Инфраструктура LearnSphere и DataShop
Аудитория: студенты, преподаватели, руководители в сфере образования.
Центр инженерного проектирования обучения на основе эмпирических данных
LearnSphere выступает в качестве распределённого посредника для работы с образовательными данными, призванного устранить разрыв между необработанными данными об учебном процессе и практически применимыми выводами для совершенствования методик преподавания. Благодаря интеграции программной инфраструктуры с масштабными репозиториями данных (такими как DataShop), эта платформа обеспечивает условия для систематического обмена, анализа и совместного моделирования данных об обучении студентов. Данная инициатива — флагманский проект «Инициативы имени Герберта Саймона» (Simon Initiative) и лаборатории LearnLab при Университете Карнеги — Меллон; она формирует сложную экосистему, позволяющую исследователям выйти за рамки изолированных «хранилищ» данных и прийти к единому, эмпирически обоснованному пониманию процессов человеческого познания.
Предиктивное моделирование и аналитика
Одной из ключевых возможностей решения DataShop является надежная поддержка метода байесовского отслеживания знаний (BKT) — скрытой марковской модели, используемой для оценки степени освоения студентами конкретных навыков на основе анализа последовательности их учебных действий. Этот инструмент позволяет специалистам по моделированию задавать параметры для таких сложных переменных, как априорный уровень владения навыком, вероятность успешного освоения навыка на каждом шаге обучения, а также вероятность случайных ошибок или угадывания ответов. Если ранее в системе традиционно использовались модели аддитивных факторов (AFM), основанные на логистической регрессии, то переход к гибким «рабочим процессам» (workflows) открывает возможности для интеграции пользовательских компонентов и создания более воспроизводимых, высокоточных визуализаций кривых обучения.
Стратегическая ценность и возможности для сотрудничества
Образовательным организациям и учреждениям платформа LearnSphere предлагает модель открытого доступа, в которой соблюдается баланс между прозрачностью и безопасностью: общедоступные курируемые наборы данных находятся в открытом доступе, в то время как доступ к конфиденциальным данным высокой значимости регулируется посредством строгой процедуры подачи запросов, утверждаемых ведущими исследователями на каждом из проектов. Возможность экспорта детализированных данных об успеваемости для внешнего анализа — например, в среде R — гарантирует, что специалисты по машинному обучению не будут ограничены исключительно внутренним набором инструментов платформы. В конечном счете LearnSphere выступает в качестве важнейшего элемента «программной инфраструктуры образовательного сообщества», позволяя заинтересованным сторонам внедрять основанные на данных решения, которые являются одновременно научно обоснованными и масштабируемыми на практике.
Подготовлено с помощью ИИ и проверено на точность 🤖