Компьютационная педагогика

Компьютационная педагогика (англ. computational pedagogic, либо Вычислительная педагогика ) — это отрасль знаний, которая, опираясь на достижения классической психолого-педагогической науки, разрабатывает специфические задачи создания и эффективного внедрения в образовательную теорию и практику информационно-коммуникационных технологий, вычислительно-математических, имитационных и других методов, в частности выполняет задачу оптимизации, моделирования и прогнозирования педагогических процессов и явлений .

Основные задачи

Совпадают с заданиями традиционной педагогики, их постановка не противоречит, а наоборот базируется на достижениях традиционной психолого-педагогической науки, образовательной практики и синергетики. Но решения этих проблем имеют свои особенности, которые отличаются от традиционных и акцентируют внимание на специфических аспектах постановки, на отличиях реализации в компьютерных интеллектуальных системах, в условиях, где все выводы и решения теоретически обосновываются, доказываются математическими вычислениями, проверяются, подкрепляются и оптимизируются средствами компьютерного моделирования . Свести педагогику к логическому формализму, в котором педагогические законы, явления и процессы описывались бы некими фундаментальными положениями и правилами, позволяющими обосновывать решаемые проблемы вычислительными компьютерными средствами – главная отличительная особенность такой ветви знаний .

Математический аппарат

Большинство создаваемых педагогических моделей основаны на определенных правилах, которые выражаются дифференциальными уравнениями. Эти уравнения в приближенном виде описывают, как изменяется изучаемый педагогический объект с течением времени. Во многих случаях решить эти уравнения чрезвычайно сложно, а порой и невозможно. По этой причине полезно знать хотя бы, имеет ли система уравнений решение, в противном случае рассматриваемую модель рекомендуется сменить на другую, которую можно решить. Также важно определить число ее решений, пусть даже способ их вычисления неизвестен. Эту проблему разрешил британский математик Майкл Фрэнсис Атья, который совместно с Изадором Зингером доказали теорему об индексе, которая дала возможность ответить на эти вопросы, так как индекс – это число, тесно связанное с числом решений системы дифференциальных уравнений. По сути, индекс – это число решений уравнений минус число ограничений, накладываемых на значения рассчитываемых величин. Теорема Атья-Зингера об индексе определяет прямую связь между решениями рассматриваемой модели (ее аналитическим индексом) и формой, или конфигурацией, пространства, в котором определена модель (то есть ее топологическим индексом). Модели в компьютацийной педагогике можно разделить на четыре группы. Первая группа - компьютерные модели, основанные на какой-нибудь классической теории обучения; вторая группа - компьютерные модели, основанные на предыдущем эмпирическом анализе собранных педагогических данных, вследствие проведенного педагогического исследования (эксперимента), без готовых связей с какой-либо теорией; третья группа - компьютерные модели, заимствованные из других областей знаний, например, социологии, экологии, экономики, синергетики и т. д .; четвертая группа - компьютерные модели, которые сами получены в компьютерных моделирующих средах, выявленных на основе алгоритмов искусственного интеллекта (нейронных сетей, теории нечеткой логики и т. п.) Основным методом составления педагогических прогнозов остается регрессионный анализ. Какие связи можно установить между заинтересованностью в учебе и используемыми дидактическими технологиями? Существует ли зависимость между применяемыми методами обучения и результативностью учения? Если существует, то насколько она сильна? На все эти и другие подобные вопросы можно получить ответы посредством анализа дидактических данных с помощью методов статистики, в частности регрессионного анализа. Обработка педагогической информации статистическими методами позволяет проанализировать зависимости между двумя (или несколькими) количественными переменными, определить возможную связь между ними, узнать, увеличиваются или уменьшаются значения одной величины с изменением значений другой, а также на основе информационных технологий спрогнозировать значения одной педагогической переменной на основе значений другой.

