На мастер-классе будут рассмотрены понятие "цифрового следа", методы его сбора и анализа применительно к образовательным проектам.

Цифровая информационная сеть, опутавшая своей паутиной все компьютеры на планете, неизбежно сосуществует с такими явлениями, как «цифровой след» и «цифровая тень». Цифровая тень – это информация, которую каждый современный человек создает о себе, сам того не подозревая, а цифровой след – это те мегабайты и уже гигабайты информации, которые мы ежедневно самостоятельно передаем через Всемирную паутину, отправляя электронные письма с вложениями, делясь с другом скачанной песней или создавая раздачу того или иного контента в торрент-трекере.

Среди множества новых понятий, вошедших в обиход в XXI веке, есть и такое — цифровой след. Говоря доступным для среднестатистического интернет-пользователя языком, цифровой след (его ещё называют цифровым отпечатком, а также цифровой или кибертенью) — это информация о человеке, которая остаётся в Сети после просмотра им веб-страниц.

Существует некая аналитическая организация, названная IDC, которая уже давно интересуется явлением цифровой тени.

Ее мнение – цифровая тень несет в себе гораздо больше вреда для человечества, чем кажется на первый, второй и даже третий взгляды.

Объем цифрового следа каждого человека, то есть объем цифровой информации, который он генерирует ежедневно, в сумме постоянно увеличивается, хотим мы того или нет.

Увеличить количество цифровых данных можно за несколько секунд, не выходя из интернета, но ответственность за ее хранение на вас не ляжет, этим ведают определенные организации, интернет-сервисы, провайдеры и дата-центры, где всё это размещается физически.

Рассмотрим результаты анализа пользовательских данных студентов из социальной сети «ВКонтакте» и LMS MOODLE. Авторы оценивают потенциал комплексного анализа гетерогенных данных о студентах для решения задач повышения качества и индивидуализации обучения. Представленное в работе осмысление возможностей изучения цифровых следов студентов может помочь составить общее для всех субъектов учебного процесса видение моделей индивидуализации и найти системное решение для их реализации.

Можно выделить две главные области для работы — изучение аналитики и визуализация результатов. Применение алгоритмов Big Data поможет в обработке данных для выявления связей между студентами, преподавателями и учебным процессом, с целью создания рекомендаций, которые улучшают общий образовательный процесс. Визуализация данных облегчает восприятие результатов, облегчая понимание новых знаний и помогая пользователям в обнаружении новых отношений или возможных нарушений [6]. Здесь можно сделать еще один шаг вперед в использовании аналитики электронного обучения, интегрируя методы больших данных в анализ образовательных данных. Таким образом, могут быть выявлены положительные тенденции и недостатки в методологиях электронного обучения. Оценка представляет собой участие студента в учебной деятельности, а низкие баллы обычно означают плохие достижения студента.