Мультимодальная учебная аналитика (MMLA) - новое направление исследований в образовании, интерес к которому растет во всем мире. Актуальность такой аналитики заключается в возможности более комплексного и точного понимания процессов обучения за счет интеграции различных типов данных, таких как цифровые, физические, физиологические, психологические, психометрические и экологические (данные окружающей среды). Цель - выйти за рамки описательного анализа текущих практик и перейти к структурному пониманию сущностей и взаимосвязей, формирующих исследовательское поле; уточнить границы MMLA как научного направления с целью выявления скрытых областей потенциального применения. Особое внимание уделяется коллаборативной аналитике, перспективному направлению изучения данных о совместной деятельности. Методология, методы и методики. В качестве основного метода применяется библиометрический анализ. Для онтологического осмысления поля использован метод веерных матриц. Результаты и научная новизна. Анализ полученных библиометрических данных позволил проследить основные вехи развития мультимодальной учебной аналитики с момента ее появления до настоящего времени. Определены основные исследовательские группы, содержание их исследований и используемые источники данных. Выделены основные исследовательские темы и проанализирована их динамика. Обнаружен сдвиг исследовательского интереса: от анализа индивидуальных траекторий к анализу групповой динамики в контексте совместного обучения. Изучены возможности применения MMLA для анализа коллективных форм учебной деятельности, таких как совместное решение задач, групповая работа или проектное обучение. Онтологическое осмысление поля MMLA позволило выделить существующие пространства и подходы и предположить те, которые могут появиться в будущем. Практическая значимость. Результаты могут быть использованы для проектирования учебных сред, в том числе ориентированных на формирование навыков коммуникации, сотрудничества и работы в команде, а также междисциплинарных контекстах.
Предпросмотр статьи
Идентификаторы и классификаторы
Выявление факторов эффективности процесса обучения и доказательное совершенствование организационных форм и методов учебной работы в цифровой среде является одной из важнейших задач современной педагогической науки. Современная учебная деятельность по своей сути является мультимодальной, поскольку организуется с использованием цифровых платформ и инструментов, выходящих за пределы исключительно виртуального пространства. Она включает в себя разнообразные формы социального и учебного взаимодействия участников образовательного процесса, опирается на физические условия, в которых находятся учащиеся, а также учитывает разный уровень их подготовки. Учебная работа протекает одновременно в нескольких средах: физической, социальной, физиологической, виртуальной, психометрической и других, – каждая из которых предоставляет свои эмпирические свидетельства. В связи с этим становится особенно важным собрать и систематизировать данные, отражающие специфику взаимодействия учащихся с этими разнородными средами и между собой. Такой комплексный подход позволит глубже понять, как различные модальности влияют на эффективность учебного процесса, способствуют успешному освоению материала и помогают определить оптимальные стратегии организации обучения для обеспечения усвоения содержания всеми учащимися без исключения.
Список литературы
1. Giannakos M., Spikol D., Di Mitri D., Sharma K., Ochoa X., Hammad R. Introduction to multimodal learning analytics. In: The Multimodal Learning Analytics Handbook. Cham: Springer International Publishing; 2022:3-28. DOI: 10.1007/978-3-030-65604-1_1
2. Worsley M., Ochoa X. Towards Collaboration Literacy Development through Multimodal Learning Analytics. Accessed June 05, 2025. https://tiilt.northwestern.edu/assets/papers/towards_collaboration_literacy_2020.pdf.
