Тел.: (812) 643-77-67 | Mail: fit.herzen.conf@gmail.com

Поиск по сайту

Тербушева Е.А.
РГПУ им. А.И. Герцена
г. Санкт-Петербург
terbushevae@gmail.com

Развитие научно-исследовательской компетентности будущих педагогов для эффективной работы в высокотехнологичной образовательной среде


Terbusheva E.A.
HSPUR
St. Petersburg, Russia

Developing research competence of students trained in the pedagogical direction to effective work in a high-tech educational environment

This article examines the prospects for the development of research competence of future teachers through the course of intellectual data analysis. Two-year experience of working with students at the university is described.

Введение
Научно-исследовательская деятельность является одним из видов профессиональной деятельности, к которым готовятся выпускники, освоившие программу бакалавриата. Действующие в настоящее время образовательные и профессиональные стандарты предъявляют требования к овладению такими компетенциями, как способность к проведению исследований на современном уровне, способность к анализу экспериментальных данных с помощью современных компьютерных технологий. Важность развития исследовательских компетенций учащихся и подготовки будущих специалистов к инновационной и исследовательской деятельности для реализации стратегических задач социально-экономического развития страны отмечается и в программе фундаментальных научных исследований в Российской Федерации на 2013-2020 годы.

Исследовательские компетенции в деятельности педагога
Актуальными являются и вопросы повышения качества педагогических исследований. Развитие высокотехнологичной образовательной среды ставит новые вызовы перед педагогами, которым необходимо научиться эффективно работать в данной среде и, следовательно, анализировать накапливаемые данные (получаемые из класса, тестов, опросов студентов, из истории взаимодействия обучаемых с дистанционными обучающими системами) и принимать на основе анализа решения для построения качественного процесса образования.

Помимо научной деятельности аналитические и исследовательские навыки нужны педагогам и при осуществлении повседневной профессиональной деятельности. Согласно профессиональному стандарту педагога [4] преподаватель должен уметь контролировать и оценивать успехи и затруднения в освоении программы учебного предмета, курса, дисциплины (модуля), определять их причины, индивидуализировать и корректировать процесс обучения и воспитания; анализировать проведение учебных занятий и организацию самостоятельной работы обучающихся; консультировать обучающихся при подготовке исследовательских, выпускных квалификационных работ; создавать отчетные (отчетно-аналитические материалы) и информационные материалы; интерпретировать результаты контроля и оценки и др.

Курс интеллектуального анализа данных для формирования научно-исследовательской компетентности
Способствовать развитию аналитических компетенций и подготовке специалистов к организации и проведению педагогических исследований на современном уровне может внедрение в образовательную программу специальной дисциплины "Интеллектуальный анализ данных". Интеллектуальный анализ данных (ИАД, Data Mining, DM) представляет собой процесс обнаружения скрытых и потенциально полезных закономерностей (шаблонов информации) в объеме данных, может выступать в качестве инструмента поддержки принятия решений в различных сферах. Методы интеллектуального анализа данных получили широкое применение и активно используются для проведения исследований в различных областях.

Сегодня в научном сообществе образовалось отдельное направление - образовательный интеллектуальный анализ данных (Educational data mining) [5], в рамках которого собираются существующие и разрабатываются новые методы ИАД с целью анализа и решения задач в сфере образования. В литературе описывается практика применения методов ИАД для разделения студентов на группы со схожими характеристиками (по уровню знаний, психологическим особенностям, социальным условиям и т.п.), для выявления групп студентов с различным риском провала с целью дальнейшей раздельной работы с группами, индивидуализации обучения, прогнозирования результатов обучения и рекомендаций. Также ИАД применяется в образовательном менеджменте [1], например, для мониторинга качества образования.

В Российском государственном педагогическом университете им. А.И. Герцена два года проводится курс "Интеллектуальный анализ данных" для студентов 4 курса уровня подготовки бакалавриат, обучаемых по направлению "Прикладная математика и информатика". Данный курс был разработан и проводился в университете впервые.

Специфика содержания обучения
Выделим исходя из полученного опыта моменты, которые по нашему предположению способствуют воспитанию научно-исследовательской компетентности:
1. Специфика аппарата ИАД. Изучаемые методы и алгоритмы анализа данных позволяют более гибко подходить к анализу экспериментальных данных, что является важным этапом в любой исследовательской деятельности. Комарова Ю.А. считает, что организационный компонент НИК, который "подразумевает владение теоретическими и эмпирическими методами исследования, а также методами математической и статистической обработки данных" может считаться базисной основой для решения различных экспериментальных задач [3].
2. Навыки сравнения и аналитики. Как правило существует много методов для решения задачи ДМ определенного вида (например, поиска ассоциативных правил или кластеризации). При их выполнении учащемуся необходимо произвести сравнение методов, проанализировать и выбрать наиболее подходящий для решения конкретной задачи. Далее необходимо проанализировать и осмыслить результат.
3. Совершенствование англоязычных навыков. Осуществляется благодаря использованию программы анализа данных с англоязычным интерфейсом. (поскольку большинство существующих бесплатных программ ИАД разработаны зарубежными коллегами). В ходе курса студентам приходится переводить незнакомые слова и тексты с описанием данных или алгоритмов. Желание работать с программой повышает мотивацию студентов к изучению языка, который необходим для осуществления общения в международном научном сообществе.
4. Развитие поисковых навыков. В ходе освоения системы ИАД и решения задач обучаемым необходимо выполнять поиск ответов на свои вопросы, закрепляется умение грамотно сформулировать вопрос, задать его на различных языках, найти используемый алгоритм-функцию, их описание и опыт применения.
5. Практика в решении междисциплинарных задач. ИАД является мультидисциплинарным направлением. Обучаемые для успешного решения задачи должны обратиться к знаниям, полученным при изучении других дисциплин. Акцентируется внимание на междисциплинарных связях, возникающие при решении задач, междисциплинарный характер многих современных исследований и важность применения знаний из других областей. Это также помогает закрепить и поверить в значимость для студентов выпускного курса бакалавриата знаний, приобретенных на ранних стадиях обучения.
6. Практика в решении исследовательских задач. Сама по себе любая задача интеллектуального анализа данных может рассматриваться как исследовательская задача. Выделяемые стадии решения учебной задачи с помощью ИАД схожи с этапами исследовательской работы.

