III Международная студенческая научная конференция Студенческий научный форум - 2011

Распространение информационных технологий сегодня достигло значительных масштабов - практически в любой сфере деятельности человека активно применяются как простые портативные устройства, так и сложные распределенные информационные системы. В образовании также активно используются информационные технологии, однако применение их зачастую ограничено представлением учебных материалов, системами делопроизводства и пр., несмотря на гораздо более широкие возможности, которые дают современные технологии. В данной работе рассматривается возможность использование систем поддержки принятия решений в образовании, а также показан практический пример реализации и использования такой системы.

Системы поддержки принятия решений (СППР) - системы, обладающие средствами ввода, хранения и анализа данных, относящихся к определенной предметной области, с целью поиска решений. В нашем случае предметной областью является успеваемость учащихся в образовательных учреждениях различных типов и видов, а поиск решений может осуществляться в совершенно разных плоскостях - от поддержки решений относительно отдельного студента до кардинального изменения учебного плана. В качестве примера предметной области будет рассматриваться успеваемость студентов факультета бизнес-информатики Пермского филиала НИУ-ВШЭ.

Оценка успеваемости в НИУ-ВШЭ имеет свои особенности по сравнению с другими высшими учебными заведениями: итоговая оценка по конкретной дисциплине выставляется из 100 баллов, при этом она состоит из трех частей: оценка за семинары (20 баллов максимум), оценка за контрольные мероприятия (40 баллов максимум) и оценка за экзамен или зачет (также 40 баллов максимум). Информационная система, применяющаяся в Пермском филиале ВШЭ, позволяет узнать только абсолютное количество набранных баллов за период обучения и соответствующее место студента в рейтинге студентов по группе или потоку.

Необходимость более глубокого анализа данных об успеваемости подтолкнула нас к разработке собственной системы поддержки принятия решений. Несмотря на удобство и мощность существующих средств и отсутствие необходимости создавать собственные средства анализа, нам пришлось отказаться от использования типовых аналитических систем, типа Deductor, так как они являются платными даже в академических целях, а бесплатные версии не могли удовлетворить наши требования. Причиной отказа от таких систем является также сложность их связывания с Web-сайтом, а возможность использования аналитических средств онлайн удаленными пользователями мы рассматриваем как одну из дальнейших перспектив развития нашей системы. Таким образом, нами было принято решение использовать в качестве программной платформы среду Microsoft .NET 4.0, а хранилище данных реализовать по методологии ROLAP при помощи Microsoft SQL Server 2008 Express. Данное решение также позволило нам практически полностью автоматизировать получение данных из базы данных вуза.

Таблица Mark - это таблица фактов, включающая в себя следующие измерения:

- Студент (StudentID),

- Тип мероприятия (семинар, контрольная работа или экзамен) (CreditTypeID),

- Предмет (SubjID),

- Дата (Date),

- Преподаватель, выставивший оценку (TutorID).

Фактом в данной таблице является полученная оценка (Mark).
Измерение Student является иерархическим и содержит пять уровней иерархии:

Факультет → Специальность → Поток →Группа → Студент.

Измерение Subject также является иерархическим, содержит два уровня иерархии:

Тип дисциплин (Экономический, Естественнонаучный и пр.) à Дисциплина.

Измерение Tutor также представляет собой иерахию:

Кафедра → Преподаватель.

В частности, приложение позволяет визуализировать данные

- о динамике рейтинга студентов (прирост суммарного рейтинга по отношению к предыдущему семестру);

- о средних оценках студентов за каждый семестр, их динамике.

Предусмотрена также возможность выбора для визуализации данных только определенных студентов, только за определенные периоды обучения. Если для сравнения выбраны несколько студентов, то можно визуально сравнить показатели, сделать выводы о том, чья успеваемость выше.

Эти отчеты можно построить и для группы в целом (рис. 3): в этом случае за основу для расчетов берется агрегированный показатель - средняя оценка группы в семестре (отношение суммарного рейтинга, набранного студентами группы за семестр, к количеству студентов в группе). Если для визуализации выбраны несколько групп, то на основе построенного графика можно сделать вывод о том, успеваемость какой группы, в среднем, выше.

Каждая дисциплина (предмет обучения) относится к определенному циклу дисциплин: гуманитарные, экономические, IT-дисциплины, математический и естественнонаучный цикл, иностранные языки. Система позволяет в виде круговой диаграммы (рис. 4) отобразить процентный вклад цикла дисциплин в суммарный рейтинг студентов (доля рейтинга, набранного студентами за дисциплины каждого цикла, в суммарном рейтинге).

Кроме того, основываясь на рассмотренном выше разделении дисциплин на циклы, система выполняет классификацию студентов в зависимости от того, в каких областях наук они более успешны (успеваемость выше), на гуманитариев, экономистов, склонных к изучению иностранных языков и др.

Система позволяет также сделать некоторые выводы о работе преподавателей, рассчитывая средние оценки за семинары, контрольные точки, экзамен, поставленные преподавателями студентам. Поскольку зачастую оценки (особенно за семинары) являются достаточно субъективным показателем работы студента, заведующие кафедрами или декан могут отследить расхождения между оценками (например, высокий балл за семинар и низкая экзаменационная оценка).

Перспективой развития представленной системы является внедрение таких важных функций, как прогнозирование «проблемных» предметов для студента - предметов, на которые ему следует обратить особое внимание. Прогноз будет основываться на данных о студентах более старших курсов, которые имели сходную историю рейтинга. Предполагается также внедрение прогнозирования результатов при выпуске учащегося из вуза.

Внедрение подобных систем, безусловно, может оказать положительный эффект на учебный процесс. Использование СППР в высшем образовании может помочь определиться с профилем обучения, специализацией студентов. При помощи средств прогнозирования потенциальные слабые места в обучении конкретных студентов в будущем можно будет выявить уже на начальном этапе. Такие системы помогают также эффективнее распределять стипендии и надбавки к стипендиям студентов, опираясь не только на показатели текущей успеваемости, но также и на выявленные тенденции успеваемости. Это поможет сохранить и поддержать положительную динамику в обучении студентов.

Применение СППР не ограничивается только высшими учебными заведениями. Использование системы в школах позволило бы корректировать программы обучения для различных групп учащихся, выстраивать образовательные траектории, то есть позволило бы более эффективно использовать возможности профильного обучения, ввести специализацию на ранних этапах обучения, что впоследствии приведет к повышению качества профессионального образования. Технологии СППР позволяют анализировать успеваемость не только ученикам и их родителям, а также и преподавателям. Учителям это может помочь найти правильный подход к каждому ученику, основанный на интересах и возможностях каждого ребенка.

Использование систем поддержки принятия решений в образовании позволяет существенно изменить подход к обучению как со стороны учащихся, так и со стороны образовательных учреждений, а также повысить качество получаемых знаний и квалификацию выпускающихся специалистов. Получение качественного образования уже в ближайшем будущем будет невозможно без применения подобных аналитических технологий.