3. Di Mitri D., Schneider J., Specht M., Drachsler H. From signals to knowledge: a conceptual model for multimodal learning analytics. Journal of Computer Assisted Learning. 2018;34:338-349. DOI: 10.1111/jcal.12288
4. Fei N., Lu Z., Gao Y., Yang G., Huo Y., Wen J., et al. Towards artificial general intelligence via a multimodal foundation model. Nature Communications. 2022;13(1):3094. DOI: 10.1038/s41467-022-30761-2 EDN: VJGONN
5. Reddy A.S. Multimodal gen AI: integrating text, image, and video analysis for comprehensive claims assessment. ESP International Journal of Advancements in Computational Technology. 2024;2(2):133- 141. DOI: 10.56472/25838628/IJACT-V2I2P117
6. Febriantoro W., Gauthier A., Cukurova M. The promise of physiological data in collaborative learning: a systematic literature review. In: European Conference on Technology Enhanced Learning. Cham: Springer Nature Switzerland; 2023:75-88. DOI: 10.1007/978-3-031-42682-7_6
7. Chejara P., Prieto L.P., Dimitriadis Y., Rodríguez-Triana M.J., Ruiz-Calleja A., Kasepalu R., et al. The impact of attribute noise on the automated estimation of collaboration quality using multimodal learning analytics in authentic classrooms. Journal of Learning Analytics. 2024;11(2):73-90. DOI: 10.18608/jla.2024.8253 EDN: ZVXTWK
8. Giannakos M., Cukurova M. The role of learning theory in multimodal learning analytics. British Journal of Educational Technology. 2023;54(5):1246-1267. DOI: 10.1111/bjet.13320 EDN: BRKYBD
9. Mangaroska K., Sharma K., Giannakos M., Trætteberg H., Dillenbourg P. Gaze-driven design insights to amplify debugging skills: a learner-centred analysis approach. Journal of Learning Analytics. 2018;5(3):98-119. DOI: 10.18608/jla.2018.53.7
10. Larmuseau C., Cornelis J., Lancieri L., Desmet P., Depaepe F. Multimodal learning analytics to investigate cognitive load during online problem solving. British Journal of Educational Technology. 2020;51(5):1548-1562. DOI: 10.1111/bjet.12958 EDN: GVMTTC
11. Lee-Cultura S., Sharma K., Giannakos M. Children’s play and problem-solving in motion-based learning technologies using a multi-modal mixed methods approach. International Journal of Child-Computer Interaction. 2022;31:100355. DOI: 10.1016/j.ijcci.2021.100355 EDN: DSMLJM
12. Andrade A., Danish J.A., Maltese A.V. A measurement model of gestures in an embodied learning environment: accounting for temporal dependencies. Journal of learning Analytics. 2017;4(3):18-46. DOI: 10.18608/jla.2017.43.3
13. Kosmas P., Ioannou A., Retalis S. Moving bodies to moving minds: a study of the use of motion-based games in special education. TechTrends. 2018;62(6):594-601. DOI: 10.1007/s11528-018-0294-5
14. Oviatt S., Lin J., Sriramulu A. I know what you know: what hand movements reveal about domain expertise. ACM Transactions on Interactive Intelligent Systems. 2021;11(1):1-26. DOI: 10.1145/3423049
15. Pardos Z.A., Rosenbaum L.F., Abrahamson D. Characterizing learner behavior from touchscreen data. International Journal of Child-Computer Interaction. 2022;31:100357. DOI: 10.1016/j.ijcci.2021.100357 EDN: PBPWQD
16. Amos B., Ludwiczuk B., Satyanarayanan M. Openface: a general-purpose face recognition library with mobile applications. CMU School of Computer Science. 2016;6(2):20. Accessed April 23, 2025. https://www.academia.edu/85057925/OpenFace_A_general_purpose_face_recognition_library_with_mobile_applications.
17. Prieto L.P., Sharma K., Kidzinski Ł., Rodríguez-Triana M.J., Dillenbourg P. Multimodal teaching analytics: automated extraction of orchestration graphs from wearable sensor data. Journal of Computer Assisted Learning. 2018;34:193-203. DOI: 10.1111/jcal.12232
18. Martinez-Maldonado R., Kay J., Buckingham Shum S., Yacef K. Collocated collaboration analytics: principles and dilemmas for mining multimodal interaction data. Human-Computer Interaction. 2019;34(1):1-50. DOI: 10.1080/07370024.2017.1338956
19. Yan L., Martinez-Maldonado R., Zhao L., Deppeler J., Corrigan D., Gašević D. How do teachers use open learning spaces? Mapping from teachers’ socio-spatial data to spatial pedagogy. In: LAK22: 12th International Learning Analytics and Knowledge Conference. New York, NY, USA: Association for Computing Machinery; 2022:87-97. DOI: 10.1145/3506860.3506872 EDN: MJKWQH
20. Cukurova M., Zhou Q., Spikol D., Landolfi L. Modelling collaborative problem-solving competence with transparent learning analytics: Is video data enough? Proceedings of the Tenth International Conference on Learning Analytics & Knowledge. New York, NY, USA: Association for Computing Machinery; 2020:270-275. DOI: 10.1145/3375462.3375484
21. Jacobson M.J., Levin J.A., Kapur M. Education as a complex system: conceptual and methodological implications. Educational Researcher. 2019;48(2):112-119. DOI: 10.3102/0013189X19826958
22. Blikstein P., Abrahamson D., Wilensky U. The classroom as a complex adaptive system: an agentbased framework to investigate students’ emergent collective behaviors. In: Kanselaar G., Jonker V., Kirschner P.A., Prins F.J., eds. International Perspectives in the Learning Sciences: Cre8ing a learning world. Proceedings of the Eighth International Conference for the Learning Sciences - ICLS 2008, Vol. 3. Utrecht, The Netherlands: International Society of the Learning Sciences; 2008:12-13. DOI: 10.22318/icls2008.3.12
23. Knight B. The classroom as a complex adaptive system (CAS): credible framing, useful metaphor or mis-designation? International Journal of Complexity in Education. 2022;3(1). DOI: 10.26262/ijce.v3i1.9457
24. Mu S., Cui M., Huang X. Multimodal data fusion in learning analytics: a systematic review. Sensors. 2020;20(23):6856. DOI: 10.3390/s20236856 EDN: GSQCEL
25. Shankar S.K., Prieto L.P., Rodríguez-Triana M.J., Ruiz-Calleja A. A review of multimodal learning analytics architectures. In: IEEE 18th International Conference on Advanced Learning Technologies (ICALT). Mumbai, India; 2018:212-214. DOI: 10.1109/ICALT.2018.00057
26. Worsley M., Martinez-Maldonado R. Multimodal learning analytics’ past, present, and potential futures. CrossMMLA@ LAK. 2018;2.