Методы, формы, средства обучения
В качестве средств обучения нами использовались предметно-ориентированные программные среды: основная - программная среда для интеллектуального анализа данных Weka, вспомогательные - Orange, Knime, Deductor, Python. Также был сделан электронный курс на платформе Moodle с теоретическим материалом и практическими заданиями, презентации.

Для организации учебного процесса применялись следующие формы:

  • модель перевернутого класса [2], согласно которой теоретический материал для самостоятельного изучения и повторения предлагался студентам в качестве обязательных домашних заданий. В классе со студентами разбирались возникшие по домашнему материалу вопросы и некоторые примеры, студентами выполнялись практические задания. Для стимулирования студентов к работе в рамках данной модели, были введены тестирования в начале каждого аудиторного занятия по заданному домашнему материалу, прохождение которых было объявлено обязательным для получения итогового зачета. Результаты тестов не оценивались для студентов, но на их основе выявлялись и затем разбирались проблемные вопросы и корректировался дальнейший материал.
  • модель на основе итераций (итерационная или итеративная). Не приводя в рамках данной работы анализ термина и сравнение со схожими концепциями применительно к сфере образования, отметим особенности нашей модели: На каждой итерации обучения рассматриваются одни и те же разделы, с углублением и усложнением. На первой итерации осуществляется первичное знакомство со всеми разделами курса. Перечень разделов является зафиксированным. Перед переходом на следующие итерации необходим анализ процесса и результатов обучения на текущей итерации и возможны корректировки содержания внутри разделов. Таким образом, совмещаются одновременно жесткий и гибкий подходы к формированию содержания. Для более успешного освоения учебного материала при данном подходе можно применять метод интервальных повторений, когда между соответствующими тематическими разделами итераций выдерживаются определенные интервалы (в курсе первое повторение было реализовано через 1 день, второе повторение через 2-3 недели, третье повторение - через 2-3 месяца).

В преподаваемом курсе ИАД были выделены следующие разделы: предварительная обработка данных, ассоциативные правила, классификация, кластеризация. Это соответствует основным группам методов для решения различных задач интеллектуального анализа данных. В семестровом курсе исходя из двух пар в неделю было организовано три итерации.

Результаты
Проведенный курс показал большую заинтересованность студентов в изучении интеллектуального анализа данных. Не смотря на первоначально скептическое отношение студентов к модели перевернутого класса, в процессе обучения мнения изменились на противоположные, и студенты отметили, что им понравился такой подход, в результате которого основное время в классе уделялось практической работе, закрепляя тем самым самостоятельно изученный материал. Организация процесса в итеративной форме способствовала лучшему закреплению материала, курс показался студентам доступным (не сложным), несмотря на новые для них понятия и методы. Также студенты отметили, что им показалось интересным в данном курсе "проводить мини-исследовательскую работу".

С нашей точки зрения, к концу курса обучаемые стали обладать значительно более широким набором знаний, умений и навыков для проведения научно-исследовательской работы в целом и научно-исследовательской работы в области образования, без первоначального опасения брались за решение исследовательских задач, экспериментировали с различными подходами, могли описать свой опыт и объяснить выбранный способ решения и полученные результаты. Курс интеллектуального анализа данных и приведенная методика показали хорошие результаты развития научно-исследовательской компетентности и предлагается к внедрению в учебные программы на различных направлениях педагогической подготовки.

Литература:
1. 1. Горлушкина Наталия Николаевна, Коцюба Игорь Юрьевич, Хлопотов Максим Валерьевич, Задачи и методы интеллектуального анализа образовательных данных для поддержки принятия решений // Образовательные технологии и общество. 2015. №1.
2. Кайгородцева Наталья Викторовна, Шкуро Евгений Юрьевич Применение концепции «Перевернутого класса» в системе высшего образования // Омский научный вестник. Серия «Общество. История. Современность». 2016. №1.
3. Комарова Юлия Александровна Научно-исследовательская компетентность специалистов: функционально-содержательное описание // Известия РГПУ им. А.И. Герцена. 2008. №68.
4. Профессиональный стандарт (Педагог профессионального обучения, профессионального образования и дополнительного профессионального образования) от 2.09.2015 г.
5. Romero C., Ventura S. Educational Data Mining: A Review of the State of the Art. In: IEEE Transactions on Systems Man and Cybernetics Part C (Applications and Reviews)vol. 40, no. 6, 2010, Рp. 601–618.

Комментарии

Оставьте свой комментарий