База знань AIEdAIEd KB
На цій сторінці

Ця сторінка перекладена українською. Сторінки статей досі написані англійською. Читати цю сторінку англійською

Концепції

Аналітика навчання

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Аналітика навчання — вимірювання, збирання, аналіз і повідомлення даних про здобувачів і їхні контексти з метою розуміння та оптимізації навчання. ШІ перетворив аналітику навчання з описових панелей на предиктивні та прескриптивні системи.

Питання для роздумів

  • Більшість людей припускає, що збирання більше даних про навчання автоматично поліпшує освіту. Сторінка стверджує, що аналітика стає змістовною лише тоді, коли вона повертається у втручання, — інакше вона лише описує або позначає, не змінюючи навчання. Де ви бачили дані, які збирали, але які ніколи не призводили до жодної дії?
  • Уявіть, що панель повідомляє вам, що студент «у групі ризику» — це прогноз. Що відрізняє це від справді придатного до дії керівництва, яке викладач або установа справді може здійснити? Сторінка припускає, що самого прогнозу недостатньо.
  • Сторінка зазначає, що ШІ перемістив аналітику навчання від опису того, що сталося, до прогнозу того, що станеться, і призначення того, що робити далі. Яке з цих трьох поколінь ви зазнавали і чого бракувало в інших?
  • В одному дослідженні три різні моделі ШІ дали різко різні плани підтримки для тих самих даних про студента, і зв’язки між показниками аналітики та рекомендованою допомогою були здебільшого слабкими. Що це припускає про довіру до поради ШІ обличчям до обличчя?
  • Аналітика навчання стоїть у напрузі з приватністю: чим дрібніші дані, тим розкривніші — і тим потужніше втручання. Де ви провели б межу в тому, що збирається про вас або ваших студентів, і кому вирішувати?

