Персонализированное высшее образование на основе микрокурсов: возможные пути реализации

Введение. Педагоги всего мира сходятся во мнении, что обучение человека на любой ступени развития должно иметь персонализированный характер. Чтобы обучение было персонализированным, знания, компетенции, модели поведения и подходы, которые необходимо усвоить, должны быть представлены обучающемуся таким образом, чтобы они имели ценностный смысл, были актуальны и вызывали у него желание узнать еще больше.

Проблема исследования заключается в отсутствии обоснованных методик реализации персонализированного подхода в высшем образовании. В то же время отмечается, что процесс обучения, основанный на внедрении микрокурсов, содержит в себе потенциал реализации идей персонализации, так как микрокурсы нацелены на удовлетворение индивидуальных потребностей обучающегося.

Цель статьи – обоснование возможностей персонализированного обучения в вузе (уровень магистратуры) на основе микрокурсов.

Методология, методы и методики. Методологической основой исследования является теория компетентностного подхода, парадигма личностно-ориентированного обучения, а также научные работы в области персонализированного образования.

Результаты. В статье приведена модель персонализированного обучения в вузе, основанная на использовании микрокурсов. Описаны принципы ее построения: ответственности вуза за подготовку выпускника; разумного консерватизма; соответствия инициативной тематики направлению подготовки; систематичности и системности контроля. Введено понятие микрокурса учебной дисциплины, приведены примеры выбора студентами микрокурсов. Модель персонализации образования на основе использования микрокурсов, помимо традиционных разделов, таких как планируемые результаты обучения и календарный учебный график, содержит и новые аспекты (по сравнению с действующими моделями обучения студентов): диагностика возможностей студента в реализации персонализации; регламент обучения (включающий личностные цели); схемы выбора общих и дополнительных модулей, наличие инициативных модулей; диагностика достижений. Результаты можно транслировать на различные направления подготовки в магистратуре.

Научная новизна состоит в описании возможностей реализации персонализированного подхода в обучении по программам магистратуры, основанной на применении микрокурсов.

Практическая значимость. Разработанная модель персонализации обучения на основе микрокурсов может быть применена на всех уровнях в системе высшего образования для различных профилей подготовки. Особенно значимой она будет для профилей педагогического направления.

1. Денищева Л. О., Сафуанов И. С., Семеняченко Ю. А. Возможности обеспечения персонализации образования в вузе // Вестник МГПУ. Серия: Информатика и информатизация образования. 2022. № 2 (60). С. 72–85. DOI: 10.25688/2072-9014.2022.60.2.07

2. Дьюи Дж. Демократия и образование [Электрон. ресурс]. Москва: Педагогика-Пресс, 2000. 384 с. Режим доступа: https://rusneb.ru/catalog/000199_000009_000654051 (дата обращения: 24.03.2023).

3. Watters A. Teaching machines: the history of personalized learning. Cambridge, Massachusetts: The MIT Press, 2021. 316 p. Available from: https://mitpress.mit.edu/9780262363754/teaching-machines (date of access: 24.03.2023).

4. Bloom B. S. Learning for mastery // Evaluation Comment (UCLA-CSIEP). 1968. № 1 (2). P. 1–12. Available from: https://eric.ed.gov/?id=ED053419 (date of access: 24.03.2023).

5. Bloom B. S. The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring // Educational Researcher. 1984. Vol. 13, № 6. P. 4–16. DOI: 10.2307/1175554

6. Зеер Э. Ф., Крежевских О. В. Концептуально-теоретические основы персонализированного образования // Образование и наука. 2022. Т. 24, № 4. С. 11–39. DOI: 10.17853/1994-5639-2022-4-11-39

7. Ермаков Д. С., Кириллов П. Н., Корякина Н. И, Янкевич С. А. Персонализированная модель образования с использованием цифровой платформы [Электрон. ресурс]. Москва: Вклад в будущее. Благотворительный фонд Сбербанка. 2020. 44 с. Режим доступа: https://vbudushee.ru/upload/lib/%D0%9F%D0%9C%D0%9E.pdf (дата обращения: 24.03.2023).

8. Выготский Л. С. Психология развития человека [Электрон. ресурс]. Москва: Смысл; Эксмо, 2005. 1136 с. Режим доступа: https://archive.org/details/2006_20210417 (дата обращения: 24.03.2023).