27. Кутузов А.И., Богданова А.В. Инструменты оценки групповой и командной работы студентов в высшем образовании: систематический обзор литературы. Высшее образование в России. 2025;34(4):118-143. DOI: 10.31992/0869-3617-2025-34-4-118-143 EDN: FOVPZM
28. Donthu N., Kumar S., Mukherjee D., Pandey N., Lim W. M.How to conduct a bibliometric analysis: an overview and guidelines. Journal of Business Research. 2021;133:285-296. DOI: 10.1016/j.jbusres.2021.04.070 EDN: XAJOYQ
29. Jeong H., Néda Z., Barabási A.L. Measuring preferential attachment in evolving networks. Europhysics Letters. 2003;61(4):567. DOI: 10.1209/epl/i2003-00166-9 EDN: LZWSRV
30. Кордонский С. Веерные матрицы как инструмент построения онтологий. Вашингтон: Издательство “Юго-Восток”; 2011. 66 с. Режим доступа: https://relteam.ru/projgit/fractal-matrix.pdf (дата обращения: 23.04.2025).
31. Чебанов С.В. Когнитивная графика как способ изображения идей. МЕТОД: Московский ежегодник трудов из обществоведческих дисциплин. 2020;10:309-376. DOI: 10.31249/metod/2020.10.16
32. Патаракин Е.Д. Игровое поле вычислительной дидактики. Современная “цифровая” дидактика. В книге: Современная “цифровая” дидактика. / Отв. ред.: Б. Б. Ярмахов. М.: ООО “Грин Принт”, 2022. С. 35-70. Режим доступа: https://publications.hse.ru/pubs/share/direct/854781314.pdf (дата обращения: 05.06.2025). EDN: GHMEAN
33. Effendi D.N., Anggraini W., Jatmiko A., Rahmayanti H., Ichsan I.Z., Rahman M.M. Bibliometric analysis of scientific literacy using VOS viewer: analysis of science education. Journal of Physics: Conference Series. 2021;1796(1):012096. DOI: 10.1088/1742-6596/1796/1/012096 EDN: OPQYYD
34. Малахов В.А. Библиометрический анализ как метод науковедческих исследований: возможности и ограничения. Науковедческие исследования. 2022;(1):212-227. DOI: 10.31249/scis/2022.01.10 EDN: YHIJPI
35. Рыжкова Е.Практики анализа качественных данных в социальных науках. Отв. ред. Е. В. Полухина. М.: Издательский Дом ВШЭ, 2023. Пути России. 2024;2(1):267-271. Режим доступа: https://publications.hse.ru/pubs/share/direct/810942174.pdf (дата обращения: 23.04.2025).
36. Blikstein P. Using learning analytics to assess students’ behavior in open-ended programming tasks. In: Proceedings of the 1st International Conference on Learning Analytics and Knowledge. New York: The Association for Computing Machinery; 2011:110-116. DOI: 10.1145/2090116.2090132
37. Worsley M., Blikstein P. What’s an expert? Using learning analytics to identify emergent markers of expertise through automated speech, sentiment and sketch analysis. In: EDM 2011 - Proceedings of the 4th International Conference on Educational Data Mining. Eindhoven, The Netherlands; 2011:234-239. Accessed April 23, 2025. https://www.academia.edu/23019716/Whats_an_Expert_Using_learning_analytics_to_identify_emergent_markers_of_expertise_through_automated_speech_sentiment_and_sketch_analysis.
