3214728

Новые информационные технологии в образовании

обучения. В этом виде оценки в меньшей степени определяют конкретные знания студента (например, формула кинетической энергии), а измеряется, насколько студенты подготовлены к обучению на основе этих знаний далее. Например, в рамках вопроса о кинетической энергии предлагается решить новый тип задачи, с которым они еще не сталкивались, но который мог быть решен с помощью этого примера. Эти типы средств оценки более сходны с теми, которые студенты будут испытывать вне школы (т.е.

вдальнейшем обучении, работе) и могут показать потенциал ученика в отличие от традиционных измерений кодифицированного знания.

ВСША Национальная Оценка Образовательного Прогресса (NAEP) представляет собой масштабную всенародную оценку результатов учащихся. NAEP проводит оценки, которыми отслеживается использование студентами ресурсов, таких как таблицы и графики, во время научных исследовательских заданий с использованием ИКТ (например, что является причиной роста фитопланктона). Измерение данных процесса обучения может представить мощный показатель исследовательских навыков и критического мышления студента. Автоматический сбор данных об учебном выборе и результатах учебной ИКТ средой делает возможным исследовать, какие модели обучения в учебной

ИКТ среде продуктивны (ведут к лучшим результатам обучения). Эта информация впоследствии может быть использована для выбора дизайна ресурсов обучения и учебных платформ.

Анализ результатов оценивания. Важной задачей в сборе оценочных данных с использованием ИКТ является определение способа их анализа. Глубинный анализ данных – это подход, который использует компьютеры в качестве инструментов определения принципов оценивания в больших объемах данных. Глубинный анализ данных используется в бизнесе, например, для нахождения моделей в выборе покупателей. Применительно к образованию примером может быть использование данных о «кликах» студента

вкомпьютерной среде обучения, позволяющих оценить, что должен предпринимать наставник в заданных ситуациях для оптимизации достижений обучения студента. Все это требует глубинной проработки алгоритмов взаимодействия ученика со средой обучения. Так как техники глубинного анализа данных успешно используются в бизнесе и образовании, они, скорее всего, будут становиться все более доступными для масштабного применения в ИКТ оценках.

Примером попытки снизить стоимость и повысить доступность оценок является аутсорсинг рукописных работ и краудсорсинг ответов. Например, система онлайн курса Coursera (https://www.coursera.org) (что также применимо к курсам учебной платформы с сетевым взаимодействием учащихся, обучению в социальных медиа и образовательных сетях) может зарегистрировать более 10 000 студентов в сетевой класс. Они начали использовать краудсорсинг, чтобы сделать возможной аттестацию письменных работ. Студенты класса обучаются использовать рубрику аттестации и назначаются для аттестации работы друг друга. Одну работу будут оценивать несколько студентов. Исследование краудсорсинга показало, что взятие среднего из множества значений оценивания приведет к точной оценке, даже если точность какого-либо индивидуального значения не надежна.

Другой подход – служба образовательного тестирования (СОТ) – автоматизирует аттестацию письменных и свободных ответов, используя компьютерные системы обработки данных на естественном языке (http://www.ets.org/research/topics/as_nlp). Обработка естественного языка относится к использованию компьютерных алгоритмов для распознавания и взаимодействия с человеческим языком. Это применяется к письменным ответам.

303

ГЛАВА 7

Важно не нанести вред студентам, используя неэффективные учебные условия, и не подвергать риску их обучение.

С увеличением возможности равномерно измерять обучение со встроенными оценками появляется новая этическая озабоченность по поводу справедливости результатов оценивания. Студенты могут не знать, что их оценивают, или какой аспект их работы оценивается, и поэтому они могут не показать максимальных результатов (что они могут сделать при оптимальных условиях, зная, что их работа оценивается). Это важный момент, когда цель оценки – отбор студентов в какую-то университетскую программу или программу обогащения. Студенты могут не приложить максимальных усилий, поскольку не знают о проведении важной оценки. В результате оценка может не предоставить характеристики лучшего потенциала и достижений студента. Однако, если цель оценки – в большей степени информировать, чем классифицировать студентов, тогда вопросы справедливости менее важны. Тем не менее, если инструкции оценивания учитывают типичное поведение студентов в учебной ситуации, то и оценки с учетом типичного поведения будут наиболее информативными.

Дорожная карта использования ИКТ в системах оценивания

ИКТ могут повысить эффективность существующих моделей оценки, но также могут изменить то, как оценка используется и концептуализируется.

•Оценка должна давать полезную информацию на соответствующем уровне. Оценки имеют много различных применений, от национальной иерархии до характеристики студента и оценки опыта обучения. Различные варианты использования требуют различных видов оценки. Например, оценки, призванные классифицировать школы, обычно не предоставляют информацию, которая полезна на уровне учебных решений для одного студента. Часто упускается из виду использование оценки для выбора решений по проектированию изменений условий обучения. В этом случае оценка должна быть достаточно детальной, чтобы исключить факторы среды обучения, ухудшающие его условия.

