Разработка системы адаптивного управления компонентами интеллектуальной образовательной среды
Аннотация
В статье рассматриваются вопросы создания программно-инструментальных средств для управления процессами подготовки специалистов в интеллектуальной образовательной среде. Комплекс средств разрабатывается в рамках гиперконвергентной вычислительной экосистемы для поддержки технологий открытого персонализированного обучения и предназначен для настройки и адаптивной актуализации образовательных программ и контента с учетом требований федеральных стандартов и региональных рынков труда. На первом этапе инструментальные средства решают задачи поиска, сбора, консолидации и интеллектуального анализа требований к специалистам, извлекаемых с открытых источников в сети Интернет, таких как разделы с вакансиями работодателей на сайтах предприятий, кадровых агентств, бирж труда, досках объявлений, форумах, чатах, группах социальных сетей и мессенджеров. На следующем этапе реализуется процесс адаптивной настройки и синхронизации образовательных программ с учетом консолидированной информации и прогнозируемых данных о необходимых компетенциях в краткосрочной и среднесрочной перспективе в заданном регионе. Настройка образовательного процесса в открытой информационной среде происходит в ходе эволюционного перехода к конвергентной модели обучения, непрерывной актуализации образовательных программ и контента, персонализации траекторий подготовки специалистов. Конвергентная модель определяет сходимость образовательных программ и контента для разных специальностей в соответствии с процессами цифровизации всех сфер жизнедеятельности человека, что отражается в требованиях к компетенциям в профессиональных и образовательных стандартах, а также со стороны работодателей. Процессы актуализации и персонализации позволяют повысить эффективность и качество подготовки специалистов за счет снижения рисков получения некачественного и морально устаревшего образования. Архитектура системы адаптивного управления образовательной средой включает следующие компоненты: а) систему управления обучением (Learning Management System — LMS), б) систему управления образовательным контентом (Education Content Management System — ECMS), в) систему управления учебной деятельностью (Learning Activity Management System — LAMS), г) инструментальные средства поиска, сбора и анализа требований работодателей, д) облачное хранилище образовательного контента.
Об авторах
М. В. ДеевРоссия
Деев Михаил Викторович - кандидат технических наук, зам. начальника отдела программирования и администрирования образовательных ресурсов, Центр мультимедийных технологий и онлайн обучения.
440026, Пенза, ул. Красная, д. 40
Л. А. Гамидуллаева
Россия
Гамидуллаева Лейла Айваровна - доктор экономических наук, доцент, профессор кафедры Менеджмент и экономическая безопасность, Институт экономики и управления.
440026, Пенза, ул. Красная, д. 40
А. Г. Финогеев
Россия
Финогеев Алексей Германович - доктор технических наук, профессор, профессор кафедры Системы автоматизированного проектирования, факультет вычислительной техники, Политехнический институт.
440026, Пенза, ул. Красная, д. 40
А. А. Финогеев
Россия
Финогеев Антон Алексеевич, кандидат технических наук, доцент кафедры Системы автоматизированного проектирования, факультет вычислительной техники, Политехнический институт.
