Русский
ЦИФРОВАЯ ОБРАЗОВАТЕЛЬНАЯ ЭКОСИСТЕМА: АНАЛИЗ ПОДХОДОВ К ФОРМИРОВАНИЮ ЕДИНОГО ИНФОРМАЦИОННОГО ПРОСТРАНСТВА ДЛЯ ПОДДЕРЖКИ ИНДИВИДУАЛЬНЫХ ОБРАЗОВАТЕЛЬНЫХ ТРАЕКТОРИЙ
Дата публикации
25.04.2026
Журнал
Приоритетные области применения искусственного интеллекта в педагогическом образовании
Выпуск
Приоритетные области применения искусственного интеллекта в педагогическом образовании
Аннотация
В статье проведён сравнительный анализ научных подходов к формированию информационных пространств в сфере образования. Рассмотрены направления аналитики обучения, интеллектуального анализа образовательных данных, адаптивного обучения, онтологического моделирования и стандартов интероперабельности. Выявлен разрыв между алгоритмическим и сервисным уровнями существующих исследований и определена потребность в системном уровне — цифровой образовательной экосистеме, обеспечивающей формирование единого информационного пространства для поддержки индивидуальных образовательных траекторий. Предложены критерии оценки существующих подходов (фрагментация данных, полнота покрытия, оперативность интеграции) и определены нерешённые задачи, требующие разработки новых моделей и алгоритмов
Ключевые слова
Цифровая образовательная экосистема
адаптивное обучение
аналитика обучения
единое информационное пространство
индивидуальные образовательные траектории
интеграция образовательных данных
Oʻzbekcha
Maqolada ta’lim sohasida axborot fazolarini shakllantirish bo‘yicha ilmiy yondashuvlarning qiyosiy tahlili o‘tkazilgan. Ta’lim tahlili, ta’lim ma’lumotlarini intellektual tahlil qilish, adaptiv ta’lim, ontologik modellashtirish va interoperabellik standartlari yo‘nalishlari ko‘rib chiqilgan. Mavjud tadqiqotlarning algoritmik va servis darajalari o‘rtasidagi uzilish aniqlangan va individual ta’lim trayektoriyalarini qo‘llab-quvvatlash uchun yagona axborot fazosini shakllantiradigan tizimli daraja — raqamli ta’lim ekotizimi zarurati belgilangan
Raqamli ta’lim ekotizimi
adaptiv ta’lim
individual ta’lim trayektoriyalari
ta’lim ma’lumotlarini integratsiyalash
ta’lim tahlili
yagona axborot fazosi
English
The article presents a comparative analysis of scientific approaches to the formation of information spaces in education. The directions of learning analytics, educational data mining, adaptive learning, ontological modeling, and interoperability standards are examined. The study identifies a gap between the algorithmic and service levels in existing research and establishes the need for a system-level solution — a digital educational ecosystem that forms a unified information space to support individual learning trajectories. Evaluation criteria (data fragmentation, coverage completeness, integration timeliness) are proposed and unresolved tasks requiring new models and algorithms are defined
Digital educational ecosystem
adaptive learning
educational data integration
individual learning trajectories
learning analytics
unified information space
1. Siemens G. Learning Analytics: The Emergence of a Discipline // American Behavioral Scientist. – 2013. – Vol. 57, No. 10. – P. 1380–1400. DOI: 10.1177/0002764213498851.
2. Wang R.Y., Strong D.M. Beyond Accuracy: What Data Quality Means to Data Consumers // Journal of Management Information Systems. – 1996. – Vol. 12, No. 4. – P. 5–33. DOI: 10.1080/07421222.1996.11518099.
3. Lenzerini M. Data Integration: A Theoretical Perspective // Proceedings of PODS 2002. – New York: ACM, 2002. – P. 233–246. DOI: 10.1145/543613.543644.
4. Ferguson R. Learning analytics: drivers, developments and challenges // International Journal of Technology Enhanced Learning. – 2012. – Vol. 4, No. 5/6. – P. 304–317. DOI: 10.1504/IJTEL.2012.051816.
5. Handbook of Learning Analytics / C. Lang, G. Siemens, A. F. Wise, D. Gašević, A. Merceron (Eds.). – 2nd ed. – Vancouver: SoLAR, 2022. DOI: 10.18608/hla22.
6. Gašević D., Dawson S., Siemens G. Let’s not forget: Learning analytics are about learning // TechTrends. – 2015. – Vol. 59, No. 1. – P. 64–71. DOI: 10.1007/s11528-014-0822-x.
7. Romero C., Ventura S. Educational Data Mining: A Review of the State of the Art // IEEE Transactions on Systems, Man, and Cybernetics, Part C. – 2010. – Vol. 40, No. 6. – P. 601–618. DOI: 10.1109/TSMCC.2010.2053532.
8. Romero C., Ventura S. Educational data mining and learning analytics: An updated survey // WIREs Data Mining and Knowledge Discovery. – 2020. – Vol. 10, No. 3. – e1355. DOI: 10.1002/widm.1355.
9. Brusilovsky P. Adaptive Hypermedia // User Modeling and User-Adapted Interaction. – 2001. – Vol. 11, No. 1/2. – P. 87–110. DOI: 10.1023/A:1011143116306.
10. Brusilovsky P., Millán E. User Models for Adaptive Hypermedia and Adaptive Educational Systems // The Adaptive Web. – Berlin: Springer, 2007. – P. 3–53. DOI: 10.1007/978-3-540-72079-9_1.
11. Gruber T.R. A Translation Approach to Portable Ontology Specifications // Knowledge Acquisition. – 1993. – Vol. 5, No. 2. – P. 199–220. DOI: 10.1006/knac.1993.1008.
12. Berners-Lee T., Hendler J., Lassila O. The Semantic Web // Scientific American. – 2001. – Vol. 284, No. 5. – P. 34–43.
13. IMS Global. Learning Tools Interoperability (LTI) Core Specification, v1.3. – 2019. – URL: https://www.imsglobal.org/spec/lti/v1p3/.
14. IMS Global. Caliper Analytics Specification, v1.2. – 2019. – URL: https://www.imsglobal.org/spec/caliper/v1p2.
15. ADL Initiative. Experience API (xAPI) Specification, v1.0.3. – 2017. – URL: https://github.com/adlnet/xAPI-Spec.
16. Macfadyen L.P., Dawson S. Mining LMS data to develop an “early warning system” // Computers & Education. – 2010. – Vol. 54. – P. 588–599. DOI: 10.1016/j.compedu.2009.09.008.