В современном мире каждый человек является активным пользователем ресурсов, размещенных в глобальной сети. Заходя с разных устройств (компьютеров, планшетов, телефонов) мы посещаем множество электронных страниц, ведем переписку и просматриваем контент оставляя каждый раз свой электронный след в системе.
Целью исследования является определение такого следа, его фиксация и обработка его с использованием методов математической статистики с целью получения персонифицированных и обобщенных данных для различных отраслей. Также на основе полученных результатов предполагается формирование рекомендаций по защите данных цифрового следа от возможного злонамеренного использования. В работе рассматривается понятие и подробно описаны источники цифрового следа участника интернет-взаимодействий, обозначены методы и инструменты сбора и предобработки информации. Раскрыто понятие активной и пассивной составляющих цифрового отпечатка. Акцентируется внимание на необходимости отнесения информации, содержащейся в цифровом следе, к персональным данным, так как она в совокупности может порой определять личность точнее документа, что, в свою очередь, требует законодательной защиты в части сбора, хранения, обработки и дальнейшего использования. В статье приведены примеры использования информации цифрового отпечатка в различных отраслях: криминалистике, маркетинговых исследованиях, формировании таргетированной рекламы и др.
Материалы и методы. В статье достаточно подробно рассмотрены различные методы математической статистики для оценки цифрового следа пользователя сети, приведены этапы, позволяющие осуществить сбор, предобработку и анализ информации, содержащейся в цифровом отпечатке, с применением языков программирования Python, R и различных программных инструментов. Рассмотрено использование статистических методов анализа, применение матрицы взаимодействий, возможности визуализации, алгоритмов машинного обучения, рекомендательных систем, сетевых метрик, временных рядов и методы анализа чувствительности.
Результаты. Несмотря на то, что данные полученные с использованием методов математической статистики могут быть полезны для бизнеса, правительственных организаций, научно-исследовательских институтов и даже правоохранительных органов, данные собираемые в процессе деятельности в глобальной сети и имеющие привязку к конкретной личности могут нести явную угрозу в случае их использования злоумышленниками. Эти методы оценки доступны как для конструктивной тенденции по улучшению нашей жизни путем подбора персонифицированного релевантного контента и улучшения сервиса, так и для деструктивной деятельности через манипуляторные действия и шантаж. В связи с этим знание оставляемого следа и возможностей использования этих данных в первоначальном и обработанном виде позволяет улучшить качество жизни, с одной стороны, и защитить персональную информацию с другой.
Заключение. Обращается внимание на необходимость информационного контроля своего цифрового следа, в связи с чем в статье приводится ряд рекомендаций по осуществлению безопасного интернет-взаимодействия.
Цель исследования. Исследование направлено на создание комплексного подхода к оценке образовательных результатов, закладываемых разработчиками в образовательную программу. Такой подход может дополнить балльно-рейтинговую систему для обеспечения более детализированной и многогранной оценки, особенно в рамках электронных обучающих курсов и, как следствие, всей электронной-образовательной среды в целом.
Материалы и методы. В качестве основного методологического подхода в исследовании применяется компетентностный подход, в рамках которого оценка образовательных результатов ориентирована на степень сформированности компетенций, проектируемых в каждой дисциплине, реализуемых в образовательной программе. В качестве материалов были проанализированы рабочая программа учебной дисциплины, а также электронный обучающий курс, реализованный для выполнения самостоятельной работы по дисциплине на базе LMS. Использовались данные электронного журнала оценивания, формируемые по результатам контроля успеваемости студентов. Для анализа и последующей структуризации результатов обучения использована таксономия образовательных целей Б. Блума. Для обработки и сопоставления данных был применен метод матричного моделирования. Также из использованных методов исследования можно выделить анализ и синтез, экспертное оценивание, методы математической статистики (в обработке полученных матриц), а также сравнительный анализ эмпирических данных.
Результаты. В рамках исследования осуществлена аналитика возможностей БРС для оценки образовательных результатов. Для объективизации процесса измерения образовательных результатов в рамках дисциплины предложено использовать структурированную модель, основанную на таксономии образовательных целей Б. Блума. Данный процесс реализуется следующим образом: электронный журнал курса импортируется в виде матрицы, в которой строки соответствуют студентам, а столбцы — элементам оценивания (тесты, задания, проекты и т. д.). Параллельно формируется таксономическая (экспертная) матрица курса, где каждому элементу оценивания присваивается вес, отражающий уровень по таксономии Блума его вклада в достижение определенных компетенций. Операция умножения матрицы журнала оценок на таксономическую матрицу позволяет агрегировать индивидуальные достижения студентов с учетом уровней сформированности компетенций по каждому из уровней таксономии. Разработан алгоритмический подход к организации комплексного процесса оценки образовательных результатов, который включает этапы автоматизированного экспорта данных из LMS Moodle, формирования матриц, их последующего перемножения и визуализации полученных оценок в виде матрицы результата. Это не только обеспечивает объективизацию процедуры балльно-рейтинговой оценки, но и позволяет проводить регулярный мониторинг достижения запланированных образовательных результатов. Проведена эмпирическая валидация предлагаемой методики на материале одной из учебных дисциплин, ведущейся с применением электронного обучающего курса. Сопоставление результатов, полученных с помощью предложенного алгоритмического подхода, с итоговыми результатами свидетельствует о практической состоятельности предложенной схемы и ее потенциале для масштабирования в других курсах и образовательных программах.
Заключение. Предложенный комплексный подход к оценке образовательных результатов обеспечивает сквозную прослеживаемость формирования компетенций и способствует повышению объективности, а также прозрачности процедуры контроля качества обучения.