Вступ

Підсилена ШІ аналітика

  • Предиктивна аналітика: Machine learning на даних взаємодії здобувачів передбачає наслідки — від at-risk identification до knowledge state estimation.
  • Валідність важлива так само, як і прогноз. Schuetze, Yan, and Carvalho (2025) показують, що предиктивні моделі стану знань (BKT, BKT-з-забуванням, AFM) виглядають точними, коли їх підганяють ретроспективно до повної історії сесій, проте за часової перехресної перевірки — прогнозування наступної сесії з попередніх, як аналітику справді розгортають — вони переоцінюють продуктивність здобувача, пропускають динаміку розподілу в часі та забування і можуть помилково впорядковувати умови практики. Застереження для аналітики: ретроспективна підгонка може маскувати погану здатність до прогнозу вперед на поздовжніх даних, тому моделі показників і панелей слід перевіряти методом прогнозування вперед.
  • Перевіряйте відображення «завдання–атрибут», що стоїть за оцінкою. Q-матриця, яка пов’язує завдання з атрибутами, — припущення, а не дані: відхилені записи для 14 із 918 завдань на аналітичне мислення, після виправлення, скоротили хибний взірець стану знань із 14,2 % до 3,8 % — тому аналітика опанування має перевіряти свою Q-матрицю, а не лише свою предиктивну підгонку (Feng & Huang, 2026).
  • Предиктивна аналітика, закріплена на Curriculum: Pradeesh et al. (2026) оцінюють стани знань у межах Outcome-Based Education, відстежуючи результати курсу безпосередньо з даних взаємодії з LMS та досягнень, використовуючи відображення спорідненості OBE (відносини результатів курс–програма) для структурування зв’язків понять і пам’яттєво доповнену мережу для моделювання впливу між результатами — досягаючи AUC 89,81 % і перевершуючи DKT, DKVMN, EKT і SimpleKT на живих університетських інженерних даних, залишаючись водночас лише конкурентними (а не вищими) на даних загального призначення ASSISTments.
  • Інтерпретоване прогнозування прогресу з вікном для дії: Zhang, Jeffries & Koprinska (2025) передбачають прогрес студента на рівні модулів у масштабних онлайн-курсах зі programming за ознаками журналів взаємодії зі змістом, використовуючи прозорі дерева рішень, які рівняються за точністю з чорними скриньками (85–91 %) і позначають результат відпадання «Відсутнє подання» за 7–8 днів до дедлайнів модулів — явне вікно реального часу для intervention, а не гола позначка ризику, і дослідницька типологія профілів відстороненого-в-ризику, відстороненого-але-успішного та залученого високопродуктивного.
  • Федеративне, пояснюване моделювання ризику між установами (2026). Villegas-Ch et al. (2026) розширюють моделювання ризику за межі прогнозування в межах однієї установи, навчаючи багатозадачну (продуктивність + відпадання) модель на симульованих установах за федеративного навчання, тож сирі дані студентів ніколи не полишають кожну установу. За контрольованої гетерогенності (перекіс міток, дисбаланс класів, тимчасовий дрейф, структурна пропущеність) модель зберігає точність ранжування (OULAD AUC 0,918) та структурно стійкі ранжування важливості ознак, проте ймовірнісна калібровка дрейфує — розчленовуючи продуктивність ранжування від надійності ймовірностей. Для систем раннього попередження це застереження, що втручання на основі порогів можуть потребувати калібровки на кожну установу, і аргумент на користь оцінювання аналітики водночас за дискримінацією, калібровкою, стійкістю та пояснюваністю.
  • Перевірка на синтетичних даних — передумова для аналітики, що зберігає приватність. Структурна перевірка синтетичних версій чотирьог річних когорт звичок навчання (117–120 здобувачів упродовж вісімнадцяти тижнів) виявила, що дескриптори розподілу тісно узгоджуються в двох із чотирьох когорт, тоді як тижнева варіація була в 2,6–4,9 раза нижчою без винятку (коефіцієнт варіації 0,086–0,152 проти 0,399–0,539 для справжніх когорт), і лише 36 % висновків, отриманих на синтетичних пілотних даних, були підтверджені на справжніх даних за двадцяти п’яти запитів на перевірку (Inoue & Yasutake (2026)).
  • Аналітика залученості: Engagement measurement та intensity modeling кількісно оцінюють, як студенти взаємодіють з системами ШІ.
  • Аналітика зворотного зв’язку: Feedback classification та quality assessment аналізують зворотний зв’язок, який отримують студенти.
  • Мережевий аналіз: Co-Occurrence Network Analysis та epistemic network analysis розкривають взірці взаємодії.
  • Напруга приватності: занепокоєння щодо Приватність зростають, оскільки аналітика стає дрібнішою та більш керованою ШІ.
  • Рамка управлінського огляду для даних про студентів. LEAGUE пропонує шість стовпів — Законність, Справедливість, Автономія, Управління, Корисність та Етика через проєктування, — трактуючи відповідність FERPA і GDPR як підлогу й рекомендуючи планове переоцінювання в міру дрейфу моделей (Varadaraju & Vijayakumar (2026)).

Моделюйте паралельність курсів, а не лише послідовність. TRACE дає кожному курсу в семестрі однакове позиційне кодування, і спільне прогнозування курсів і оцінок скоротило помилку прогнозу оцінок до MAE 0,1339 — на 46,4 % проти трансформера лише на оцінках — на десяти роках інституційних даних (Savala (2026)).

Цикл аналітики навчання

Аналітику навчання канонічно вмовляють як цикл, який починається з діяльності здобувача, що продукує дані, які обробляються в мірила та показники, а поті перекладаються у втручання, — і втручання повертається в діяльність здобувача, щоб замкнути цикл. Крок втручання — це те, що відрізняє аналітику від простого моніторингу або прогнозу: без нього аналітика описує та позначає, але ніколи не змінює навчання. Цей цикл — організовуюча рамка для розуміння того, де в конвеєрі стоять інструменти ШІ (панелі, генератори зворотного зв’язку, прескриптивні рекомендатори) і який крок вони автоматизують.

Звернена до здобувача панель лише така добра, як її охоплення: у дослідженні письма в 9-му класі в Гонконгу класифікатор підказок досяг макро-F1 0,757, близько третини зі 46 студентів відкрили три панелі використання GenAI, і групові різниці в копіюванні та навчально орієнтованому підказуванні не були надійними (Fong et al. (2026)).

