Оптимизация раннего прогнозирования успеваемости студентов с помощью сервиса «Пифия»

1.

Оптимизация процесса
раннего прогнозирования
успеваемости студентов на
основе цифрового сервиса
«Пифия»
ФГАОУ ВО «Сибирский федеральный
Контактное лицо: Гуц Денис
университет» (СФУ), г. Красноярск
Сергеевич, проректор по учебной
Конкурс кейсов лучших практик
повышения производительности
труда образовательных организаций
высшего образования
работе СФУ
2024 г.

2.

Процесс, на который влияют улучшения
Раннее прогнозирование академической успеваемости обучающихся и сопровождение студентов группы риска
Мониторинг цифрового следа
Выявление проблемных зон
Непрерывный сбор и анализ данных об активности
Идентификация дисциплин, групп и студентов с повышенным
обучающихся в цифровой образовательной среде
риском академической неуспеваемости.
университета.
Взаимодействие с группой риска
Оценка эффективности содействия
Своевременное педагогическое сопровождение и адресная
Измерение результативности принятых мер и корректировка
поддержка студентов, попавших в зону риска.
стратегий педагогического вмешательства.

3.

Сокращение длительности процесса
Ключевое изменение — переход от постфактум-мониторинга к опережающему предиктивному прогнозированию, сокращающему время
реакции с нескольких месяцев до нескольких недель.
Было
Стало
Проблемы фиксируются в конце семестра или в сессию.
Прогнозирование начинается с 7–8-й недели семестра. Реакция
Реакция — через несколько месяцев. Постфактум-мониторинг:
— через несколько недель. Опережающее предиктивное
данные собираются вручную, меры принимаются слишком
прогнозирование: автоматизированный анализ, своевременное
поздно для эффективного вмешательства.
педагогическое содействие.
7–8
~4x
Неделя семестра
Ускорение реакции
Старт прогнозирования — на 7–8-й неделе, а не в конце семестра
Время реакции сокращается с нескольких месяцев до нескольких
недель

4.

Дополнительные улучшаемые показатели
Повышение
удовлетворённости студентов
Повышение прозрачности
процесса
Сокращение количества
ошибок
Своевременная поддержка и
Наглядное отображение статусов
Автоматизированный сбор и
индивидуальное сопровождение
студентов и дисциплин с помощью
агрегация данных цифрового следа
формируют у обучающихся ощущение
цветовой индикации. Навигация по
вместо ручного мониторинга
внимания со стороны университета,
уровням: институт → группа →
исключают человеческий фактор,
повышают доверие к
студент → дисциплина. Все участники
снижают трудозатраты и повышают
образовательной среде и мотивацию
процесса видят актуальную картину в
достоверность аналитики.
к учёбе.
режиме реального времени.

5.

Суть ключевых изменений
До внедрения
Ключевые изменения процесса
Мониторинг постфактум → отсев студентов, дополнительные
Переход от постфактум-мониторинга к предиктивному
финансовые и административные затраты, ручной сбор данных
прогнозированию
с высокой долей ошибок и запаздыванием реакции.
После внедрения
Замена ручного сбора данных автоматизированной
агрегацией цифрового следа
Еженедельное прогнозирование с 7–8-й недели семестра,
визуализация рисков в режиме реального времени,
своевременное педагогическое содействие на основе данных.
Переход к системному сопровождению студентов группы
риска
Персонализированное управление на основе данных
Формирование «единого окна» для выявления
проблемных зон

6.

Ресурсы, условия и ограничения
Ресурсы для реализации
Команда
Междисциплинарная команда: разработчики, аналитики данных,
социологи
Условия и ограничения
Псбгпг пе
тппугеутугйе
Качество данных
Достоверность и целостность
Законность сбора, хранения и
данных учебной аналитики как
доступа к данным в
основа точности прогнозов
соответствии с 152-ФЗ о
персональных данных
ИТ-инфраструктура
Системы хранения и обработки данных, интеграция с учебными
платформами
Финансирование
Финансовые и материально-технические ресурсы для разработки и
поддержки
Актуальность
моделей
Этика и равенство
Соблюдение этических норм,
Регулярная оценка точности
обеспечение равенства
предиктивных моделей и их
образовательных
переобучение на новых данных
возможностей

7.