Нечёткая логика

В педагогике человек гораздо чаще, чем в других областях знаний имеет дело с нечеткими понятиями и приблизительными величинами, а не только с точно вычисленными значениями и со строго определенными объектами. Такие высказывания, в которых используют ключевые слова «почти», «немного», «приблизительно», «чуть-чуть», «вроде бы» и тому подобные, в этой науке являются нормой употребления. Поэтому для формализации педагогических процессов и явлений сама жизнь подтолкнула исследователей использовать новые направления представления человеческих высказываний, в частности, теорию нечетких множеств и теорию нечеткой логики . На основе понятий, представленных нечеткими множествами, можно интерпретировать различные человеческие суждения, которые в дальнейшем можно формализовать для процесса моделирования педагогических взаимодействий в компьютерных интеллектуальных системах. На практике педагогическое прогнозирование реализуется в условиях частичной неопределенности – неполноты информации по соответствующим проблемам, противоречивости имеющейся информации, а иногда, и в условиях полного отсутствия данных об объекте изучения. Многие обучаемые по-разному воспринимают окружающий мир, а иногда совсем неадекватно воссоздают реакции на учебно-воспитательные действия, находясь под влиянием личностных выгод или ошибочных установок и стереотипов, разного рода зависимостей: от товарищей, внутренних и внешних авторитетов (в том числе, неформальных лидеров своего окружения, кино- и литературных героев и др.), политического, ментального, националистического, религиозно-духовного влияния и т.п. В условиях постоянной смены информации, большого количества обрабатываемых данных (фактов и причин), а иногда и вследствие информационного хаоса, обучаемые не всегда могут самостоятельно и до конца адекватно структурировать, оценивать и анализировать учебно-воспитательную информацию, которая к ним поступает, что с точки зрения классических педагогических теорий приводит к непонятному поведению, и как следствие – неправильному прогнозу. В этом случае на помощь приходят нейронные сети, которые работают на идеях искусственного интеллекта. Примерами компьютерных нейронных систем являются программные продукты: STATІSTІCA Neural Networks, BraіnMaker, NeuroShell, OWL (HyperLogіc), Neuro Buіlder . Именно в педагогических процессах, связанных с недосказанностью, с нечетким и расплывчатым выражением обрабатываемого материала, с неопределенностью условий и причин, которые влияют на результаты, и трудностью их многофакторного анализа, нейросетевые технологии позволяют решать неформализованные задачи, для которых нет известных алгоритмов решения.

Educational Data Mining

Educational Data Mining означает и переводится как направление, связанное с извлечением из больших массивов данных (Big Data) информации и знаний об образовательном процессе. Чаще всего в качестве перевода на русский язык используется «интеллектуальный анализ данных в образовании». Learning Analitics переводится как учебная или «образовательная аналитика» . Направление работ EDM конкреетизирует область источника больших данных для обработки и ставит перед собой цель поиска паттернов (образцов, шаблонов, схем, закономерных регулярностей), встречающихся в образовательном процессе. Первая международная конференция по EDM состоялась в июне 2008 г. в Канаде в провинции Квебек, то есть ранее, чем оформилось направление LA. Следует также отметить, что до 2008 г. собирались всевозможные рабочие группы для обсуждения проблем. Группа исследователей, входящая в сообщество LA, начиная с 2014 г. издает соответствующий журнал .

Литература

1. Baker R.S. Educational Data Mining and Learning Analytics / R.S. Baker, P.S. Inventado // Learning Analytics. – 2014. – pp. 61-75. – doi: 10.1007/978-1-4614-3305-7_4. – URL: https://www.researchgate.net/publication/278660799_Educational_Data_Mining_and_Learning_Analytics

2. Beecher K. Computational Thinking. BCS, The Chartered Institute for IT, 2017. 306 p.

3. Berry D. The computational turn: Thinking about the digital humanities // Culture Machine. 2011. Vol. 12.

4. Dutt A. A Systematic Review on Educational Data Mining [Электронный ресурс] / A. Dutt, M.A. Ismail and T. Herawan. – vol. 5. – 2017. – pp. 15991-16005. – doi: 10.1109/ACCESS.2017.2654247. – URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7820050&isnumber=7859429.