Частотне кодування якісних даних — точка входу, а не вирок: у дослідженні з десяти учасників одні викладачі читали частотні кодування як продуктивний шлях усередину, тоді як інші попереджали, що вони затьмарюють рідкісні, але критичні відповіді, тож проєктування зберігає кожен агрегований вигляд, пов’язаний із дослівним текстом студента (Nguyen et al. (2026)).

Від опису до втручання

Аналітика навчання пройшла три покоління в базі знань: описове (що сталося?), предиктивне (що станеться?) і прескриптивне (що ми маємо робити?). ШІ дає змогу прескриптивному шару — аналітиці, яка безпосередньо запускає instructional interventions. Ключовий фронтир — розрив придатності до дії: SC2R (Le, Abel & Laforge 2026) показує, що самого прогнозу недостатньо для підтримки рішень і що контрфактичне забезпечення стає операційно змістовним лише тоді, коли рекомендації є семантично здійсненними та машинно перевірними — обмеженими часом, бюджетом, незмінністю та доступністю через валідацію SHACL, а не лише валідними для моделі. Це пересуває поле за межі балів ризику до рекомендацій, які установи справді можуть здійснити, зі збереженим human oversight.

Пряме емпіричне випробування прескриптивного шару дає López-Pernas et al. (2026), які попросили три LLM рекомендувати плани підтримки для 4 500 коротких описів synthetic student.

Доповняльне, звернене до викладача випробування того, як аналітика досягає аудиторії, дає Mejia-Domenzain et al. (2026), які спроєктували панель аналітики навчання (DashED), щоб повідомляти викладачам профілі Саморегульоване навчання, виведені за машинного навчання, у двох змішаних контекстах. Їхнє дослідження зі 100 викладачів показує, що сама презентація аналітики є бар’єром для дії: викладачі систематично віддавали перевагу простішим, більш традиційним графікам (стовпчикові, кругові), навіть коли складніші конструкції (наприклад, теплокарти) давали багатші прозріння, і вища visualization literacy передбачала глибше, детальніше тлумачення (більше викладачів, які виявляли тенденції в даних часових рядів). Для порівняння груп викладачі віддавали перевагу накладанню над сусіднім розміщенням і повноінформаційним графікам над явним кодуванням різниці. Дії, які пропонували викладачі, формувалися представленим змістом та їхнім рівнем Викладання, а не типом графіка — викладачі університетів віддавали перевагу тижневим тестам та адаптації на рівні курсу, тоді як викладачі професійно-технічних закладів пропонували пряме, індивідуалізоване коучингування, — підкреслюючи, що прескриптивний крок залежить так само від того, як аналітику візуалізовано та контекстуалізовано, як і від основної моделі. Їхній висновок — застережливий: кореляції між показниками LA та рекомендованою підтримкою були здебільшого слабкими, рекомендації між моделями різко розходилися для того самого студента, і підтримку часто розподіляли незалежно від того, кому вона була найпотрібніша. Автори дходять висновку, що нинішні LLM ще не є надійними як прескриптивні моделі для підтримки студентів у масштабі, підсилюючи, що прескриптивний крок усе ще вимагає валідації, донавчання та людського нагляду, а не автоматизації «з полиці».

Крок після бала — хто отримує підтримку і чи було її розподілено там, де було потрібно, — належить до student support and success, яка несе докази про охоплення, направлення та розподіл, які живить прескриптивний шар цієї сторінки.

Наслідок для доброчесності входить у той самий предиктивний шар. Akçapınar (2026) передбачає ризик списування за допомогою ШІ з перших восьми тижнів слідів Moodle and video-player, досягаючи AUC 0,763 за логістичної регресії, і стверджує, що сигнал є придатним саме тому, що приходить до екзамену, а не під час нього. Доповняльна лінія спрямовується на само тлумачення аналітики. Рамка FACTRIA Marques et al. (2026) організовує чинники упередження, що стоять за показником, — конвеєрний, інституційний, курсовий та демографічний, — і чатбот із підказками рефлексії підвищив кількість підчинних чинників, які 11 учасників зважували на випадок, із 1,41 до 3,45 (d = 2,15), пересуваючи їх від прямих прочитань до умовних.