38. Worsley M. Multimodal learning analytics: enabling the future of learning through multimodal data analysis and interfaces. In: Proceedings of the 14th ACM International Conference on Multimodal Interaction (ICMI ‘12). New York, NY, USA: Association for Computing Machinery; 2012:353-356. DOI: 10.1145/2388676.2388755
39. Blikstein P. Multimodal learning analytics. In: Proceedings of the Third International Conference on Learning Analytics and Knowledge. New York, NY, USA: Association for Computing Machinery; 2013:102-106. DOI: 10.1145/2460296.2460316
40. Worsley M., Blikstein P. Towards the development of multimodal action based assessment. In: Proceedings of the Third International Conference on Learning Analytics and Knowledge. New York, NY, USA: Association for Computing Machinery; 2013:94-101. DOI: 10.1145/2460296.2460315
41. Schneider B., Pea R. The effect of mutual gaze perception on students’ verbal coordination. In: Proceedings of the 7th International Conference on Educational Data Mining (EDM 2014). 2014:138-144. Accessed June 05, 2025. http://life-slc.org/docs/LSLC_rp_A206-Schneider-Pea_EDM-2014-Full.pdf.
42. Worsley M., Scherer S., Morency L.-P., Blikstein P. Exploring behavior representation for learning analytics. In: Proceedings of the 2015 ACM on International Conference on Multimodal Interaction (ICMI ‘15). New York, NY, USA: Association for Computing Machinery; 2015:251-258. DOI: 10.1145/2818346.2820737
43. Worsley M., Martinez-Maldonado R., D’Angelo C. A new era in multimodal learning analytics: twelve core commitments to ground and grow MMLA. Journal of Learning Analytics. 2021;8(3)10-27. DOI: 10.18608/jla.2021.7361 EDN: DWKEPO
44. Alwahaby H., Cukurova M., Papamitsiou Z., Giannakos M. The evidence of impact and ethical considerations of multimodal learning analytics: a systematic literature review. In: Giannakos M., Spikol D., Di Mitri D., Sharma K., Ochoa X., Hammad R., eds. The Multimodal Learning Analytics Handbook. Cham: Springer; 2022:289-325. DOI: 10.1007/978-3-031-08076-0_12
45. Worsley M., Abrahamson D., Blikstein P., Grover S., Schneider B., Tissenbaum M. Workshop: situating multimodal learning analytics. In: Looi C.-K., Polman J. L., Cress U., Reimann P., eds. “Transforming Learning, Empowering Learners”, Proceedings of the International Conference of the Learning Sciences (ICLS 2016). Vol. 3. Singapore: International Society of the Learning Sciences; 2016:1346- 1349. Accessed April 23, 2025. https://www.academia.edu/83862566/Context_aware_Multimodal_Learning_Analytics_Taxonomy.
46. Rodríguez-Triana M.J., Prieto L., Martínez-Monés A., Asensio-Pérez J., Dimitriadis Y. The teacher in the loop: customizing multimodal learning analytics for blended learning. In: Proceedings of the 8th International Conference on Learning Analytics and Knowledge (LAK ’18). New York, NY, USA: Association for Computing Machinery; 2018:417-426. DOI: 10.1145/3170358.3170364
47. Di Mitri D., Schneider J., Klemke R., Specht M., Drachsler H. Read between the lines: an annotation tool for multimodal data for learning. In: Proceedings of the 9th International Conference on Learning Analytics & Knowledge (LAK ‘19) New York, NY, USA: Association for Computing Machinery; 2019:51-60. DOI: 10.1145/3303772.3303776
48. Martinez-Maldonado R., Echeverria V., Fernandez G., Buckingham Shum S. From data to insights: a layered storytelling approach for multimodal learning analytics. In: Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (CHI ‘20). New York, NY, USA: Association for Computing Machinery; 2020:1-15. DOI: 10.1145/3313831.3376148
49. Mitri D., Schneider J., Trebing K., Sopka S., Specht M., Drachsler H. Real-time multimodal feedback with the CPR tutor. In: Artificial Intelligence in Education: 21st International Conference, AIED 2020. Proceedings. Part I; July 6-10, 2020; Ifrane, Morocco. Berlin, Heidelberg: Springer-Verlag; 2020:141-152. DOI: 10.1007/978-3-030-52237-7_12
50. Echeverria V., Martinez-Maldonado R., Buckingham Shum S. Towards collaboration translucence: giving meaning to multimodal group data. In: Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems (CHI ‘19). New York, NY, USA: Association for Computing Machinery; 2019:1-16. DOI: 10.1145/3290605.3300269
51. Cukurova M., Giannakos M., Martinez-Maldonado R. The promise and challenges of multimodal learning analytics. British Journal of Educational Technology. 2020;51(5):1441-1449. DOI: 10.1111/bjet.13015 EDN: YZGEJT
52. Dindar M., Järvelä S., Haataja E. What does physiological synchrony reveal about metacognitive experiences and group performance? British Journal of Educational Technology. 2020;51(5):1577-1596. DOI: 10.1111/bjet.12981 EDN: VVGQID
53. Dindar M., Malmber J., Jaervelae S., Haataja E., Kirschner P.A., et al. Matching self-reports with electrodermal activity data: investigating temporal changes in self-regulated learning. Education and Information Technologies. 2020;25:1785-1802. DOI: 10.1007/s10639-019-10059-5
54. Ouhaichi H., Spikol D., Vogel B. Rethinking MMLA: design considerations for multimodal learning analytics systems. In: Proceedings of the Tenth ACM Conference on Learning @ Scale (L@S ‘23). New York, NY, USA: Association for Computing Machinery; 2023:354-359. DOI: 10.1145/1234567890
55. Yan L., Martinez-Maldonado R., Cordoba B.G., Deppeler J., Corrigan D., Nieto G.F., Gašević D. Footprints at school: modelling in-class social dynamics from students’ physical positioning traces. In: LAK21: 11th International Learning Analytics and Knowledge Conference. New York, NY, USA: Association for Computing Machinery; 2021:43-54. DOI: 10.1145/3448139.3448144 EDN: YCBFIC
56. Martinez-Maldonado R., Schulte J., Echeverria V., Gopalan Y., Buckingham Shum S. Where is the teacher? Digital analytics for classroom proxemics. Journal of Computer Assisted Learning. 2020;36:741-762. DOI: 10.1111/jcal.12444 EDN: BSCDDI
57. Martínez-Maldonado R., Yan L., Deppeler J., Phillips M., Gašević D. Classroom analytics: telling stories about learning spaces using sensor data. In: Gil E., Mor Y., Dimitriadis Y., Köppe C., eds. Hybrid Learning Spaces, Understanding Teaching-Learning Practice. Cham: Springer International Publishing; 2022:185-203. DOI: 10.1007/978-3-030-88520-5_11
58. Emerson A., Henderson N., Min W., Rowe J., Minogue J., Lester J. Multimodal trajectory analysis of visitor engagement with interactive science museum exhibits. In: Artificial Intelligence in Education: 22nd International Conference, AIED 2021. Proceedings, Part II; June 14-18, 2021; Utrecht, the Netherlands. Berlin, Heidelberg: Springer-Verlag; 2021:151-155. DOI: 10.1007/978-3-030-78270-2_27
59. Emerson A., Min W., Rowe J., Azevedo R., Lester J. Multimodal predictive student modeling with multi-task transfer learning. In: LAK23: 13th International Learning Analytics and Knowledge Conference. New York, NY, USA: Association for Computing Machinery; 2023:333-344. DOI: 10.1145/3576050.3576101
60. Lester J. AI and the future of education. In: Proceedings of the 29th ACM International Conference on Multimedia, MM ‘21. Association for Computing Machinery. New York, NY, USA: Association for Computing Machinery; 2021:3642. DOI: 10.1145/3474085.3475715
61. Schwendimann B.A., Rodríguez-Triana M.J., Vozniuk A. L., Prieto P., Shirvani Boroujeni M., Holzer A., et al. Perceiving learning at a glance: a systematic literature review of learning dashboard research. IEEE Transactions on Learning Technologies. 2017;10:30-41. DOI: 10.1109/TLT.2016.2599522
62. Blikstein P., Worsley M. Multimodal learning analytics and education data mining: using computational technologies to measure complex learning tasks. Journal of Learning Analytics. 2016;3:220- 238. DOI: 10.18608/jla.2016.32.11
63. Worsley M. Framing the future of multimodal learning analytics. In: Giannakos M., Spikol D., Di Mitri D., Sharma K., Ochoa X., Hammad R., eds. The Multimodal Learning Analytics Handbook. Cham: Springer; 2022:359-369. DOI: 10.1007/978-3-031-08076-0_14
64. Ochoa X. Multimodal learning analytics: Rationale, process, examples, and direction. In: Lang C., Siemens G., Wise A., Gašević D., Merceron A., eds. Handbook of Learning Analytics. Vancouver, BC: SoLAR; 2022:54-65. DOI: 10.18608/hla22.006
65. Ochoa X., Lang A.C., Siemens G. Multimodal learning analytics. In: Lang C., Siemens G., Wise A., Gašević D., eds. Handbook of Learning Analytics. Vancouver, BC: SoLAR; 2017;1:129-141. DOI: 10.18608/hla17