440026, Пенза, ул. Красная, д. 40
Список литературы
1. Finogeev A., Gamidullaeva L., Bershadsky A., Fionova L., Deev M, Finogeev A. Convergent approach to synthesis of the information learning environment for higher education // Education and Information Technologies. 2020. Vol. 25. P. 11-30. DOI: 10.1007/s10639-019-09903-5
2. Hussin A. A. Education 4.0 made simple: Ideas for teaching // International Journal of Education & Literacy Studies. 2018. Vol. 6. No. 3. P. 92-98. DOI: 10.7575/aiac.ijels.v.6n.3p.92
3. Elhoseny H, Elhoseny M, Abdelrazek S, Riad A. M., Hassanien A. E. Ubiquitous smart learning system for smart cities // Proc. Eighth Int. Conf. on Intelligent Computing and Information Systems. IEEE, 2017. P. 329-334. DOI: 10.1109/INTELCIS.2017.8260058
4. Liu S., Chen Y, Huang H, Xiao L., Hei X. Towards smart educational recommendations with reinforcement learning in classroom // Proc. Int. Conf. on Teaching, Assessment, and Learning for Engineering. IEEE, 2018. P. 1079-1084. DOI: 10.1109/TALE.2018.8615217
5. Soltanpoor R, Yavari A. CoALA: Contextualization framework for smart learning analytics // Proc. 37th Int. Conf. on Distributed Computing Systems Workshops. IEEE, 2017. P. 226-231. DOI: 10.1109/ICDCSW.2017.58
6. Kellen V., Recktenwald A., Burr S. Applying Big Data in higher education: A case study. 2013. https://www.cutter.com/article/applying-big-data-higher-education-case-study-400836
7. Murumba J., Micheni E. Big Data analytics in higher education: A review // The International Journal of Engineering and Science. 2017. Vol. 6. Is. 6. P. 14-21. DOI: 10.9790/1813-0606021421
8. Huda M., Maseleno A., Atmotiyoso P, Siregar M, Ahmad R., Jasmi K. A., Muhamad N. H. N. Big Data emerging technology: Insights into innovative environment for online learning resources // International Journal of Emerging Technologies in Learning. 2018. Vol. 13. No. 1. P. 23-36. https://online-journals.org/index.php/i-jet/article/view/6990
9. Eynon R. The rise of Big Data: what does it mean for education, technology, and media research? // Learning, Media and Technology. 2013. Vol. 38. Is. 3. P. 237-240. DOI: 10.1080/17439884.2013.771783
10. Wilder-James E. Defining Big Data // Forbes. 2014. https://www.forbes.com/sites/edddumbill/2014/05/07/defining-big-data/
11. Khan S. U., Bangash S. A. K., Khan K. U. Learning analytics in the era of big data: A systematic literature review protocol // Proc. Int. Symposium on Wireless Systems and Networks. IEEE, 2018. P. 1-7. DOI: 10.1109/ISWSN.2017.8250033
12. Long P., Siemens G. Penetrating the fog: Analytics in learning and education // Educause Review. 2011. Vol. 46. Is. 5. P. 31-40. https://er.educause.edu/articles/2011/9Z penetrating-the-fog-analytics-in-learning-and-education
13. Muthukrishnan S. M., Yasin N. B. M., Govin-dasamy M. Big data framework for students’ academic performance prediction: A systematic literature review // Proc. Symposium on Computer Applications & Industrial Electronics. IEEE, 2018. P. 376-382. DOI: 10.1109/IS-CAIE.2018.8405502
14. Maseleno A., Sabani N., Huda M., Ahmad R., Jasmi K. A., Basiron B. Demystifying learning analytics in personalised learning // International Journal of Engineering & Technology. 2018. Vol. 7. No. 3. P. 1124-1129. DOI: 10.14419/ijet.v7i3.9789
15. Martin A. L., Thawabieh F. A. The role of Big Data management and analytics in higher education // Business, Management and Economics Research. 2017. Vol. 3. Is. 7. P. 85-91. https://ideas.repec.org/a/arp/bmerar/2017p85-91.html
16. Hussein H. S., Elsayed M., Mohamed U. S., Esmaiel H., Mohamed E. M. Spectral efficient spatial modulation techniques // IEEE Access. 2019. Vol. 7. P. 1454-1469. DOI: 10.1109/access.2018.2885826
17. Khalid F., Ali A. I., Ali R. R., Bhatti M. S. AREd: Anatomy learning using augmented reality application // Proc. Int. Conf. on Engineering and Emerging Technologies. IEEE, 2019. P. 1-6. DOI: 10.1109/CEET1.2019.8711843
18. Aguilar J., Sanchez M., Cordero J., Valdiviezo-Diaz P., Barba-Guaman L., Chamba-Eras L. Learning analytics tasks as services in smart classrooms // Universal Access in the Information Society. 2018. Vol. 17. P. 693-709. DOI: 10.1007/s10209-017-0525-0
