Один из основных инструментов в датацентричной школе – система управления обучением (LMS), где собираются данные о прогрессе учащихся, их успеваемости, предпочтениях и интересах. Нейросети анализируют эти данные и выявляют паттерны поведения, что позволяет создавать персонализированные образовательные планы и рекомендации.

Мы начали со сбора цифрового следа:

● формирующее оценивание от учителей;

● критериальное и ролевое оценивание от учителей;

● успеваемость;

● интерес и «лайки» учащихся;

● рефлексия и обратная связь от учащихся;

● профнавигационная диагностика учащихся.

Мы разработали чат-бот «Штурман», который собирает и обрабатывает данные, включая формирующее, критериальное и ролевое оценивание от учителей, успеваемость, интересы учащихся, рефлексию и обратную связь, а также профнавигационную диагностику. Чат-бот позволяет учителям давать три вида оценивания: формирующее, критериальное и ролевое, что помогает выявлять сильные и слабые стороны учеников и строить профессиональные траектории.

Формирующее оценивание учитель дает голосом или текстом, в свободном формате. Он упоминает только слова-маркеры, структурируя оценивание так, чтобы были понятны сильные и слабые стороны ученика, а также точки роста. ИИ, обрабатывая материал, превращает его в рекомендации и показатели на индивидуальном цифровом профиле.

Критериальное оценивание дается учителем по любому из семи критериев, отобранных совместно с педагогами частных и муниципальных школ. «Клик» – выбрал класс; «клик» – выбрал ученика; «клик» – выбрал критерий; «клик» – выбрал конкретное замеченное учителем проявление по критерию.

Ролевое оценивание показывает, в каких ролях проявлялся учащийся на уроке: как показал себя с позитивной и негативной сторон, к чему склоняется специфика его поведения. Были отобраны восемь ролей, проявляемых в процессе обучения и важных для дальнейшего профессионального самоопределения. Выявление и фиксация ролевой проявленности даст немало данных для построения профессиональных траекторий.

Педагог отмечает то, что замечает, а если какой-то ученик по истечении трехнедельного цикла остался неоцененным, то бот напомнит об этом. Также ведется дэшборд с количеством оцениваний по каждому ученику в классе и индивидуальные дэшборды учеников, на которых видна не только специфика оценок, но и какой педагог эту оценку поставил.

Чат-бот «Штурман» также включает дэшборды для отслеживания оценок и прогресса учеников, что позволяет эффективно использовать данные для улучшения образовательного процесса. Мы внедрили в систему ИИ для распознавания речи, суммаризации и выделения трендов, а также встроили дополнительное образование в профессиональные векторы с выходом на партнерские ППО, вузы и предприятия.

Промежуточное исследование показало, что мнение пользователей – ключевой фактор успеха. Мы собрали пожелания учителей по улучшению чат-бота и заложили их в новый сценарий, чтобы подстраивать «Штурмана» под потребности пользователей, делая его логичным, понятным и удобным в использовании.

В процессе работы над сервисами и инструментарием датацентричной школы мы также собрали фреймворк, по которому такие школы могли бы создаваться. Он включает наиболее важные аспекты построения образовательной среды, цифровой инфраструктуры и человеческого капитала, а также увязывает цифровой педагогический дизайн, построенный на применении ИИ, со стандартными образовательными программами, рекомендованными согласно ФОП.

Разрабатывая «Штурмана», мы поняли, что, во-первых, управление на данных в школах – это не далекая мечта, а вполне реальная и достижимая цель. Используя ИИ и анализ данных, школы могут значительно повысить качество обучения, лучше понимать потребности учащихся и персонализировать подходы к обучению.