ФОРМИРОВАНИЕ ИНДИВИДУАЛЬНЫХ ОБРАЗОВАТЕЛЬНЫХ ТРАЕКТОРИЙ НА ОСНОВЕ АНАЛИЗА ДЕЯТЕЛЬНОСТИ СТУДЕНТОВ НА ЦИФРОВЫХ ОБРАЗОВАТЕЛЬНЫХ ПЛАТФОРМАХ
Ключевые слова:
цифровая образовательная платформа, Learning Analytics, индивидуальная образовательная траектория, цифровой след, LMS, персонализированное обучение, педагогическая диагностика, адаптивное обучение.Аннотация
В статье рассматриваются методические механизмы анализа данных об
учебной деятельности студентов, формируемых на цифровых образовательных
платформах, на основе подхода Learning Analytics (аналитика обучения), а также
проектирования индивидуальных образовательных траекторий. Проблема
исследования обусловлена недостаточными возможностями традиционного
образовательного процесса для мониторинга в режиме реального времени
активности студентов, качества самостоятельного обучения, темпов выполнения
заданий и динамики развития профессиональных компетенций. Цель статьи
заключается в обосновании методики выявления индивидуальных
образовательных потребностей студентов, выбора и последующей адаптации
соответствующих образовательных траекторий на основе данных, получаемых
из систем управления обучением (LMS), электронных портфолио, модулей
автоматизированного тестирования, форумов, заданий и цифрового оценивания.
В качестве методологической основы использованы системный анализ,
педагогическая диагностика, анализ цифровых следов, компетентностный и
персонализированный подходы к обучению. В результате предложена модель
формирования индивидуальной образовательной траектории, включающая
диагностический, адаптивный, рефлексивный и прогностический этапы.
Библиографические ссылки
1. Cabral L., Pinto R., Gonçalves G. AI-Powered Learning Analytics Dashboards: A Systematic Review of Applications,
Techniques, and Research Gaps // Discover Education. – 2025. – Vol. 4. – Article 525. – DOI: 10.1007/s44217-025-00964-
y. – URL: https://doi.org/10.1007/s44217-025-00964-y.
2. Jisc. Code of Practice for Learning Analytics. – 2015. – URL: https://www.jisc.ac.uk/guides/code-of-practice-for-
learning-analytics.
3. Khor E. T., Mutthulakshmi K. A Systematic Review of the Role of Learning Analytics in Supporting Personalized
Learning // Education Sciences. – 2024. – Vol. 14, № 1. – Article 51. – DOI: 10.3390/educsci14010051. – URL:
https://doi.org/10.3390/educsci14010051.
4. The Handbook of Learning Analytics / ed. by C. Lang, G. Siemens, A. F. Wise, D. Gašević, A. Merceron. – 2nd ed. –
Society for Learning Analytics Research, 2022. – DOI: 10.18608/hla22. – URL: https://doi.org/10.18608/hla22.
5. OECD. OECD Digital Education Outlook 2023: Towards an Effective Digital Education Ecosystem. – OECD
Publishing, 2023. – URL: https://www.oecd.org/en/publications/oecd-digital-education-outlook-2023_c74f03de-en.html.
6. Pan Z., Biegley L., Taylor A., Zheng H. A Systematic Review of Learning Analytics Incorporated Instructional
Interventions on Learning Management Systems // Journal of Learning Analytics. – 2024. – Vol. 11, № 2. – DOI:
10.18608/jla.2023.8093. – URL: https://doi.org/10.18608/jla.2023.8093.
7. Roberts L. D., Howell J. A., Seaman K. Give Me a Customizable Dashboard: Personalized Learning Analytics
Dashboards in Higher Education // Technology, Knowledge and Learning. – 2017. – Vol. 22. – P. 317–333. – DOI:
10.1007/s10758-017-9316-1. – URL: https://doi.org/10.1007/s10758-017-9316-1.
8. UNESCO. AI Competency Framework for Teachers. – Paris: United Nations Educational, Scientific and Cultural
Organization, 2024. – URL: https://www.unesco.org/en/articles/ai-competency-framework-teachers.
9. Wise A. F., Jung Y. Teaching with Analytics: Towards a Situated Model of Instructional Decision-Making // Journal
of Learning Analytics. – 2019. – Vol. 6, № 2. – P. 53–69. – DOI: 10.18608/jla.2019.62.4. – URL: