DigEd chat

​​Перформативный театр: почему аналитика обучения терпит неудачу на практике Автор Колин Бир Learning Analytics часто не работает в университетах не из-за плохих технологий, а из-за неправильной логики их внедрения. Есть два подхода: 1. «Установил и забыл» 2. «Внедрение как исследование» Второй подход принципиально необходим для аналитики обучения, потому что аналитическая система не является нейтральным программным инструментом. Она содержит определённые представления о том, что такое обучение, что считать успехом, кого считать «рисковым» студентом и какие данные считать значимыми. Термин «Аудитируемый театр» потому что университету важно продемонстрировать, что система внедрена; преподаватели ею пользуются; все показатели зелёные; риски автоматически выявляются; KPI выполнены. Но это может создавать иллюзию успеха, не имеющую отношения к реальному улучшению обучения. «Внизу» преподаватели начинают формально выполнять требования системы, но фактически перестают ей доверять. То есть возникает парадокс: чем успешнее система выглядит с административной точки зрения, тем менее полезной она может быть для реальной педагогической работы. Если система считает, например, что: «студент имеет высокий риск отчисления, потому что он редко входит в LMS», она уже содержит определённую теорию того, как выглядит нормальное обучение. Но преподаватель может знать не введенные данные о студенте. Поэтому алгоритм без постоянной проверки его предпосылок может не просто ошибаться — он может навязывать университету определённое понимание образования. Колин Бир предлагает три шага: 1. Считать обходные пути и недовольство преподавателей данными для диагностики, а не сопротивлением цифровизации. 2. Соединить разработчиков, data scientists и преподавателей. 3. Оценивать не факт внедрения, а способность системы учиться и изменяться. То есть вопрос не в том: «Внедрили ли мы Learning Analytics?» а в том: «Что мы узнали благодаря ней и что изменили в следующей итерации?» Также для AI в образовании: AI/аналитическая система должна рассматриваться не как готовый источник решений, а как участник экспериментального контура «данные → гипотеза → действие → наблюдение → рефлексия → изменение системы». Это очень близко к идее перехода от простого AI-инструмента к Human–AI Learning System. Читать 3мин)