Методи та мережевий аналіз

Мережеві методи є серцевиною аналітики навчання: transition network analysis (TNA) моделює тимчасові послідовності дій здобувача (наприклад, цикли перегляду та чату в письмі, скаффолдингованому chatbot), а epistemic network analysis (ENA) відображає, як коди/конструкти співзустрічаються в діяльності, — разом розкриваючи процес навчання та взаємодії здобувача зі AI interaction, а не лише її продукт.(Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)(Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

  • Аналіз послідовності плюс марковський ланцюг для самокерованої поведінки. An, Hammock & Goel (2025) поєднали аналіз послідовності діяльності, ієрархічне кластеризування та моделі марковських ланцюгів на потоках кліків 315 онлайн-здобувачів, які побудували 822 екологічні моделі в VERA, згорнувши дев’ять дрібнозернистих, заснованих на переходах поведінкових кластерів у три ширші взірці (спостереження, конструювання, дослідження). Їхня робота демонструє, що поєднання аналізу послідовності з моделюванням марковського ланцюга може виявляти змістовну поведінку в неструктурованих, self-directed задачах навіть за повної відсутності демографічних чи контекстних даних.

  • LA та GenAI по-різному формують проєктування навчання (2026). Claassen et al. (2026) використали ENA на 11 фокус-групах викладачів, щоб порівняти, як аналітика навчання проти Генеративний ШІ інформує прийняття рішень щодо Проєктування навчання. Обговорення LA зосереджувалися на контекстній інформації, проєктуванні на рівні курсу та творчому Вирішення задач (LA для діагностики залученості та націлювання підтримки), тоді як обговорення GenAI зосереджувалися на assessment design та проєктуванні для self-determination студента (GenAI для генерації ідей та розробки оцінювання). Контекст і Креативність були центральними в обох — нагадування, що аналітика інформує проєктування лише в межах pedagogical контексту та автономії викладача.

  • Поведінкові сліди — не мірила когнітивного стану, особливо для здобувачів із спеціальними потребами. Vasileiou et al. (2026) попереджають, що сліди взаємодії (час на завданні, повторні помилки, пошук допомоги, нерегулярний прогрес) можуть допомогти викладачам локалізувати, де здобувач потребує підтримки, але не є прозорими мірилами внутрішніх станів: повільне реагування може відбивати уважне мислення, обробку мови, відволікання, недоступне проєктування чи технічну труднощість. «Алгоритми не мають виводити дефіцит виконавчих функцій або діагностичний статуч із поведінкових даних сам по собі» — аналітика захищається як одне джерело інформації всередині професійного оцінювання та діалогу зі здобувачем.

  • Проєктувальна аналітика: видобування запланованих послідовностей діяльності, а не слідів (2026). Divjak, Svetec and Horvat (2026) застосували марковські ланцюги та видобування послідовних взірців до спроєктованої послідовності 29 064 навчальних і викладацьких діяльностей у 554 курсах, спланованих у відкритому інструменті проєктування навчання. Матриця переходів пікувала на переході від Оцінювання до Обговорення (0,332), самопереходи домінували в Практиці (0,317) та Засвоєнні (0,292), і найсильнішим послідовним правилом було Засвоєння — Оцінювання — Практика — Практика (достовірність 0,743, підйом 1,449), тоді як найчастіший чотирикрокий шлях — Засвоєння, Практика, Практика, Оцінювання (120 випадків). Обговорення та Оцінювання були найдосяжнішими типами, а Продукування — найвіддаленішим і найрідкіснішим. Дослідження — нагадування, що аналітика навчання не мусить починатися зі слідів LMS: дані часу проєктування можуть виявити педагогічну граматику курсу раніше, ніж прибуде будь-який студент, хоч автори підкреслюють, що подібність до перевернутих, дослідницьких чи project-based конструкцій не є свідченням наміру.

