УДК 004.62/37.012.4
АНАЛИЗ РЕЗУЛЬТАТОВ ТЕСТИРОВАНИЯ БОЛЬШОЙ ВЫБОРКИ ОБУЧАЮЩИХСЯ С ПОМОЩЬЮ ИНСТРУМЕНТОВ DATA SCIENCE
А. Э. Бойко, аспирант, ассистент кафедры менеджмента и маркетинга РХТУ им. Д. И. Менделеева, Москва, Россия;
orcid.org/0009-0007-4006-4403, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Т. В. Савицкая, д.т.н., профессор кафедры кибернетики химико-технологических процессов РХТУ им. Д. И. Менделеева, Москва, Россия;
orcid.org/0000-0001-9818-2196, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Д. С. Лопаткин, к.э.н, доцент, заведующий кафедрой менеджмента и маркетинга РХТУ
им. Д. И. Менделеева, Москва, Россия;
orcid.org/0000-0003-4260-4710, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Ввиду интенсификации процессов построения дистанционных курсов отечественными вузами с использованием LMS Moodle, где осуществляется сбор, хранение, мониторинг, и обработка образовательных данных, формирование единого подхода к реализации дескриптивной и диагностической учебной аналитики, способной удовлетворить задачи системы менеджмента качества (СМК) по части представления данных тестирования для целей внутреннего и внешнего контроля качества образования становится актуальной задачей. Целью работы является расширение возможностей мониторинга, представления и визуализации образовательных данных из LMS Moodle, связанных с различными формами тестирования обучающихся с помощью инструментов data science для оптимизации образовательных процессов и повышения качества обучения. Результаты: в работе рассмотрен процесс подготовки и дальнейшей обработки и визуализации данных о диагностическом тестировании обучающихся второго курса РХТУ им. Д.И. Менделеева (более 900 человек) по двум дисциплинам. Рассмотрены различные варианты агрегации данных: по группам на факультете, потоке, внутри образовательной программы, на уровне всего вуза. Предложены различные варианты визуализации результатов сопоставления успеваемости групп и фактической/списочной численности тестируемых; варианты и параметры визуализации для анализа «структуры» распределения баллов учебных групп на выбранном факультете и др. Практическая значимость: результаты исследования помогут преподавателям и администраторам LMS Moodle принимать более обоснованные решения, основанные на данных, а предложенные инструменты могут стать отправной точкой для реализации базовых адаптивных подходов в обучении.
Ключевые слова: образовательная аналитика, система управления обучением, LMS Moodle, анализ данных, Python, библиотека Seaborn, библиотека Matplotlib, дескриптивная аналитика, диагностическая аналитика, высшее образование.