек, который публикует значимые статьи, занимается в основном одной темой, погружен в нее больше, чем тот, кто находится на одной из последних позиций при публикации статьи. На основе таких эвристик и обработки данных о публикациях расставляем веса в зависимости от того, кто больше подходит для научного руководства», — приводит пример Святослав.
Источник: avatar.itmo.ru
Какие технологии лежат в основе
Для решения задач направления учебной аналитики команда в основном использует машинное обучение. Она создает и обучает алгоритмы и модели, с помощью которых на основе данных университета проводит дескриптивную и предиктивную аналитику.
«Например, если у студента уже были публикации, он активен, мы знаем историю его учебы, методы машинного обучения позволяют нам делать выводы, — рассказывает Святослав. — Мы используем разные модели в зависимости от периода обучения: поведение студентов на 1 и 2 курсе отличается от их поведения на 3 и 4 курсах, и разные признаки имеют разную значимость. Основная модель — градиентный бустинг. Это довольно популярный алгоритм, который строит предсказательные модели на основе ансамблей алгоритмов. За счет последовательного построения каждый последующий базовый алгоритм минимизирует ошибки предыдущих. В рамках нашей задачи такая модель работает лучше других».
Другие методики используются для рекомендательных систем. Как рассказывает Святослав, для разработки сервиса рекомендаций научных руководителей нужно представить данные в таком виде, где каждый научный руководитель описывается определенным вектором, а те из них, кто имеет одинаковые интересы, похожими векторами.
Когда студент указывает, что ему интересно, он тоже формирует некоторый вектор. На основе близости этих векторов по косинусному расстоянию находятся ближайшие совпадения «студент — научный руководитель». По мере увеличения количества данных увеличивается и точность анализа, предсказаний, а значит и сервисов учебной аналитики.
Перспективы
Глобальная задача учебной аналитики — лучше понимать учащихся университета и их намерения, а также индивидуально помогать им достичь того, что хотят они сами. По словам Святослава, основные планы направления связаны с разработкой персональных образовательных траекторий как для студентов, так и для абитуриентов ИТМО.
«Это должно помочь им разобраться с образовательной системой университета и четко понимать, что изучают на конкретных курсах. Система сможет подсказать, что из программы соответствует интересам и целям студента в зависимости от того, хочет ли он заниматься предпринимательством, наукой или работать в индустрии. Для этих людей набор soft skills будет разный, и алгоритмы и программирование им тоже нужно дать на разном уровне», — объясняет Святослав.
Пока что все студенты не могут напрямую пользоваться сервисами, которые разрабатывает направление. Связь с ними в основном происходит через Студенческий офис и цифровой аватар. Однако работа в этом направлении идет.
«Сейчас мы работаем над некоторыми сервисами для цифрового аватара, например, сервисами рекомендации поездок на академическую мобильность, рекомендации дисциплин по выбору и научного руководителя. Работаем и над фронтендом, поэтому студенты смогут пользоваться сервисами напрямую», — делится планами руководитель направления.
Святослав отмечает, что сегодня университет становится чем-то большим, чем просто место, где все студенты учатся по одной программе.
«Мы хотим персонализировать обучение, создать подход, ориентированный на них как на разных людей с разными целями и исходными навыками. Хочется сделать так, чтобы каждый получал то, что ему нужно. Это поможет снизить количество отчислений, повысить мотивацию учащихся, хоть и вклад в это нашего решения будет сложно измерить», — заключает он.
