Андрей Комиссаров, руководитель дирекции сервисов Развития на | Дизайн Образования
Андрей Комиссаров, руководитель дирекции сервисов Развития на основе данных Университета 2035, на «Архипелаг 2022» для «Научно-образовательной политики»:
На Архипелаге мы собираем достаточно много интересных данных, но самое главное в этом – зачем мы их собираем и как они друг с другом связаны.
Искусственный интеллект и всевозможные датоцентричные модели, очень "жадные" до данных, но собирать "все подряд" это неправильный сценарий в образовании.
Если рассмотреть какие вообще данные генерирует образование, в основном очень стандартные. Например, оценка, посещаемость, описание программ - в целом данных не много.
Архипелаг же - это большая лаборатория, большая площадка на которой мы можем показать как именно принести пользу с ромощью грамотного сбора и анализа дагных образовательного опыта. В том числе показать это вузам и продемонстрировать масштабируемые модели, подходящие для применения.
Если копнуть теорию, то есть концепция, которая появилась в 90-х годах. Называется «модель сообщества исследователей», которая говорит о том, что в любой образовательной среде у вас есть 3 компонента. И когда мы собираем данные, то собираем со всех трех.
Первый компонент – педагогический, в каком формате преподаётся материал. Может игру провели, дебаты, проектировочные сессии и есть ещё множество разных форматов. Следующий – когнитивный. То есть, насколько ваши обучащиеся способны всё это понять. Например, позволяет ли их уровень образования обучаться у вас. И третий очень важный компонент – социальный. Потому что наш мозг лучше всего направлен на то, чтобы распознавать эмоции на лицах, взаимоотношения между людьми. Например, мы очень хорошо распознаем, кто в группе доминантный лидер. Соответственно, все эти социальные моменты в образовании крайне важны. Потому что образование – это живая среда, среда совместного образовательного опыта.
Если мы хотим посмотреть, какие данные эффективнее всего собирать, то это будут данные двух типов.
Данные диагностики, собираемые про человека до того как он попадает в образовательную среду. Может быть и диагностика во время обучения. Например, мы диагностируем поведение, которое люди демонстрируют в ходе обучения. Это специфические данные, которые относятся не к тому, что человек знает, чему научился, а к тому какой он.
Второй тип данных – это данные цифрового следа образовательного опыта. Мы смотрим чем человек прирастает, приобретает ли он какие-то компетенций, как он реагирует на те или иные педагогические технологии, тематики. Всё это мы собираем из разных источников, кладём в цифровой профиль.
Искусственные интелекты, которые мы применяем – это как правило ансамбли из предобученных нейросетей. Цифровой след, обрабатываемый ими - это как правило текст, а это значит, чем лучше рубрикатор лежащий в основе обработки, тем лучше распознаётся ваш цифровой след. Сохдание и наполнение рубрикаторов образовательных результатов - крацне важный элнмент данного процесса..
У нас в команде много людей, которые обрабатывают цифровой след, у каждого из них своя специфика.
Например, образовательный датинженер работает со всеми данными: размечает, моделирует, собирает и анализируют данные в образованнии. Таких специалистов в стране почти нет, а они очень нужны. В их обучении помогат профстандарт, который мы выпустили в прошлом году. Там регламентируется всё, что связано с цифровым следом. У нас довольно быстро получилось сделать этот стандарт благодаря правительственному проекту разработки ноаых квалификаций. На его выпуск через все инстанции ушло меньше полутора лет вмесио оьычных 3х, отмечу, что это хороший результат.
Интересно, что этот профстандарт создавался в России не экспертно, как все профстандарты, а человеко-машинным взаимодействием. Как только он появился мы смогли сделать множество программ подготовок, которые и в этом году стартуют в вузах городов России.
