Цифровые инструменты и аналитика обучения как ресурсы для персонализации образовательного процесса и принятия педагогических решений

Аннотация

Статья посвящена теоретико-эмпирическому обоснованию того, как цифровые инструменты и аналитика обучения могут выступать ресурсом персонализации образовательного процесса и поддерживать принятие обоснованных педагогических решений в высшей школе. Цель исследования заключается в выявлении статистически значимых взаимосвязей между параметрами цифрового следа студентов и их академической успеваемостью, разработке поведенческих профилей обучающихся и проверке эффективности системы персонализированных рекомендаций. Эмпирическая база сформирована в ходе трехлетнего лонгитюдного эксперимента (2020-2023 гг.) в крупном техническом университете с участием 1748 бакалавров; данные собирались в интегрированной цифровой среде на базе LMS Moodle с модулями вебинаров, интерактивных тренажеров и прокторинга, всего обработано более 5 Тб логов. Применялись методы описательной статистики, корреляционного и регрессионного анализа, кластеризация (k-means) для выделения типичных моделей поведения, а также квазиэкспериментальное сравнение групп, работающих с различными цифровыми инструментами. Показано, что решающим фактором успешности является характер активности: количество выполненных интерактивных заданий демонстрирует сильную положительную корреляцию с итоговой успеваемостью (r=0.723; p 0.001), тогда как пассивное потребление контента (просмотры видеолекций, формальное участие в форумах) обладает значительно меньшей предсказательной силой. Внедрение интерактивных симуляторов и адаптивного тестирования обеспечивает прирост итоговых баллов до 20 % по сравнению с традиционной моделью онлайн-курсов. Кластерный анализ цифрового следа позволил выделить четыре устойчивых профиля студентов ( системные и активные , исполнители минималисты , прокрастинаторы , пассивные наблюдатели ) с существенно различающейся успеваемостью и долей риска академической неуспешности. На основе этих профилей разработана и апробирована система персонализированных рекомендаций, реализация которой привела к росту средней успеваемости на 10,89 %, сокращению доли студентов группы риска на 27,81 %, увеличению числа обращений к дополнительным материалам более чем в 1,5 раза и снижению среднего времени выполнения заданий. Обсуждение результатов позволяет охарактеризовать цифровые инструменты и аналитику обучения как основу для перехода от массовой унифицированной модели к по-настоящему студентоцентричному, адаптивному образованию и обозначает перспективы использования более сложных ИИ-алгоритмов и удобных дашбордов для преподавателей в будущих интеллектуальных образовательных экосистемах.