9. Савина Н. В. Методологические основы персонализации образования // Наука о человеке: гуманитарные исследования. 2020. Т. 14, № 4. С. 82–90. DOI: 10.17238/issn1998-5320.2020.14.4.10

10. Chatti M. A. Personalization in technology enhanced learning: a social software perspective. Aachen: Shaker Verlag, 2010. 249 p. Available from: https://www.semanticscholar.org/paper/Personalization-in-technology-enhanced-learning%3A-a-Chatti/521acf72f5f6f8738921ddde03bf0212a6281ddc (date of access: 24.03.2023).

11. Pontual Falcão T., Mendes de Andrade e Peres F., Morais D. C. S., Da Silva Oliveira G. Participatory methodologies to promote student engagement in the development of educational digital games // Computers & Education. 2017. № 116. P. 161–175. DOI: 10.1016/j.compedu.2017.09.006

12. Spector J. M. The potential of smart technologies for learning and instruction // International Journal of Smart Technology & Learning. 2018. Vol. 1, № 1. P. 21–32. DOI: 10.1504/IJSMARTTL.2016.078163

13. Lockspeiser T. M., Kaul P. Using individualized learning plans to facilitate learner-centered teaching // Journal of Pediatric and Adolescent Gynecology. 2016. Vol. 29, № 3. P. 214–217. DOI: 10.1016/j.jpag.2015.10.020

14. FitzGerald E., Kucirkova N., Jones A., Cross S., Ferguson R., Herodotou C., Hillaire G., Scanlon E. Dimensions of personalisation in technology-enhanced learning: A framework and implications for design // British Journal of Educational Technology. 2018. № 49 (1). P. 165–181. DOI: 10.1111/bjet.12534

15. Niknam M., Thulasiraman P. LPR: a bio-inspired intelligent learning path recommendation system based on meaningful learning theory // Education and Information Technologies. 2020. Vol. 25. P. 3797–3819. DOI: 10.1007/s10639-020-10133-3

16. Schmid R., Petko D. Does the use of educational technology in personalized learning environments correlate with self-reported digital skills and beliefs of secondary-school students? // Computers & Education. 2019. № 136. P. 75–86. DOI: 10.1016/j.compedu.2019.03.006

17. Liu M., McKelroy E., Corliss S. B.,Carrigan J. Investigating the effect of an adaptive learning intervention on student’s learning // Educational Technology Research and Development. 2017. № 65 (6). P. 1605–1625. DOI: 10.1007/s11423-017-9542-1

18. Scheiter K., Schubert C., Schüler A., Schmidt H., Zimmermann G., Wassermann B., Krebs M., Eder T. Adaptive multimedia: using gaze-contingent instructional guidance to provide personalized processing support // Computers & Education. 2019. № 139. P. 31–47. DOI: 10.1016/j.compedu.2019.05.005

19. Afini Normadhi N. B., Shuib L., Md Nasir H. N., Bimba A., Idris N., Balakrishnan V. Identification of personal traits in adaptive learning environment: Systematic literature review // Computers & Education. 2019. № 130. P. 168–190. DOI: 10.1016/j.compedu.2018.11.005

20. Xie H., Chu H. C., Hwang G. J., Wang C. C. Trends and development in technology-enhanced adaptive/personalized learning: a systematic review of journal publications from 2007 to 2017 // Computers & Education. 2019. № 140. Article number 103599. DOI: 10.1016/j.compedu.2019.103599

21. Bahçeci F., Gürol M. The effect of individualized instruction system on the academic achievement scores of students // Education Research International. 2016. Vol. 2016. DOI: 10.1155/2016/7392125

22. Lee D., Huh Y., Lin C. Y., Reigeluth C. M. Technology functions for personalized learning in learner-centered schools // Educational Technology Research and Development. 2018. № 6 (5). P. 1269–1302. DOI: 10.1007/s11423-018-9615-9

23. Jung E., Kim D., Yoon M., Park S., Oakley B. The influence of instructional design on learner control, sense of achievement, and perceived effectiveness in a supersize MOOC course // Computers & Education. 2018. № 128. P. 377–388. DOI: 10.1016/j.compedu.2018.10.001