  • Само пояснювані дистильовані LLM (2026): дворівневий конвеєр дистилює оцінювач аналітики навчання як чорну скриньку та його постгок тлумачення в малу Великі мовні моделі (LLM) відкритого ваги, яка повертає і оцінку на індивідуальному рівні, і пояснення природною мовою. Аудит із пріоритетом відповідності оцінює, чи нарації збігаються з атрибуціями, які вони описують; Симуляція показує майже безвтратне відновлення (r > 0,90) з оракульним наставником, пропонуючи прозоріший, придатний до розгортання шлях для аналітики (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

  • Уможливники освітніх втручань на основі LA (2026). Svetec, Divjak & Kadoić (2026) виявляють і пріоритезують сім уможливників заслужених на довіру освітніх втручань на основі LA за допомогою Delphi + AHP + SNAP: стратегійну орієнтацію institutional, педагогічні та інші research основи, доступні ресурси, педагогічну підтримку, етику та управління даними, залученість учасників та забезпечення якості. Стратегійна орієнтація установи посіла найвище місце (і найбільший вплив на інших уможливників), з доступними ресурсами другим. Trustworthiness (етична відповідність, прозорі/неупереджені алгоритми, педагогічна валідність) вмовляється як передумова, без якої втручання на основі LA не мають змісту.

  • Глибина взаємодії з LLM передбачає якість завдання, але не запам’ятовування (2026). Tsiligkiris (2026) пов’язує розмовну телеметрію LLM на рівні ходів (глибина/обсяг/темп) зі learning outcomes: «глибина» пошуку пояснень передбачала незалежно оцінену якість завдання (β = 6,27), але не негайне запам’ятовування — розчленування між зумовленим поглибленням осмисленням і зумовленим відтворенням консолідуванням, що має наслідки для того, як взаємодія з Великі мовні моделі (LLM) вимірюється та оцінюється в LA.

  • Бракує спільної одиниці взаємодії. За 46 категоризацій із 33 досліджень немає жодної спільної метахарактеристики — подібні мітки називають різні явища, — тож огляд пропонує епізод взаємодії, обмежений цілеспрямований обмін, як одиницю для корелювання діалогу із засвоєнням навичок (Borchers, Jansen & Weidlich (2026)).

  • Симуляція колаборативного дискурсу для аналітики навчання. Fang (2026) використовує донавчені для конкретних учасників LLM-агенти, щоб відтворювати діалоги колаборативного вирішення проблем, перевірені за допомогою епістемічного мережевого аналізу (відстань ENA 0,17, перестановочне p = 0,65). Підхід пропонує дослідникам аналітики навчання масштабований спосіб генерувати автентичний колаборативний дискурс для вивчення динаміки взаємодії, передачі ходу та траєкторій тематичних кодів без збирання нових людських даних.

  • Відкриті відтворювані дані та готова до слідів аналітика. ASTRA випускає синтетичний Бенчмарк зі схемою, готовою до слідів (N = 540; 360 сесій; 1 440 епізодів), для аналізу взаємодії та балансу участі в колаборативному програмуванні. Дані журналів і слідів — природна противага self-report в цій літературі: той самий конструкт часто вимірюється двічі, раз запитуванням, раз спостереженням, і ці два не завжди погоджуються. Окремо дослідницька рамка машинного навчання з аналізом SHAP виявила навчально пов’язані конструкти, найбільше асоційовані з наміреним академічним використанням ChatGPT серед університетських студентів, пріоритезуючи interpretability (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

  • Багаторазова інфраструктура аналітики, перевірена лише в межах установи (2026). Bai et al. (2026) відтворили опубліковані висновки трьох помічників ШІ з Georgia Tech, змінюючи значення конфігурації, а не код, хоч твердження спирається на переаналіз наявних наборів даних однієї установи, і єдине розширення можливостей було зроблене своїми.

