г. Санкт-Петербург и Ленинградская область, Россия
Низкий процент завершения онлайн-курсов в рамках современного массового онлайн-образования может быть обусловлен отсутствием адаптации под конкретного пользователя онлайн-курса единой для всех обучающихся траектории обучения. Решением проблемы может стать адаптивное обучение, модифицирующее учебный процесс для разных обучающихся в зависимости от их особенностей и условий обучения. Цель исследования – автоматизировать процесс разработки адаптивного электронного обучения с помощью технологии блокчейн. В качестве входных данных для эксперимента использовались результаты исследования, в котором адаптивное обучение было организовано на основе модели стилей обучения Фельдера–Сильверман. С помощью механизма смарт-контрактов блокчейн регистрировал учебные события, позволяющие определить стиль обучения пользователей непосредственно во время учебного процесса. Выбранная модель стилей обучения, а также количество категорий учащихся настраивались исключительно в коде смарт-контракта, что позволило говорить об универсальности и масштабируемости процесса организации адаптивного электронного обучения с помощью блокчейна. Также блокчейн обеспечил надежность хранения и прослеживаемость данных. Блокчейн документирует разнородные данные в едином хранилище, добавляя к каждому зафиксированному событию метку времени и адрес автора. Предложенный метод также унифицирует организацию адаптивного электронного обучения, поскольку подходит для разных моделей стилей обучения с разными параметрами. Автоматизированный процесс не требует разработки предварительных тестов и свободен от необъективных оценок обучающимися самих себя
адаптивное обучение, модель стиля обучения, блокчейн, Ethereum, смарт-контракт, автоматизация
Введение Рассматривается возможность применения технологии блокчейн в проектировании адаптивного обучения. Современное массовое онлайн-обучение (Massive open online courses – MOOC) ориентировано на большое количество пользователей – на крупнейших ресурсах зарегистрированы миллионы слушателей [1, 2]. Из самого названия этого формата следует, что MOOC предоставляют большому числу слушателей одинаковый учебный контент. Создание и последующее развитие MOOC стало прорывом, сделавшим образование понастоящему доступным для огромного количества людей [3]. Однако проблемы массовых курсов становятся продолжением их же достоинств. Обучение в таком формате обезличено, обратная связь скупа, и слушателям требуется очень высокая мотивация и самодисциплина, чтобы завершить выбранный курс. Кроме того, трудно автоматически определить, готов ли слушатель к обучению конкретно этому курсу, достаточно ли он компетентен. Эти факторы могут приводить к низкому проценту завершения онлайн-курсов [4]. Выходом из данного положения может быть введение элементов адаптивности в онлайн-курсы [5]. Шаги в этом направлении уже предпринимаются. Например, платформа Smart Sparrow упоминает адаптивное обучение [6]. В платформе Stepik предусмотрен механизм адаптивности в экспериментальной форме [7]. Кроме того, в работе [8] исследуются различные типы обучающихся MOOC по их поведению в системе. Адаптивное обучение предполагает индивидуальную траекторию обучения для разных обучающихся или разных групп обучающихся. Это позволяет помочь всем слушателям освоить курс вне зависимости от уровня их подготовки или личностных особенностей. Существуют различные модели адаптивных систем [9–11]. В качестве составных частей этих систем упоминаются модель контента и модель обучающегося, и если первую можно выстроить заранее, исходя из имеющихся учебных материалов, то вторая выстраивается либо заранее, по предварительному тесту (имплицитный способ), либо на основании данных о поведении обучающегося (эксплицитный способ) [12]. Важной частью модели обучающегося является модель стиля обучения. Основные модели стилей обучения описаны в работе [13]. В данном исследовании используется модель Фельдера–Сильверман. Любая модель нуждается в механизме сбора данных разного формата – как в процессе обучения, так и заранее, причем в последнем случае требуются дополнительные трудозатраты на создание тестов. И в этом может помочь технология блокчейн, одно из свойств которой – возможность максимально подробно документировать все события системы. Технология блокчейн является популярной темой для научных разработок. Это особая структура данных, хранящая в защищенном от искажения и подмены виде полную информацию обо всех событиях некоторой одноранговой