24. Shute V. J., Rahimi S. Review of computer-based assessment for learning in elementary and secondary education // Journal of Computer Assisted Learning. 2017. № 33 (1). DOI: 10.1111/jcal.12172

25. Fatahi S. An experimental study on an adaptive e-learning environment based on learner’s personality and emotion // Education and Information Technologies. 2019. № 24 (4). P. 2225–2241. DOI: 10.1007/s10639-019-09868-5

26. Junokas M. J., Lindgren R., Kang J., Morphew J. W. Enhancing multimodal learning through personalized gesture recognition // Journal of Computer Assisted Learning. 2018. № 34 (4). P. 350–357. DOI: 10.1111/jcal.12262

27. Chen S. Y., Huang P. R., Shih Y. C., Chang L. P. Investigation of multiple human factors in personalized learning // Interactive Learning Environments. 2016. № 24 (1). P. 119–141. Available from: https://www.learntechlib.org/p/194316 (date of access: 24.03.2023).

28. Rastegarmoghadam M., Ziarati K. Improved modeling of intelligent tutoring systems using ant colony optimization // Education and Information Technologies. 2017. № 22 (3). P. 1067–1087. DOI: 10.1007/s10639-016-9472-2

29. Ennouamani S., Mahani Z., Akharraz L. A context-aware mobile learning system for adapting learning content and format of presentation: design, validation, and evaluation // Education and Information Technologies. 2020. Vol. 25. P. 3919–3955. DOI: 10.1007/s10639-020-10149-9

30. Pliakos K., Joo S. H., Park J. Y., Cornillie F., Vens C., Van den Noortgate W. Integrating machine learning into item response theory for addressing the cold start problem in adaptive learning systems // Computers & Education. 2019. № 137. P. 91–103. DOI: 10.1016/j.compedu.2019.04.009

31. Alamri H., Watson S. Watson W. Learning Technology Models that Support Personalization within Blended Learning Environments in Higher Education // TechTrends. 2020. Vol. 65, № 3. P. 62–68. DOI: 10.1007/s11528-020-00530-3

32. Walkington C., Bernacki M. L. Appraising research on personalized learning: Definitions, theoretical alignment, advancements, and future directions // Journal of Research on Technology in Education. 2020. Vol. 52, № 3. P. 235–252. DOI: 10.1080/15391523.2020.1747757

33. Zha Y., Zhu Q. Research on Vocational Student Personalized Learning Recommended Model // Proceedings of the 2nd International Conference on Education, Management and Information Technology. Amsterdam: Atlantis Press, 2015. P. 800–805. DOI: 10.2991/icemit-15.2015.166

34. Leong K., Sung A., Au D., BlanchardC. A review of the trend of microlearning // Journal of Work-Applied Management. 2021. Vol. 13, № 1. P. 88–102. DOI: 10.1108/jwam-10-2020-0044

35. Giurgiu L. Microlearning an Evolving Elearning Trend // Scientific Bulletin. 2017. Vol. 22, № 1. P. 18–23. DOI: 10.1515/bsaft-2017-0003

36. Aldosemani T. Microlearning for Macro-outcomes: Students’ Perceptions of Telegram as a Microlearning Tool // Digital Turn in Schools — Research, Policy, Practice, Lecture Notes in Educational Technology / T. Väljataga and M. Laanpere (eds.). 2019. P. 189–191. DOI: 10.1007/978-981-13-7361-9_13

37. Zhou P. Research on the Application of Micro-courses in Advanced mathematics Teaching // Frontiers in Educational Research. 2019. Vol. 2. № 11. P. 113–118. Available from: https://francis-press.com/papers/1104 (date of access: 24.03.2023).

38. Tianmei M. Research on the Application of Micro-course in the Teaching of Higher Vocational Mathematics. 5th International Workshop on Education, Development and Social Sciences (IWEDSS 2019). Tokyo, 2019. P. 323–326. DOI: 10.25236/iwedss.2019.069

39. Zhang R. Research and practice of microcourse teaching in College Mathematics under the mode of flipped classroom teaching // IOP Conference Series: Materials Science and Engineering. 2018. Vol. 439, № 3. P. 2–6. DOI: 10.1088/1757-899x/439/3/032062