В ИВМиИТ проведено исследование закономерностей влияния пандемии COVID-19 на успеваемость учеников школ
В институте вычислительной математики и информационных технологий под руководством заведующего кафедрой информационных систем Гафарова Фаиля Мубараковича, совместно с коллегами из института психологии и образования, проведено исследование особенностей академической успеваемости учащихся школ во время локдауна в связи с пандемией COVID-19. Данный проект поддержан грантом РНФ № 22-28-00923 “Цифровая модель прогнозирования академической успеваемости учащихся при закрытии школ на основе больших данных и нейросетей” по приоритетному направлению деятельности РНФ «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами». Исследование основано на огромном объёме данных, полученном из системы «Электронное образование в Республике Татарстан». На основе интеллектуального анализа больших данных, исследователями были выделены основные закономерности влияния эффекта «закрытия школ» на успеваемость учащихся в разрезе уровней образования и школьных предметов.
В результате исследования обнаружено общее повышение успеваемости учащихся школ в апреле 2020 года во время локдауна, когда все школы были закрыты на карантин в связи с пандемией COVID-19. Одной из основных причин данного явления выступает тот факт, что школы в основном ориентированы на очное обучение и резкий переход с использованием цифровых технологий был сложным как для учителей, так и для обучающихся. Учителям, и ученикам было необходимо экстренно адаптироваться и осваивать разные виды цифровых технологий, приспосабливаться под дистанционную форму обучения.
Кроме того, в период закрытия школ в связи пандемией COVID-19, между школьным учителем и учеником не была отлажена система взаимодействия. В связи с отсутствием критериев оценивания, возникали вопросы о том, как правильно оценивать знания учеников. Следовательно, выраженная разница в оценках в сторону завышения связана с отсутствием технологий и методик оценивания в дистанционном формате, в котором вынуждена была работать школа в период пандемии. Только к маю школьные учителя начали отлаживать свои шкалы в соответствии с дистанционным форматом обучения, что позволило немного «снизить» высокие оценки, хотя и разница по сравнению с предыдущими годами в этом месяце по-прежнему остается значительной. Другой фактор, связанный с резким повышением оценок – родители, которые также были вынуждены находиться дома вместе с детьми во время локдауна. Соответственно, сидя в замкнутом пространстве и не имея возможности выходить из дома на протяжение длительного времени, учащиеся находились под контролем родителей, которые к тому же были вынуждены помогать своим детям.
Для построения прогностической системы для решения задачи прогнозирования успеваемости учащихся школ во время локдауна, разработаны и обучены различные модели машинного обучения: это различные архитектуры нейронных сетей, модели градиентного бустинга и случайного леса. Однако, модели машинного обучения и нейронные сети являются «черными ящиками», поскольку они используют множество входных данных и производят сложные вычисления для получения выходного (прогнозируемого) значения. Поэтому определение причины, по которым модель или система моделей приняла то или иное решение представляет собой сложную задачу. При решении поставленных задач в рамках проекта было важно понять, почему обученные модели ведут себя определенным образом при прогнозировании. Методы объяснимого искусственного интеллекта позволяют «заглянуть» внутрь «черного ящика» и получать количественные оценки (которые называются атрибуций) важности каждого входного признака для предсказания модели. Используя эти методы, исследователям удалось выявить влияние разных факторов образовательной среды на академическую успеваемости школьных учеников во время локдауна в связи с пандемией COVID-19.
Основные результаты, полученные при выполнении проекта, были опубликованы в журнале «Вопросы образования (Q2)», и в ряде статей в журналах и материалах конференций, индексируемых в базах Scopus, WoS и РИНЦ.