66. Zhou Q., Suraworachet W., Cukurova M. Detecting non-verbal speech and gaze behaviours with multimodal data and computer vision to interpret effective collaborative learning interactions. Education and Information Technologies. 2023;29:1071-1098. DOI: 10.1007/s10639-023-12315-1 EDN: LAAPQP
67. Di Mitri D., Scheffel M., Drachsler H., Börner D., Ternier S., Specht M. Learning pulse: a machine learning approach for predicting performance in self-regulated learning using multimodal data. In: Proceedings of the Seventh International Learning Analytics & Knowledge Conference, LAK ‘17. New York, NY, USA: Association for Computing Machinery; 2017:188-197. DOI: 10.1145/3027385.3027447
68. Sharma K., Giannakos M. Multimodal data capabilities for learning: what can multimodal data tell us about learning? British Journal of Educational Technology. 2020;51:1450-1484. DOI: 10.1111/bjet.12993 EDN: WYZRGD
69. Sharma K., Papamitsiou Z., Giannakos M. Building pipelines for educational data using AI and multimodal analytics: a “grey-box” approach. British Journal of Educational Technology. 2019;50:3004- 3031. DOI: 10.1111/bjet.12854
70. Fernandez-Nieto G.M., Echeverria V., Buckingham Shum S., Mangaroska K., Kitto K., Palominos E., Martinez-Maldonado R. Storytelling with learner data: guiding student reflection on multimodal team data. IEEE Transactions on Learning Technologies. 2021;14(5):695-708. DOI: 10.1109/TLT.2021.3131842.3 EDN: WUYOBE
71. Ochoa X., Wise A.F. Supporting the shift to digital with student-centered learning analytics. Educational Technology Research and Development. 2021;69(1):357-361. DOI: 10.1007/s11423-020-09882-2 EDN: BOMHWL
72. Parandekar S., Patarakin E., Yayla G. A modern aspect of instrumental literacy: coding. In: Dobryakova M., Froumin I., Barannikov K., Moss G., Remorenko I., Hautamäki J., eds. Key Competences and New Literacies: From Slogans to School Reality. UNIPA Springer Series. Cham: Springer; 2023:367- 390. DOI: 10.1007/978-3-031-23281-7_13 EDN: BQLEXV
Выпуск
Другие статьи выпуска
Введение. В последние годы отмечается увеличение уровня эмоциональной напряженности и социальной тревожности среди студенческой молодежи, в том числе в Российской Федерации, что обусловливает необходимость изучения механизмов восприятия угроз и формирования субъективных представлений о личной безопасности в студенческой среде. Цель. Исследование направлено на раскрытие содержания и установление факторов субъективно воспринимаемой личной безопасности студентов российских вузов. Методология, методы и методики. Эмпирическую базу исследования составили собранные в рамках смешанной методологии последовательного типа (qual-QUANT) качественные (12 интервью, целевой отбор) и количественные (n = 415, квотный отбор) данные на выборке студентов трех российских вузов. Результаты. В большей степени студенты опасаются прямых угроз жизни и физическому здоровью, затем - угроз ментальному благополучию, и меньше всего их волнуют отложенные угрозы, связанные с воздействием внешнесредовых (экологических) факторов риска на здоровье. Подтверждено наличие гендерного разрыва в субъективном восприятии угроз жизни и здоровью. Для изучаемой группы характерен высокий уровень субъективно оцениваемой защищенности от внешних угроз, восприятие своей жизни как стабильной и предсказуемой. Кластерный анализ позволил выделить три группы студентов по критерию субъективной личной безопасности: ощущающие себя в безопасности (39 %); ощущающие себя в небезопасности (16 %); ощущающие себя в неопределенном состоянии (45 %). Обнаружено, что студенческая молодежь воспринимает непредсказуемые и слабо контролируемые события наиболее угрожающими их жизни и здоровью, но ответственность за обеспечение безопасности возлагает чаще на себя, а не на социальные институты и государство. Научная новизна. Исследование ставит под сомнение тезис о доминировании алармистских настроений среди российской молодежи и интенсивном распространении страхов за собственную безопасность. Теоретическая концептуализация субъективного восприятия безопасности расширяет подходы и формирует основу для дальнейших исследований. Практическая значимость. Исследование предоставляет данные для совершенствования программ в сфере здоровья и адаптации уязвимых групп к рискогенной среде.
