Максимум мотивации

Наука о данных произвела революцию во многих областях — от банковского дела до сельского хозяйства. Благодаря data science процессы становятся эффективнее, издержки сокращаются. Сфера образования достаточно консервативна, поэтому осваивает работу с данными чуть медленнее, чем тот же финтех.

А ведь спектр задач, которые data science может решать в образовании, очень широк — от прогнозирования успеваемости школьников и отчисления студентов до корректировки образовательных траекторий учащихся, персонализированного подбора заданий, составления наиболее эффективных пар учитель-ученик или ученик-ученик для занятий в группах.

Самое интересное, что учителя всегда собирали огромное количество данных: оценки, посещаемость, результаты домашних заданий и итоги контрольных. На основе полученной информации они выстраивали образовательный процесс и помогали ученикам достигать наилучших результатов. А теперь только представьте, сколько данных (не всегда цифровых) хранят образовательные организации и что с ними могут сделать технологии.

Старые методы принуждения учиться из-под палки не работают. Ребенку трудно достичь высоких результатов в учебе без вовлеченности и мотивированности. Исследование этих факторов стало для нас одной из самых интересных и важных задач.

Большинство онлайн-платформ позволяют создать структурированную интерактивную и даже адаптивную образовательную программу. Но при этом мотивационная составляющая базируется на очень простых инструментах: чат-боты, геймификация, личный план, человеческий фактор учителя или наставника. Мы долго работали над решением этого вопроса, смотрели на него с точки зрения методологий, технологий, преподавания. Это позволило нам полномасштабно увидеть, как мотивация эволюционирует и влияет на обучение старшеклассников.

Понятно, что мотивация каждого конкретного ученика зависит от особенностей его психики, типа образовательных программ, поставленных целей. Отдельные элементы, реализованные технически (напоминания, поощрения, видеоконтент), не решают проблему мотивации. Зато с ней хорошо справляется преподаватель. В итоге для выстраивания работы с каждым учеником требуется правильная комбинация технологических и методических стимулирующих элементов.

За шесть лет работы мы накопили около 700 млн записей, связанных с действиями 130 тысяч учеников внутри онлайн-платформы. Сомнений больше нет: необходимо начать обрабатывать эти данные, чтобы на их основе построить математическую модель мотивационно-рекомендательной системы.

Онлайн-платформа позволяет фиксировать все действия ученика: посещаемость, выполнение домашних заданий, результативность, время, затраченное на упражнения. Сейчас эти данные используются преподавателями, методологами, руководителями образовательного процесса в режиме реального времени. Эта информация позволяет контролировать процессы, следить за мотивацией учеников и проверять гипотезы.

Плюс к этому видео- и аудиозаписи занятий помогают увидеть, как идет урок. Из этих источников можно извлечь и проанализировать информацию об особенностях межличностной коммуникации (эмоции преподавателя и ученика) и о поведенческих паттернах.

Применив современные методы машинной обработки данных, мы можем найти нетривиальные зависимости. Например, выявить поведенческие паттерны, которые отличают успешных учеников от отстающих. На успеваемость могут влиять: время суток, отведенное на выполнение домашней работы, уровень активности в классе, количество личных бесед с преподавателем, форма обучения. Таким образом, с помощью технологий мы способны определить закономерности, которым следуют менее успешные ученики, и целенаправленно корректировать их поведение.

Для этого можно воспользоваться одним из алгоритмов классификации. Например, «деревом решений», которое разбивает данные на группы до тех пор, пока не получаются множества, состоящие из схожих данных. Графически подобную структуру можно представить в виде дерева или иерархии. В узлах происходит ветвление процесса, то есть деление его на так называемые ветви, а конечные узлы называют листьями, в которых принимается конечный результат (решение). Данные конечного узла принадлежат одному классу. На рис. 1 приводится иллюстрация части дерева для решения задачи классификации в сфере образования.

А дальше создается мотивационно-рекомендательная система, которая встраивается в существующую онлайн-платформу. На первых этапах будет реализована полуавтоматическая поддержка преподавателей с помощью нейросети, дообучающейся в онлайн-режиме на значительном количестве метрик и экспертных оценок, собираемых во время работы с платформой учеников и преподавателей. Система мотивации будет привязана не к контенту или образовательным программам, а к психотипам и привычкам учеников, к тому, с какой интенсивностью они прогрессируют и приближаются к своей конечной цели.

Потом мы все автоматизируем, и онлайн-платформа сама будет рекомендовать и ученику, и преподавателю нужную программу, контент, «соседа по парте», формат занятий.

Представьте идеальный мир: преподаватель и ученик находятся на одной волне, понимают друг друга с полуслова. Ученик достигает своих целей, преподаватель получает удовольствие от процесса.

От идеального мира нас с вами отделяют только цифры и алгоритмы. До встречи в data-science будущем!