Сопровождение индивидуальных образовательных траекторий на основе концепции объяснимого искусственного интеллекта

Введение. Получение профессионального образования в рамках индивидуальных образовательных траекторий (ИОТ) отвечает запросам как самих студентов, так и рынка труда в плане актуальности содержания, гибкости образовательного процесса и технологий обучения. Однако в условиях цифровизации сопровождение ИОТ, включая их планирование и последующее управление обучением, влечет появление новых требований к информационным системам, предназначенных для решения задач управления образовательным процессом вуза. Проблема настоящего исследования определяется существованием противоречия между закономерным для цифровизации интенсивным ростом объемов и разнообразия типов собираемых данных, которые можно и нужно использовать для сопровождения ИОТ, с одной стороны, и отсутствием в соответствующих информационных системах адекватных аналитических инструментов, с другой стороны.
Цель статьи – исследование и апробация методологии цифровизации сопровождения ИОТ, основанной на применении концепции объяснимого искусственного интеллекта для анализа данных цифрового следа студента, содержания документов, регламентирующих образовательный процесс, а также запросов рынка труда.
Методология и методы исследования. Теоретическую основу исследования составляет применение принципов объяснимого искусственного интеллекта к интерпретации данных об образовательном процессе и прогнозированию его результатов для выработки управляющих решений. Для предварительной обработки исходных документов используются методы интеллектуального анализа текстов на естественном языке. Для прогнозирования образовательных результатов применяются модели кластеризации, классификации и регрессии, созданные с помощью методов машинного обучения.
Результаты. Были разработаны и исследованы модели прогнозирования с последующим формированием рекомендаций для задач выбора образовательной программы абитуриентами, выбора элективной дисциплины, формирования команды для группового проекта и трудоустройства в соответствии с профессиональными компетенциями. Разработана компьютерная программа, которая автоматически формирует объективные и объяснимые рекомендации, основанные на экспертных знаниях и результатах прогнозирования. Алгоритм построения рекомендаций разделен на этапы и предусматривает вариативность в принятии решений.
Научная новизна. Предложена методология цифровизации сопровождения ИОТ, отвечающая принципам объяснимого искусственного интеллекта, когда по результатам анализа данных об образовательном процессе выполняется прогноз образовательных результатов и автоматически формируются персонализированные рекомендации. Разработанный подход подтвердил свою результативность при апробации на примере направлений подготовки бакалавриата и магистратуры в области компьютерных наук, информационных технологий и информационной безопасности.
Практическая значимость. Предварительный анализ значительных объемов исходных данных позволил получить объективную информацию о качестве данных, включая содержание и структуру документов, представленных в различных информационных системах вуза. На основании теоретических результатов исследования была разработана рекомендательная система. Она включила специальные сервисы для обучающихся, преподавателей, тьюторов и административных работников, предоставляющие наглядные и ориентированные на конкретного пользователя результаты прогнозов и рекомендации. Тестирование сервисов в Институте математики и компьютерных наук Тюменского государственного университета подтвердило целесообразность развития функциональных возможностей информационных систем вуза в направлении сбора и анализа данных цифрового следа студента и востребованность результатов этого анализа как субъектами образовательного процесса, так и представителями рынка труда.

1. Зеер Э. Ф., Сыманюк Э. Э. Индивидуальные образовательные траектории в си-стеме непрерывного образования // Педагогическое образование в России. 2014. № 3. С. 74–82.

2. Зеер Э. Ф., Заводчиков Д. П., Зиннатова М. В., Лебедева Е. В. Индивидуальная образовательная траектория как установка субъекта в системе непрерывного образования // Научный диалог. 2017. № 1. С. 266–279.

3. Andrews R., Li J., Lovenheim M. F. Heterogeneous paths through college: detailed patterns and relationships with graduation and earnings // Economics of Education Review. 2014. № 42. P. 93–108. DOI: 10.1016/j.econedurev.2014.07.002

4. Haas C., Hadjar A. Students’ trajectories through higher education: a review of quantitative research // Higher Education. 2020. № 79 (6). P. 1099–1118. DOI: 10.1007/s10734-019-00458-5

5. Зеер Э. Ф., Церковникова Н. Г., Третьякова В. С. Цифровое поколение в контексте прогнозирования профессионального будущего // Образование и наука. 2021. Т. 23, № 6. С. 153–184. DOI: 10.17853/1994-5639-2021-6-153-184

6. Clow D. The learning analytics cycle: closing the loop effectively // Proceedings of the 2nd International Conference on Learning Analytics and Knowledge – LAK’12. 29 April – 2 May 2012. Vancouver, British Columbia, Canada. New York: Association for Computing Machinery, 2012. P. 134–138.