Введение. Психическое здоровье является одним из основных факторов, определяющих качество жизни, благополучие, социальное и профессиональное удовлетворение. Исследования показывают, что выгорание влияет не только на академическую успеваемость, но и на общую жизнь и будущую карьеру учащихся старшей школы. Цель. В исследовании изучались уровень выгорания среди старших подростков в Марокко и вызывающие его причины с использованием опросника Maslach Burnout Inventory-Student Survey (MBI-SS). Методология и методы исследования. Опросник Maslach Burnout Inventory-Student Survey (MBI-SS) был переведен на арабский язык с сохранением культурной релевантности. В исследовании использован критерий сферичности Бартлета, исследовательский факторный анализ (EFA) и подтверждающий факторный анализ (CFA). В исследовании приняли добровольное участие 1116 учащихся государственных средних школ из региона Кенитра (Марокко) со средним возрастом 17,15 года (SD = 1,328), из них 59,1 % девочек. Результаты показывают, что 47 % марокканских студентов проявляют академические эмоции, а студенты мужского пола могут развивать более циничные и неадекватные своим академическим способностям взгляды. Студенты третьего курса испытывают более высокий уровень эмоционального истощения по сравнению со студентами первого курса, в то время как студенты второго курса демонстрируют более низкий показатель (p < 0,001). Студенты с низким доходом семьи и из городских районов более подвержены академическому выгоранию. Студенты, изучающие технические дисциплины, показали более высокие результаты по эмоциональному истощению и цинизму (13 % - юноши, 20 % - девушки), чем студенты, изучающие литературу (5 % и 13 % соответственно). Научная новизна заключается в использовании MI-SS. Текущее исследование усиливает влияние сопутствующих факторов, таких как пол, уровень образования, доход семьи, заболевание и путь обучения, на компоненты выгорания в Марокко. Практическая значимость. Лица, принимающие решения в сфере образования в Марокко, могут использовать связь между социально-демографическими факторами и выгоранием в школе для снижения выгорания среди студентов, что приведет к улучшению успеваемости.
Введение. Проблематика психологической готовности будущих госслужащих к профессиональной деятельности является одним из наиболее актуальных направлений исследований в условиях трансформации геополитических процессов в современном обществе. Цель статьи заключается в разработке структуры психологической готовности будущих госслужащих к профессиональной деятельности на ступени высшего образования и определении приоритетных направлений ее формирования на основе анализа личностного потенциала студентов, обучающихся на образовательных программах по направлению «Государственное и муниципальное управление». Методология, методы и методики. Структура психологической готовности будущих госслужащих к профессиональной деятельности была разработана на основе сопоставления требований к результатам ФГОС высшего образования по направлению 38.03.04 «Государственное и муниципальное управление» с ключевыми положениями концепции личностного потенциала Д. А. Леонтьева и полисистемного подхода субъектной самореализации С. И. Кудинова. Эмпирическое исследование было проведено на базе трех филиалов Российской академии народного хозяйства и государственной службы при Президенте РФ посредством применения диагностической методики «Тест суждений самореализации личности» С. И. Кудинова. В опросе принимали участие 211 студентов 1 и 4 курсов. Результаты и научная новизна. Разработанная структура психологической готовности будущих госслужащих к профессиональной деятельности обеспечивает методологический каркас для диагностики ресурсов и рисков формирования психологической готовности на ступени получения высшего образования. Среди ресурсных на 1 курсе установлены ценностно-целевой, динамический и эмоциональный компоненты (27,3-40,9 % ответов в сегменте высоких значений). На 4 курсе - прогностический, когнитивный, организационный и ценностно-целевой компоненты (22,2-33,3 % ответов в сегменте высоких значений). Среди рисков для всех участников исследования выявлены эгоцентрическая мотивация и наличие личностных барьеров (до 21 % ответов с высокими значениями по каждой шкале). Практическая значимость. Полученные результаты исследования могут быть применены при проектировании психологических условий подготовки будущих госслужащих на ступени высшего образования, в том числе посредством персональной маршрутизации психологического сопровождения профессионально-личностного развития.
Одним из направлений работы с одаренными детьми в системе образования Российской Федерации является олимпиадно-конкурсное движение, которое сопровождается напряженным процессом подготовки, имеет специфику сопровождения. На каждом этапе одаренные дети сталкиваются с рядом трудностей, которые важно предотвращатьЦель - выявить трудности одаренных школьников - участников олимпиад и конкурсов в эмоциональной сфере и в содержательной подготовке к участию. Методология, методы и методики. В основе исследования лежит рефлексивно-компенсаторный подход. В качестве методов были использованы Методика оценки психической активации, интереса, эмоционального тонуса, напряжения и комфортности (авторы Н. А. Курганский, Т. А. Немчин), Методика определения нервно-психической устойчивости, риска дезадаптации в стрессе «Прогноз» (автор Ю. А. Баранов), онлайн-опрос с использованием интернет-cервиса Yandex Forms. Выборка исследования: обучающиеся школ г. Костромы и Костромской области; воспитанники Центра выявления и поддержки одаренных детей Санкт-Петербурга «Академия таланта»; одаренные школьники - участники олимпиад РФ. Результаты. Полученные данные показали высокий уровень заинтересованности школьников в участии в олимпиадах и конкурсах. Опрос выявил значимый уровень эмоционального напряжения, тревожности и самокритичности большинства участников олимпиад и конкурсов. Помимо напряженного эмоционального фона отмечаются сложности в процессе содержательной подготовки к олимпиаде: недостаточное внимание специалистов из-за профессиональной загруженности, дефицит времени школьников, ситуативность подготовки без отсутствия системности и глубины. Научная новизна заключается в выявлении позитивных и негативных эмоциональных переживаний и трудностей формирования когнитивного, мотивационного и поведенческого компонентов готовности одаренных школьников к участию в олимпиадах и конкурсах. Практическая значимость. Выявленные сложности легли в основу разработки и реализации авторской системы подготовки школьников для участия в интеллектуальных соревнованиях.