сети. Блокчейн состоит из блоков, каждый из которых (кроме первичного) состоит из ссылки на предыдущий блок и упорядоченного списка транзакций – операций, совершенных в сети. Основные преимущества блокчейна – прозрачность, надежность хранения данных, а также децентрализация в управлении ими. Эти свойства устраняют необходимость в каких-либо третьих проверяющих и контролирующих сторонах. Данные в сети блокчейна доступны всем участникам сети, каждая транзакция записывается в блок только при достижении консенсуса в сети, поэтому невозможно изменить или подделать содержимое одного блока, не получив «согласия» других узлов. Для взаимодействия между участниками сети не нужна третья сторона; транзакция производится с помощью так называемых «смарт-контрактов» (smart contracts). Смарт-контракты представляют собой программный код, выполняющийся автоматически при соблюдении определенных условий. Смарт-контракты автоматизируют действия пользователей в сети. С помощью методов криптографии защищается авторство данных. Таким образом, данные открыты, но их невозможно подделать [14]. В настоящее время есть экспериментальные разработки по подтверждению сертификатов с помощью блокчейна: записи о выдаче сертификатов подтверждаются автоматически и записываются в цепь [15]. Общие возможности применения блокчейна указаны в [16–18]. В этих источниках речь идет о существующих методах применения блокчейна в образовании. Говоря о блокчейне, нельзя не упомянуть Ethereum. Ethereum – блокчейн, предоставляющий возможность для создания распределенных программных сред [19]. С помощью блокчейна создана образовательная платформа EduCTX, которая представляет собой распределенную сеть токенов ECTX, выступающих в качестве внутренней валюты в образовательных целях. Каждый обучающийся имеет свой электронный ectx-кошелек, который пополняется при завершении конкретного курса [20]. Университет Nicosia использует технологию блокчейн для цифровой подписи сертификатов, а также проводит учебные курсы по блокчейну и криптовалюте и даже принимает биткойны в качестве платы за обучение [21]. Кроме того, технология блокчейн применяется в системе репутаций в обучении. Репутация используется как валюта [22]. В исследовании [22] говорится об использовании блокчейна для создания распределенных библиотек и баз данных научных работ – работы находятся в открытом доступе, но их авторство невозможно присвоить. Работа [23] авторов данного исследования рассматривает возможности блокчейна в документировании событий для построения более точных, подробных и достоверных отчетов об учебном процессе. Опираясь на ее результаты, можно утверждать, что блокчейн можно использовать в качестве инструмента для подробного документирования всех событий, происходящих в образовательной среде. Основными преимуществами разработанного метода является гибкость (не нужно специальной схемы данных для хранения параметров событий), автоматизация (блокчейн самостоятельно регистрирует данные о времени и авторе события), достоверность (внутри блокчейна можно отследить, кто является автором события и когда оно произошло) и прослеживаемость (доступна вся последовательность истории событий среды). Все достоинства разработанного метода распространяются и на предмет предлагаемой к рассмотрению работы. Однако в данном исследовании предлагается метод применения блокчейна для автоматизации разработки адаптивного электронного обучения. Анализ релевантных работ Рассмотрим построение модели стиля обучения с помощью критериев Фельдера–Сильверман. Данная модель делит обучающихся на два класса по отношению к каждому из четырех параметров: 1. Визуальный – вербальный: визуальный предпочитает контент в виде изображений (видео, диаграммы, презентации, таблицы), вербальный предпочитает устную или письменную речь. 2. Действующий – мыслящий: действующий усваивает информацию из стиля обучения, ориентированного на практику, а мыслящий – через размышление. 3. Чувствующий – интуитивный: чувствующий изучает факты с помощью чувств, а интуитивный открывает возможности и отношения. 