7. Clow D. An overview of learning analytics // Teaching in Higher Education. 2013. № 18 (6). P. 683–695. DOI: 10.1080/13562517.2013.827653

8. Jones K. M. Advising the whole student: eAdvising analytics and the contextual suppression of advisor values // Education and Information Technologies. 2019. № 24 (1). P. 437–458. DOI: 10.1007/s10639-018-9781-8

9. Jones K. M. Just because you can doesn’t mean you should: practitioner perceptions of learning analytics ethics // Libraries and the Academy. 2019. № 19 (3). P. 407–428. DOI: 10.1353/pla.2019.0025

10. Pargman T. C., McGrath C. Mapping the terrain of ethics in learning analytics: A systematic literature review of empirical research // Journal of Learning Analytics. 2021. № 1. P. 1–17. DOI: 10.18608/jla.2021.1

11. Tsai Y. S., Poquet O., Gašević D., Dawson S., Pardo A. Complexity leadership in learning analytics: Drivers, challenges, and opportunities // British Journal of Educational Technology. 2019. № 50 (6). P. 2839–2854. DOI: 10.1111/bjet.12846

12. Kitto K., Knight S. Practical ethics for building learning analytics // British Journal of Educational Technology 2019. № 50 (6). P. 2855–2870. DOI: 10.1111/bjet.12868

13. Castelvecchi D. Can we open the black box of AI? // Nature News. 2016. № 538 (7623). P. 20–23. DOI: 10.1038/538020a

14. Lipton Z. C. The mythos of model interpretability // Communications of the ACM. 2018. № 61 (10). P. 36–43. DOI: 10.1145/3233231

15. Miller T. Explanation in artificial intelligence: Insights from the social sciences // Artificial Intelligence. 2019. № 267. P. 1–38. DOI: 10.1016/j.artint.2018.07.007

16. Gunning D., Aha D. DARPA’s explainable artificial intelligence (XAI) program // AI Magazine. 2019. № 40 (2). P. 44–58. DOI: 10.1609/aimag.v40i2.2850

17. Захарова И. Г. Методы машинного обучения для информационного обеспечения управления профессиональным развитием студентов // Образование и наука. 2018. Т. 23, № 9. С. 91–114. DOI: 10.17853/1994-5639-2018-9-91-114

18. Bird S., Klein E., Loper E. Natural language processing with Python: Analyzing Text with the natural language toolkit. Sebastopol. CA: O’Reilly Media, 2009. 504 p.

19. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Duchesnay E. Scikit-learn: Machine learning in Python // Journal of Machine Learning Research. 2011. № 12. P. 2825–2830. Available from: https://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf (date of access: 30.07.2021).

20. Salehi M., Kamalabadi I. N., Ghoushchi M. B. G. Personalized recommendation of learning material using sequential pattern mining and attribute based collaborative filtering //Education and Information Technologies. 2014. № 19 (4). P. 713–735. DOI: 10.1007/s10639-012-9245-5

21. Захарова И. Г., Боганюк Ю. В., Воробьева М. С. Павлова Е. А. Диагностика профессиональной компетентности студентов ИТ-направлений на основе данных цифрового следа // Информатика и образование. 2020. № 4. С. 4–11. DOI: 10.32517/0234-0453-2020-35-4-4-11

22. Zawacki-Richter O., Marín V. I., Bond M., Gouverneur F. Systematic review of research on artificial intelligence applications in higher education – where are the educators? // International Journal of Educational Technology in Higher Education. 2019. № 16(1). P. 1–27. DOI: 10.1186/s41239-019-0171-0

23. Schröer C., Kruse F., Gómez J. M. A Systematic literature review on applying CRISPDM process model // Procedia Computer Science. 2021. Vol. 18. P. 526–534. DOI: 10.1016/j.procs.2021.01.199

24. Боргест Н. М. Стратегии интеллекта и его онтологии: попытка разобраться // Онтология проектирования. 2019. Т. 9, № 4. С. 407-428. DOI: 10.18287/2223-9537-2019-9-4-407-428

25. George G., Lal A. M. Review of ontology-based recommender systems in e-learning // Computers & Education. 2019. Vol. 142. DOI: 10.1016/j.compedu.2019.103642. Available from: https://www.sciencedirect.com/science/article/pii/S0360131519301952 (date of access: 30.07.2021).

26. Guo S., Zeng D., Dong S. Pedagogical data analysis via federated learning toward Education 4.0 // American Journal of Education and Information Technology. 2020. № 4 (2). P. 56–65. DOI: 10.11648/j.ajeit.20200402.13

27. Arrieta A. B., Díaz-Rodríguez N., Del Ser J., Bennetot A., Tabik S., Barbado A., et al. Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities, and challenges toward responsible AI // Information Fusion. 2020. Vol. 58. P. 82–115. DOI: 10.1016/j.inffus.2019.12.012

28. Zhou W., Han W. Personalized recommendation via user preference matching // Information Processing & Management. 2019. № 56 (3). P. 955–968. DOI: 10.1016/j.ipm.2019.02.002