Стремительное развитие цифровых технологий трансформирует образовательную среду, создавая новые вызовы для коммуникации между участниками образовательного процесса. Онлайн-коммьюнити университетов становятся центральными площадками для академического взаимодействия, где сетевая коммуникативная культура и цифровой этикет играют определяющую роль в эффективности обучения и профессионального развития студентов. Цель - анализ влияния сетевой коммуникативной культуры и цифрового этикета на эффективность обучения и профессиональное развитие студентов. Методология, методы и методики. Использованы материалы базы данных Web of Science за период 1975-2025 гг. На основе критериев включения были отобраны и проанализированы 5 ключевых исследований, авторы которых аффилированы с университетами США, Тайваня, Швеции, Испании и Новой Зеландии. Результаты. Показана эволюция от базовых принципов сетевой коммуникативной культуры и цифрового этикета до сложной мультимодальной коммуникации с использованием инструментов искусственного интеллекта. Исследование демонстрирует, что эффективная онлайн-коммуникация существенно влияет на образовательные результаты через три ключевых механизма: 1) структурированные рамки цифрового взаимодействия, 2) сбалансированную интеграцию традиционных и инновационных форм коммуникации, 3) развитие профессиональных цифровых компетенций. Научная новизна. Результаты исследования подтверждают значимость сетевой коммуникативной культуры и цифрового этикета как ключевого фактора, определяющего качество образовательного процесса в условиях онлайн-коммьюнити и траекторию профессионального становления студентов в цифровую эпоху. Практическая значимость. Материалы исследования могут быть использованы при составлении регламентирующих документов цифрового взаимодействия для академических онлайн-сообществ вуза.
Пересмотр существующих таксономий учебных целей обусловлен увеличением объема информации, ее обновлением и необходимостью гибко использовать ее в учебной и профессиональной деятельности. Целью исследования является дополнение таксономии учебных целей, которое предполагает их интеграцию в соответствии с современными требованиями к результатам обучения: ориентации человека на непрерывное личностное и профессиональное развитие, владению навыками межличностного общения и взаимодействия с цифровой средой и искусственным интеллектом. Методология, методы и методики. Исследование опирается на ключевые методологические принципы: междисциплинарность, соответствие, антропологизм, личностно-ориентированный подход, а также на идеи Л. С. Выготского (культурно-историческая концепция) и С. Л. Рубинштейна (единство сознания и деятельности). Основными инструментами стали анализ научной литературы и теоретическое моделирование. Результаты и научная новизна. Классическая таксономия учебных целей Б. Блума была дополнена категориями «представление» и «отношение» и в итоговом варианте содержит восемь уровней: представление, знание, понимание, применение, анализ, синтез, оценка, отношение. Категория «представление» является промежуточной между элементарными познавательными процессам и высшими психологическими функциями и может быть развернуто в знание при необходимой доработке, которую функционально обеспечивает механизм антиципации. Категория «отношение» является интегральной: сочетание ее компонентов обеспечивает развитие метакогнитивных навыков обучающегося, включение этических аспектов в процесс получения и применения знаний и умений. Практическая значимость. Дополненная таксономия учебных целей может послужить основанием для корректировки образовательных результатов учебных программ, разработке методических материалов и конкретных заданий в области профессионального образования.
Издательство
- Издательство
- РГППУ
- Регион
- Россия, Екатеринбург
- Почтовый адрес
- 620143, Свердловская область, г. Екатеринбург, ул. Машиностроителей, 11
- Юр. адрес
- 620143, Свердловская область, г. Екатеринбург, ул. Машиностроителей, 11
- ФИО
- Дубицкий Валерий Васильевич (ИСПОЛНЯЮЩИЙ ОБЯЗАННОСТИ РЕКТОРА)
- E-mail адрес
- mail@rsvpu.ru
- Контактный телефон
- +7 (343) 3384447
- Сайт
- https://rsvpu.ru/