Кпмйцетугеооые й кбцетугеооые э х х екуы
2%
22
22K+
Рост сохранности контингента
Института СФУ
Сууееоупг
В пилотных институтах после внедрения сервиса
Сервис «Пифия» внедрён во всех институтах университета
Охвачены системой предиктивного прогнозирования
2500+
7700+
Преподавателей
Дисциплин
Получили доступ к аналитике успеваемости своих
студентов
Охвачены мониторингом в рамках 1 500+ учебных групп
Кбцетугеооые э х х екуы
Раннее выявление
Проблемные зоны
Студенты, не приступившие к обучению, выявляются в первые недели семестра
Дисциплины и преподаватели с высоким процентом неуспевающих становятся
видимы
Снижение трудозатрат
Цифровая зрелость
Автоматизация освобождает преподавателей и администрацию от рутинного
мониторинга
Повышение уровня цифровой зрелости университета и прозрачности
образовательного процесса

8.

Основные инструменты и подходы
Технологические инструменты
Управленческие подходы
Цифровизация процесса
Визуальное управление
Электронные формы, личный кабинет, облачные хранилища
Статус-индикаторы «светофор», паспорт-карта прогнозов для
данных
наглядного отображения рисков
Информационные системы
Пересмотр КПЭ
Сервис «Пифия» как компонент экосистемы Цифрового
Доля студентов группы риска, успешность сдачи сессии,
университета СФУ
сохранность контингента
Ансамбль моделей
Развитие компетенций
Марковские процессы и машинное обучение для кластерной
Обучение работе с сервисом, интерпретации прогнозов,
дифференциации студентов по уровню риска
вовлечение институтов через обратную связь
Устранение потерь: сокращение времени на ручной мониторинг и позднее реагирование — ключевой принцип бережливого управления,
реализованный в сервисе «Пифия».

9.

Порядок реализации кейса
Общий подход: от исследования технологического ландшафта до промышленной эксплуатации сервиса.
01
02
03
Исследование технологического
ландшафта
Внедрение сервиса «Пифия»
Настройка и адаптация
Решение технологических,
Модернизация предиктивных моделей,
Анализ существующих решений для сбора,
организационных и методических задач.
калибровка под специфику институтов СФУ,
хранения и агрегации данных об учебной
Интеграция с учебными системами
тестирование на пилотных группах.
активности студентов. Определение
университета.
источников цифрового следа.
04
05
Внедрение практик раннего прогнозирования
Рбисбвпукб сегмбн еоуйсуя щ йч епкун еоупг
Кластеры высокого/среднего/низкого риска, визуализация
Формализация процессов, закрепление ответственности, создание
«светофор», аналитический и социологический инструментарий,
нормативной базы для устойчивой эксплуатации сервиса.
CRM-фиксация взаимодействий, рекомендательные меры
педагогического содействия.

10.

Организационные изменения, риски и рекомендации
Организационные изменения
Рекомендации для вузов
Трансформация модели управления образовательным процессом
Готовность к изменению образовательной среды и подходов к
Реализация принципов персонализации и адаптивности
управлению
Мониторинг качества образовательной среды
Управление результатами обучения на основе данных
Развитие технологического ландшафта как основы цифровой
трансформации
Ключевые риски
Невысокий уровень вовлечённости отдельных институтов
Недостаточное качество и полнота данных по офлайн-дисциплинам
Вовлечение администрации, преподавателей и студентов на всех
этапах
Обеспечение поддержки при интерпретации результатов
прогнозирования
Контакты и доступ к сервису
Контактное лицо: Вайнштейн Ю.В.
Email: YWeinstein@sfu-kras.ru
Telegram: https://t.me/JuliaVainshtein
Сервис «Пифия»: https://p.sfu-kras.ru/login