5. Huebner R.A. A survey of educational data-mining research // Higher Education Journal. – 2014.

6. Romero C. Educational Data Mining: A Review of the State of the Art / C. Romero, S. Ventura // IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). – 2010. – 40(6). – pp.601-618. –doi:10.1109/tsmcc.2010.2053532. – URL: https://www.researchgate.net/publication/224160756_Educational_Data_Mining_A_Review_of_the_State_of_the_Art.

7. Romero C. Handbook of Educational Data Mining / C. Romero, S.Ventura, M. Pechenizkiy, R.S.J.D. Baker. – New York: CRC Press, 2011. – 526p.

8. Коляда М.Г. Компьютационная педагогика – насущная потребность сегодняшнего дня / М.Г. Коляда // Донецкие чтения 2016. Образование, наука и вызовы современности : материалы I–й Междунар. науч. конф., Донецк, 16–18 мая 2016 г., Психологические и педагогические науки, Т. 6. – Донецк : Изд–во ЮФУ, Ростов на Дону, 2016. – с. 306–309.

9. Коляда М.Г. Педагогическое прогнозирование в компьютерных интеллектуальных системах: Учебное пособие [Текст] / М.Г. Коляда, Т.И. Бугаева. – М.: Изд–во «Русайнс», 2015. – 380 с.

10. Коляда М.Г. Реализация идей вычислительной педагогики в выборе форм обучения на основе марковской модели иерархий / М.Г. Коляда, Т.И. Бугаева, Е.Г. Ревякина, С.И. Белых // Перспективы науки и образования. –2019. – № 2 (38). – С. 413-427. – doi: 10.32744/pse.2019.2.31. – Режим доступа: https://pnojournal.files.wordpress.com/2019/04/pdf_190231.pdf

11. Коляда М.Г. Вычислительная педагогика [Электронный ресурс] / М.Г. Коляда, Т.И. Бугаева. – Ростов-на-Дону : Издательство Южного федерального университета, 2018. – 271 с. – Режим доступа: http://hegelnet.org/compeda/kolyada–vychpeda.pdf.

12. Коляда М.Г. Комп'ютаційна педагогіка [Электронный ресурс] / М.Г. Коляда. – Донецьк: Видавництво Ноулідж (донецьке відділення), 2014. – 322 с. – Режим доступу: http://hegelnet.org/compeda/colada–compeda.pdf.

13. Коляда М.Г. Педагогическое прогнозирование: теоретико–методологический аспект. Монография [Текст] / М.Г. Коляда, Т.И. Бугаева. – Донецк: Ноулидж, 2014. – 268 с.

14. Веряев А.А. Educational Data Mining и Learning Analytics – направления развития образовательной квалитологии [Электронный ресурс] / А.А. Веряев, Г.В. Татарникова // Преподаватель ХХI век. – 2016. – №2. – С. 150-160. – Режим доступа: https://cyberleninka.ru/article/n/educational-data-mining-i-learning-analytics-napravleniya-razvitiya-obrazovatelnoy-kvalitologii.

15. Котова Е.Е. Моделирование и имитация процессов обучения с разделением дидактических ресурсов. Динамический подход / Д.Х. Имаев, Е.Е. Котова. – СПб. : Изд-во СПбГЭТУ «ЛЭТИ», 2014. – 111 с.

16. Майер Р.В. Контент-анализ школьных учебников по естественно-научным дисциплинам: монография / Р.В. Майер. – Глазов : Глазов. гос.пед.ин-т, 2016. – 138 с.

17. Майер Р.В. Исследование математических моделей дидактических систем на компьютере: монография [Текст] / Р.В. Майер. – Глазов : Глазов. гос. пед. ин–т, 2018. – 160 с.

18. Майер Р.В. Кибернетическая педагогика: имитационное моделирование процесса обучения: монография [Текст] / Р.В. Майер. – Глазов : Глазов. гос. пед. ин–т, 2014. – 141 c.

19. Михеев В.И. Моделирование и методы теории измерений в педагогике [Текст] / В.И. Михеев. – М. : КРАСАНД, 2010. – 224 с.