Зв’язки

Аналітика навчання пов’язується з Відстеження знань (основна аналітика), Формативне оцінювання (зумовлене аналітикою оцінювання), Моделювання здобувача та адаптивне навчання (представленням здобувача, яке населяє аналітика), Приватність (ethical обмеженням) та Платформа EdTech (де розгортають аналітику). Оскільки прескриптивну аналітику все більше оцінюють на simulated learners — де синтетичні когорти студентів заміщають справжні когорти в контрольованих тестах, — аналітика навчання пов’язується також із симуляцією студента.

  • Те, що панелі роблять видимим, вирішує, на що діють викладачі. Köroğlu et al. (2026) оглянули 27 емпіричних досліджень (2016–2025) і побудували соціотехнічну таксономію прийняття рішень викладачами за підтримки ШІ у восьми типах рішень: інструкційних, куррикулумних, оцінювальних, щодо зворотного зв’язку, навчального середовища, емоційних, адміністративних та етичних. Панелі аналітики навчання були найчастіше повідомлюваною системою, і кодування показує, що підтримка зосереджувалася в інструкційних рішеннях, рішеннях щодо зворотного зв’язку та оцінювання, які можуть інформувати поведінкові текстові дані та дані журналів, тоді як емоційні, етичні, куррикулумні рішення та рішення щодо навчального середовища підтримувалися рідко. Автори читають це як ефект уваги, а не як межу можливостей: оскільки системи робили поведінкові дані студентів видимими та придатними до дії, занепокоєння мотивацією, Метакогніція, емоцією та середовищем випадали за межі того, що дані запрошували викладачів розглядати.

Процеснорівнева інструментація — наступний крок вниз для описового шару. Prol et al. (2026) розширили Відкритий код платформу задач Парсона, щоб записувати кожне розміщення блоку, вилучення та подання як хронологічний слід, поєднувати кожне подання з розфарбуванням коректності по блоках та історією спроб, і за бажання пропускати сліди через конвеєр Великі мовні моделі (LLM), який позначає повторювані взірці труднощів для огляду викладачем. На 68 студентах курсу проєктування програмного забезпечення на Java для старших курсів і 36 на вступному курсі Python аналіз виявив ті самі три труднощі — вибір хибного типу винятку, заміна return на throw і хибне впорядкування потоку керування, — які не можуть виявити підрахунки коректності та спроб, бо вони відповідають на питання чи була композиція правильною, а не на питання чим був процес. ШІ діє як тлумач для instructor, а не оцінювач студента, і його висновок вмовляється як перевірна гіпотеза про труднощі групи, а не оцінка.

  • Стіна навчальної системи: дані журналів не узагальнюються між платформами. MATHia, i-Ready та IXL визначають навіть базові конструкти — «спробу», «підказку» — по-різному, тому моделі не можуть переноситися між ними. Робота в процесі атакує проблему з боку відео: конвеєр Gemini дистилює записи екранів тьюторінгу в єдиний транскрипт-сценарій, узгоджений із власними журналами MATHia як еталоном. Що відео відновлює, чого не відновлює жоден окремий потік: скаффолдинг на білій дошці, мовчазну роботу з калькулятором у зовнішніх інструментах та позакадровий контекст, який власні журнали скорочують до «бездіяльності». Відкриті виклики залишаються в тимчасовому закріпленні, дрейфі годинника та відокремленні подій платформи від інших процесів навчання. (Towards breaking the learning system wall using multimodal tutoring transcriptions)

Пов’язані поняття

Пов’язані статті

Пов’язані поширені питання

Метадані

Навчання та викладанняЗалученість здобувачів
Технології та методиВідстеження знань, Моделювання здобувача та адаптивне навчання, Платформа EdTech
Оцінювання та вимірюванняЗворотний зв’язок, Формативне оцінювання
Методи досліджень та оцінкаОцінювання ШІ в освіті
Справедливість, етика та відповідальне використанняПриватність
Вид сторінкиEvaluation
SourceHistoryEditChat

Вставити цю сторінку

Скопіюйте наведений нижче код, щоб вставити цю сторінку в систему управління навчанням або на інший вебсайт. Вбудована версія показує лише вміст сторінки — вона приховує заголовок сайту, навігацію та колонтитул.