19. Verma P., Sood S. K., Kalra S. Smart computing based student performance evaluation framework for engineering education // Computer Applications in Engineering Education. 2017. Vol. 25. Is. 6. P. 977-991. DOI: 10.1002/cae.21849
20. Lister P. J. A smarter knowledge commons for smart learning // Smart Learning Environments. 2018. Vol. 5. Is. 8. DOI: 10.1186/s40561-018-0056-z
21. Gros B. The design of smart educational environments // Smart Learning Environments. 2016. Vol. 3. Is. 15. DOI: 10.1186/s40561-016-0039-x
22. Essa A. A possible future for next generation adaptive learning systems // Smart Learning Environments. 2016. Vol. 3. Is. 16. DOI: 10.1186/s40561-016-0038-y
23. Zhu Z.-T., Yu M.-H, Riezebos P. A research framework of smart education // Smart Learning Environments. 2016. Vol. 3. Is. 4. DOI: 10.1186/s40561-016-0026-2
24. Hwang G.-J. Definition, framework and research issues of smart learning environments — a context-aware ubiquitous learning perspective // Smart Learning Environments. 2014. Vol. 1. Is. 4. DOI: 10.1186/s40561-014-0004-5
25. Price J. K. Transforming learning for the smart learning environment: lessons learned from the Intel education initiatives // Smart Learning Environments. 2015. Vol. 2. Is. 16. DOI: 10.1186/s40561-015-0022-y
26. Al-Majeed S, Mirtskhulava L, Al-Zubaidy S. Smart education environment system / / Computer Science and Telecommunications. 2014. Vol. 4. P. 21-26. http://eprints. glos.ac.uk/6014/
27. Vesin B, Mangaroska K, Giannakos M. Learning in smart environments: user-centered design and analytics of an adaptive learning system // Smart Learning Environments. 2018. Vol. 5. Is. 24. DOI: 10.1186/s40561-018-0071-0
28. Yushendri J., Rindani F., Cristhian A. A., Dewi Agushinta R. Design the Smart Board system in ubiquitous computing for teaching and learning process // Proc. Int. Conf. on Science in Information Technology. IEEE, 2015. P. 89-94. DOI: 10.1109/ICSITech.2015.7407783
29. Li-Shing H, Jui-Yuan S, Tsang-Long P. A context aware smart classroom architecture for smart campuses //Applied Sciences. 2019. Vol. 9. Is. 9. P. 1837. DOI: 10.3390/app9091837
30. Shapsough S., Hassan M., Shapsough S. E., Zualkernan I. A. IoT technologies to enhance precision and response time of mobile-based educational assessments // Proc. Int. Conf. on Computational Science and Computational Intelligence. IEEE, 2016. P. 202-205. DOI: 10.1109/CSCI.2016.0045
31. Kassab M, DeFranco J., Voas J. Smarter Education // IT Professional. 2018. Vol. 20. Is. 5. P. 20-24. DOI: 10.1109/MITP.2018.053891333
32. Bagheri M., Movahed S. H. The effect of the internet of things (IoT) on education business model // Proc. 12th Int. Conf. on Signal Image Technology and Internet-Based Systems. IEEE, 2016. P. 435-441. DOI: 10.1109/SITIS.2016.74
33. Moreira F., Ferreira M. J., Cardoso A. Higher education disruption through IoT and Big Data: A conceptual approach // Learning and Collaboration Technologies. Novel Learning Ecosystems. Proc. 4th Int. Conf. Cham: Springer, 2017. P. 389-405. DOI: 10.1007/978-3-319-58509-3_31
34. Bainbridge W. S. Managing nano-bio-info-cogno innovations: Converging technologies in society. Springer Netherlands, 2006. 378 p.
35. Daniel B. Big Data and analytics in higher education: Opportunities and challenges // British Journal of Educational Technology. 2014. Vol. 46. Is. 5. P. 904-920. DOI: 10.1111/bjet.12230
36. Personalized learning: A working definition // EducationWeek. 2014. https://www.edweek.org/technology/personalized-learning-a-working-definition/2014/10
37. Finogeev A. G., Kravets A. G., Deev M. V., Bershadsky A. M., Gamidullaeva L. A. Life-cycle management of educational programs and resources in a smart learning environment // Smart Learning Environments. 2018. Vol. 5. Is. 9. P. 1-14. DOI: 10.1186/s40561-018-0055-0
Рецензия
Для цитирования:
Деев М.В., Гамидуллаева Л.А., Финогеев А.Г., Финогеев А.А. Разработка системы адаптивного управления компонентами интеллектуальной образовательной среды. Информатика и образование. 2021;(4):26-35. https://doi.org/10.32517/0234-0453-2021-36-4-26-35
For citation:
Deev M.V., Gamidullaeva L.A., Finogeev A.G., Finogeev A.A. Development of a system for adaptive control of the components of an intelligent educational environment. Informatics and education. 2021;(4):26-35. (In Russ.) https://doi.org/10.32517/0234-0453-2021-36-4-26-35