4. Последовательный – целостный: последовательный получает понимание из деталей и логических последовательных шагов, целостный стремится составить целостную картину большими скачками. В работе [9] рассматривается система, реализующая модель Фельдера–Сильверман. В качестве инструмента определения стиля обучения используется предварительный тест из 44 вопросов, по 11 вопросов на отношение к одному из двух классов в каждом параметре. Каждый вопрос имеет 5 вариантов ответов. В зависимости от выбранного варианта каждый обучающийся относится к одной из 5 групп внутри каждого из 4 параметров: – строгое предпочтение варианта 1 (уровень параметра 1 = 1, уровень параметра 2 = 0); – умеренное предпочтение варианта 1 (уровень параметра 1 = 0,75, уровень параметра 2 = 0,25); – сбалансированный (уровень параметра 1 = 0,5, уровень параметра 2 = 0,5); – умеренное предпочтение варианта 2 (уровень параметра 1 = 0,75, уровень параметра 2 = 0,25); – строгое предпочтение варианта 2 (уровень параметра 1 = 0, уровень параметра 2 = 1). В качестве входных данных в работе используется массив обучающихся высшей школы в количестве 83 человек. Результаты предварительного теста приведены в таблице. Результаты тестирования обучающихся Test results of students Пары параметров Строго A Умеренно A Баланс Умеренно B Строго B % Визуальные (А) – вербальные (B) 23 22 42 11 2 Действующие (А) – мыслящие (B) 26 45 12 5 12 Чувствующие (A) – интуитивные (B) 10 7 53 17 13 Последовательные (A) – целостные (B) 7 8 71 7 7 Таким образом, определение стиля обучения является трудоемкой задачей в дополнение к непосредственной разработке учебного материала. Поскольку обучающиеся оценивают сами себя, существует вероятность ошибки из-за необъективной оценки. Кроме того, количество групп и критерии отнесения к каждой группе заявлены заранее и не могут корректироваться. Данная работа предлагает автоматизировать процесс из исследования [9] с использованием блокчейна. Метод автоматизации разработки адаптивного обучения Используем теорию множеств. Пусть A – множество всех событий учебного процесса, а T – множество тестовых событий, на основании которых обучающегося относят к тому или иному классу. В адаптивной системе, построенной по имплицитному способу, множества A и T не пересекаются: |A ∪ T | = |A| + |T|, а при смешанном способе частично пересекаются: некоторые учебные события являются также тестовыми, однако существуют и специально разработанные тестовые события: |A ∪ T| < |A| + |T |. В обоих случаях количество событий учебного процесса увеличивается, дополняясь специальными тестовыми: |A| < |A ∪ T |. Очевидно, что разработка предварительного тестирования в случае имплицитного или смешанного способов увеличивает объем работы, ресурсов и учебного контента, который необходимо пройти обучающемуся. С другой стороны, анализ поведения обучающегося и построение модели стиля его обучения непосредственно в процессе обучения (эксплицитный способ) могло бы значительно упростить создание адаптивной системы. Поскольку система, использующая блокчейн, может регистрировать любые события учебного процесса, позволяя в мельчайших подробностях узнавать стиль поведения обучающегося, для нее не требуется создания специального предварительного теста или иных дополнительных тестовых событий. Соотношение множеств T’ (множество тестовых событий при использовании блокчейна) и A можно представить следующим образом: |A ∪T’ | = |A|. Таким образом, использование блокчейна для организации адаптивного обучения дает следующие преимущества: – частично автоматизирует сбор данных (идентификаторов обучающихся и временных меток) для регистрации учебных событий; – повышает надежность и прослеживаемость данных учебного процесса, поскольку записанные в блокчейн транзакции нельзя подделать; – упрощает организацию адаптивного обучения, упраздняя создание специальных предвари-тельных тестов; – позволяет объективно оценить стиль обучения, поскольку поведение обучающихся регистрируется автоматически, невозможно ошибиться или обмануть систему; – позволяет масштабировать модели стилей обучения, управляя количеством классов учащихся (и, соответственно, количеством учебных траекторий) в зависимости от целей разработчиков. Данное преимущество будет рассмотрено в следующей главе; – делает организацию адаптивного обучения универсальной, позволяя динамически реализовывать различные модели (не только Фельдера–Сильверман) без проектирования дополнительных средств проверки. Последнее достоинство требует отдельного пояснения. В рамках данной работы была использована модель Фельдера–Сильверман, однако для предложенного метода модель стиля обучения не важна. В этом смысле блокчейн выступает как универсальное средство автоматического сбора и надежного хранения данных, позволяющее адаптировать учебный процесс разными методами, при необходимости меняя их по ходу обучения. Результаты и их обсуждение Рассмотрим первую пару параметров модели: «визуальный – вербальный». Отнести обучающегося к тому или иному классу можно с помощью анализа его действий. Если документировать просмотр учебного материала в «визуальном» или «вербальном» формате, можно составить статистику по каждому обучающемуся и отнести его к одной из категорий. Для целей исследования воспользуемся блок-чейном Ethereum и его механизмом смарт-кон- трактов. Для написания смарт-контракта используем онлайн-компилятор. По своей структуре смарт-контракт напоминает класс в объектно-ориентированном программировании. Он содержит свойства и методы. В данной работе в качестве свойств были объявлены учебные события с соответствующими параметрами, а методами были обработчики событий. Смарт-контракт предусматривал обработку события посещения обучающимся учебного объекта. В качестве параметра в обработчик передавалось ключевое слово «verbal», если событие заключалось в изучении «вербального» материала, и слово «visual», если событие заключалось в просмотре «визуального» материала. Обработчик события принимал в качестве входных параметров ключевое слово, вызывал событие с этим параметром, записывал событие в блокчейн, добавляя к нему временную метку и автора, инициирующего событие (рис. 1). Рис. 1. Схема записи события в блокчейн Fig. 1. Graph of recording an event in the blockchain События вместе со своими параметрами были доступны по запросу пользователя (рис. 2). Рис. 2. Схема извлечения параметров события из блокчейна Fig. 2. Graph of withdrawing the parameters of an event from the blockchain Для работы с Ethereum использовалась утилита geth («go ethereum»). В реальном блокчейне за каждую транзакцию взимается плата во внутренней валюте, поэтому в geth был запущен майнинг в dev-версии блокчейна для разработчиков. В другом экземпляре geth была запущена специальная консоль, в которой и производилась работа со смарт-контрактом. После компиляции смарт-контракта был получен код web3 deploy, который позволил развернуть смарт-контракт в тестовой сети Ethereum, так что он получил свой адрес. Теперь, обращаясь к этому адресу, можно вызывать методы смарт-контракта с предусмотренными параметрами, а затем получить список всех событий с наборами параметров, включавших в себя отметки о времени и инициаторе каждого события. Данные были выгружены в программу «Блок-нот». На рис. 3 показан скриншот записей о событиях, имитирующих последовательный выбор визуальных и вербальных элементов учебного материала. Рис. 3. Отчет о событиях Fig. 3. Event report Список содержит 10 событий, 3 из которых имеют метку «verbal», 7 – «visual». Таким образом, можно утверждать, что данный обучающийся с вероятностью 0,7 относится к классу «визуальный». Используя классификацию стилей обучения, приведенную в таблице, можно отнести его к классу «умеренное предпочтение варианта «визуальный». Аналогичным образом можно с помощью блокчейна распределить обучающихся по всем остальным параметрам. При использовании блокчейна ожидаемо получилось то же распределение, что и во входных данных, однако данный результат был получен автоматически, прямо во время учебного процесса. Важным достоинством автоматизированного подхода является большая точность и гибкость в определении стиля обучения по сравнению с рассмотренным ранее исследованием. Во входных данных предполагалось всего 5 групп обучающихся, причем количество групп было определено на этапе проектирования теста. При использовании блокчейна количество групп можно определить динамически – в данном случае с шагом в 0,1 вероятности. На рис. 4 и 5 приведены графики распределения обучающихся по параметру «визуальный – вербальный» во входных данных и в данной работе. Рис. 4. Распределение обучающихся после теста Fig. 4. Distribution of students after the test Рис. 5. Распределение обучающихся при использовании блокчейна Fig. 5. Distributing students in the process of using the blockchain Предложенный метод может быть реализован на практике в существующих онлайн-курсах: современные массовые открытые онлайн-курсы содержат видео, изображения, презентации, текстовые субтитры. По этим элементам уже можно отслеживать цифровой след обучающихся и определять их стиль обучения по параметру «визуальный – вербальный». Однако это всего лишь один параметр; потенциально для анализа доступно любое действие, любой цифровой артефакт. Подробность и точность в документировании поведения обучающегося дает возможность не просто выставлять более объективную оценку, но и получить полную картину стиля обучения. В качестве общей рекомендации для онлайн-курсов можно указать следующее: – учебный материал должен предоставляться в разных видах: презентации, видео, субтитры, изображения. Это уже реализовано в большинстве массовых открытых онлайн-курсов, однако пока обучающиеся получают одинаковый контент; – по мере формирования стиля обучения контент, предоставляемый обучающемуся, может адаптироваться под особенности последнего, например, презентация становится более подробной, появляются дополнительные аудио- или видеоролики. Количество вариантов представления учебного контента зависит от количества катего-рий обучающихся; – технически от разработчиков учебного контента требуется небольшая корректировка материалов, а от разработчиков платформы онлайн-обучения – небольшие изменения в верстке страниц. Самая трудоемкая часть – определение траекторий обучения для каждого класса обучающихся. Но эти усилия требуются и без применения блокчейна. Заключение Предложено использование технологии блок-чейн для автоматизации разработки адаптивного электронного обучения. В качестве входных данных использовались результаты исследования по организации адаптивного учебного процесса с использованием модели Фельдера–Сильверман, а именно распределение обучающихся по группам в соответствии с результатами предварительного тестирования на определение стиля обучения. Проведен эксперимент с использованием тестовой сети блокчейна Ethereum, работа с которой велась с помощью утилиты geth и механизма смарт-контрактов. Осуществлено распределение обучающихся по группам согласно одному из критериев модели Фельдера–Сильверман. В работе, взятой за основу, моделирование стиля обучения происходило с помощью вступительного теста, в котором обучающиеся, отвечая на вопросы, сами относили себя к той или иной группе. Метод, предложенный в настоящем исследовании, делает это автоматически, что дает следующие преимущества: – унификация: не требуется разных структур для хранения разнородных данных: блокчейн документирует гетерогенные данные, собирая их в одном реестре; – автоматизация: блокчейн добавляет к каждой записи время и автора события, что облегчает сбор данных для определения стиля обучения; – надежность и прослеживаемость данных: ключевые свойства блокчейна, обеспечивающие безопасность и прозрачность хранимых данных, актуальны и в данном случае; – простота: нет необходимости в проведении предварительных тестов; – объективность: стиль обучения строится непосредственно на основании действий обучающихся, что устраняет риск необъективности при использовании дополнительных тестов; – масштабируемость и параметризация: количество категорий обучающихся, стилей обучения и учебных траекторий можно настраивать без перепроектирования всей системы; – универсальность: блокчейн позволяет использовать разные модели стилей обучения. Представленный метод может быть использован в массовом онлайн-обучении для повышения его эффективности путем введения механизма адаптивности. Дальнейшая работа в рамках данной тематики будет направлена на использование метода для полной реализации модели Фельдера-Сильверман
1. Рощина Я. М., Рощин С. Ю., Рудаков В. Н. Спрос на массовые открытые онлайн-курсы (MOOC): опыт российского образования // Вопр. образования. 2018. № 1. С. 174-199. DOI:https://doi.org/10.17323/1814-9545-2018-1-174-199.
2. Голубева Г. Ф., Тришин А. А. Массовые открытые онлайн-курсы в России и за рубежом с позиций глобального информационного пространства // Эргодизайн. 2018. № 2. С. 8-14. DOI:https://doi.org/10.30987/article_5bf98b63306ed0.91342378.
3. Солодов А. В., Прокубовская А. О., Чубаркова Е. В. Массовые открытые онлайн-курсы - особенности и перспективы // Наука. Информатизация. Технологии. Образование. 2018. С. 433-439.
4. Harvard, MIT: Despite low completion rates, MOOCs work // The Hechinger Report. URL: https://hechingerreport.org/harvard-mit-despite-low-completion-rates-moocs-work/ (дата обращения: 23.02.2022).
5. Ahmed M. U., Sangi N. A., Mahmood A. A model of adaptive e-Learning in an ODL environment // Mehran University Research Journal of Engineering and Technology. 2018. V. 37. N. 2. P. 367-382. DOI:https://doi.org/10.22581/muet1982.1802.13.
6. Lets Talk About Adaptive Learning? URL: https://www.smartsparrow.com/what-is-adaptive-learning/ (дата обращения: 23.02.2022).
7. Адаптивные курсы // Справочный центр Stepik. URL: https://support.stepik.org/hc/ru/articles/360002316314-%D0%90%D0%B4%D0%B0%D0%BF%D1%82%D0%B8%D0%B2%D0%BD%D1%8B%D0%B5-%D0%BA%D1%83%D1%80%D1%81%D1%8B (дата обращения: 23.02.2022).
8. Дацун Н. Н., Уразаева Л. Ю. Модели обучающихся массовых открытых онлайн курсов // Современные информационные технологии и ИТ-образование. 2015. Т. 1. № 11. С. 225-234.
9. Хлопотов М. В. Применение байесовской сети при построении моделей для оценки уровня сформированности компетенций // Интернет-журнал «Науковедение». 2014. №. 5 (24). URL: https://naukovedenie.ru/PDF/20TVN514.pdf (дата обращения: 23.02.2022).
10. Hamada M., Hassan M. An enhanced learning style index: implementation and integration into an intelligent and adaptive e-learning system // Eurasia Journal of Mathematics, Science and Technology Education. 2017. V. 13. N. 8. P. 4449-4470. DOI:https://doi.org/10.12973/eurasia.2017.00940a.
11. Esichaikul V., Lamnoi S., Bechter C. Student modelling in adaptive e-learning systems // Knowledge Management & E-Learning: An International Journal. 2011. V. 3. N. 3. P. 342-355.
12. Слепченко Н. Н., Ямских Т. Н. Индивидуальные учебные стили в адаптивных обучающих системах // Информатизация образования и методика электронного обучения: материалы I Междунар. науч. конф. в рамках IV Междунар. науч.-образоват. форума «Человек, семья и общество: история и перспективы развития» (Красноярск, 27-30 сентября 2016 г.). Красноярск: Изд-во Сиб. федер. ун-та, 2016. С. 444-448.
13. Токтарова В. И. Адаптивная система математи-ческой подготовки студентов вуза: учет стилевых типологий обучающихся // Вестн. Челяб. гос. пед. ун-та. 2017. № 6. C. 108-117.
14. Yli-Huumo J., Ko D., Choi S., Park S, Smolander K. Where is current research on blockchain technology? A systematic review // PloS one. 2016. V. 11. N. 10. P. e0163477. DOI:https://doi.org/10.1371/journal.pone.0163477.
15. Bandara I., Ioras F., Arraiza M. P. The emerging trend of blockchain for validating degree apprenticeship certification in cybersecurity education // Proceedings of 12th International Technology, Education and Develop-ment Conference (Valencia, Spain. 5-7 March, 2018). DOI:https://doi.org/10.21125/inted.2018.
16. Purdon I., Erturk E. Perspectives of Blockchain Technology, its Relation to the Cloud and its Potential Role in Computer Science Education // Engineering, Technology & Applied Science Research. 2017. V. 7. N. 6. P. 2340-2344.
17. Zaslavsky A. A. Prospects for the use of blockchain algorithms to ensure security in the management of the educational organization // RUDN Journal of Informatization in Education. 2018. V. 15. N. 1. P. 101-106. DOI:https://doi.org/10.22363/2312-8631-2018-15-1-101-106.
18. Chen G. et al. Exploring blockchain technology and its potential applications for education // Smart Learning Environments. 2018. V. 5. N. 1. P. 1. DOI:https://doi.org/10.1186/s40561-017-0050-x.
19. Remix - Ethereum IDE. URL: https://remix.ethereum.org/ (дата обращения: 23.02.2022).
20. Leading Blockchain Education and Research Since 2013. URL: https://www.unic.ac.cy/blockchain/ (дата обращения: 23.02.2022).
21. Sharples M., Domingue J. The Blockchain and Kudos: A Distributed System for Educational Record, Reputation and Reward // European Conference on Technology Enhanced Learning. Springer, Cham. 2016. P. 490-496. DOI:https://doi.org/10.1007/978-3-319-45153-4_48.
22. Grech A., Camilleri A. F. Blockchain in Education // Joint Research Centre (Seville site). 2017. N. JRC108255. DOI:https://doi.org/10.2760/60649.
23. Зимина Д. В., Муромцев Д. И. Проектирование образовательной среды с помощью смарт-контрактов блокчейна Ethereum // Науч.-техн. вестн. информ. технологий, механики и оптики. 2019. Т. 19. № 6. С. 1162-1168. DOI:https://doi.org/10.17586/2226-1494-2019-19-6-1162-1168.