•Формативная оценка может быть важным инструментом для принятия решений в процессе обучения. Формативная оценка считается оценкой «для обучения», где основная цель – информировать обо всех текущих состояниях обучения. Она идет в противовес суммативной оценке, которая измеряет конечный результат обучения обобщенно. Формативная оценка может использоваться на индивидуальном уровне для принятия решения, какую информацию или проблему представить студентом, учитывая их текущий уровень понимания конкретной темы. Она также может использоваться на уровне развития ИКТ для определения, какой выбор дизайна является наиболее эффективным и для обучения в цикле тестирования, и для улучшения качества взаимодействия с учебной платформой.

•Оценки могут быть встроены в ИКТ-среду обучения. Они не должны занимать отдельное от обучения время. Встроенные оценки могут быть интегрированы в процесс обучения таким образом, чтобы студенты не знали, что они оцениваются, уменьшая этим волнение перед тестом. Или они могут быть явными, таким образом, чтобы студенты осознавали, что они оцениваются, и им самим можно было бы увидеть свой личный прогресс.

•Один из способов, который позволяет усилить эффективность использования оценки с ИКТ для непрерывного уточнения результата – использование Интернета, A/B тестирования, краудсорсинга для получения обратной связи и улучшения дизайна среды обучения. Варьирование возможностей ИКТ контролируемым образом позволяет оценивать, какой из видов дизайна и вариантов учебных программ приведет к лучшему обучению.

•Помимо сбора традиционных оценок знаний студентов, ИКТ может измерять данные о том, как студенты справляются с обучением и решением проблем в ИКТ среде обучения. Это позволяет оценивать исследовательские навыки студентов и их подготовку для продолжения

304

Новые информационные технологии в образовании

обучения в реальной жизни за пределами образовательного учреждения или среды обучения, что соответствует требованию XXI века продолжать обучение на работе. Данные учебного процесса, который формирует студента в учебной ИКТ среде, могут также сообщить нам, какие шаблоны взаимодействий приводят к лучшим результатам обучения в рамках ИКТ среды, что может помочь разработчикам ИКТ среды, учебных платформ создать более качественные инструменты и алгоритмы обучения для учебной ИКТ среды. Инвестиции в новые методы интеллектуального анализа данных позволят оценивать результаты важного процесса измерения прогресса студента в продвижении по индивидуальной траектории в учебной ИКТ среде.

305

ГЛАВА 7

7.8. Аналитика учебной деятельности

«Аналитика» – это термин, используемый в бизнесе и науке, относящийся к сбору цифровых данных, способствующих принятию решения. Организации обладают все более чувствительной «цифровой нервной системой». Такая система обеспечивает обратную связь в реальном времени по отношению к внешней среде и результатам действий. Аналитика учебной деятельности приспосабливает эту систему к среде обучения: как должна выглядеть цифровая нервная система, когда внимание сфокусировано на результатах учебной деятельности, и какой необходим мозг или коллективный разум для интерпретации сигналов и адаптации поведения системы.

Большие данные и аналитика учебной деятельности

В то время как люди и устройства все чаще связываются онлайн, общество генерирует записи цифровых данных в невероятных объемах, беспрецедентных в человеческой истории. Социальная инженерия, сетевые устройства, операции электронного бизнеса, мобильные компьютерные среды, портативные сенсоры, документирующие «каждый шаг», анализаторы внешней среды производят миллиарды событий в секунду, многие из которых сохраняются для дальнейшего анализа либо могут быть проанализированы как поток данных в реальном времени. Термин «большие данные» используется для отражения того, что количественное изменение этой величины в действительности является изменением качественным, требующим новых способов мышления и новых видов человеческой и технической инфраструктуры. Это создает массу возможностей и перспектив как для общества в целом, так и для организаций, стремящихся упорядочить эти данные. В пределах коммерческих секторов образуется сфера бизнес-анали- тики (БА), стремящаяся оборудовать учреждения так, чтобы они могли идентифицировать значимые виды данных с помощью множества технологий, включая интеграцию данных, сбор данных, прогнозное моделирование и информационную визуализацию. Надлежащее создание такой инфраструктуры требует высшего руководства наряду с сотрудничеством и обучением при поддержке «центров БА». Исследователи выделяют в образовательном сегменте большие данные в сферах: игрового моделирования, автоматизированных систем онлайн опросов и сбора образовательных данных, коллективного компьютерного обучения и интеллектуальных систем обучения / адаптивных гипермедиа, информационной визуализации, компьютерной лингвистики, а также анализа социальных сетей.

Структура учебной аналитики

Понятие «аналитика учебной деятельности» появилось в обществе в результате попыток понять значения этих событий с целью анализа данных по результатам оценивания учебной деятельности и улучшения систем обучения. Возникающий диалог выходит далеко за пределы технологий (учебных и коммерческих) и включает в себя как сам процесс образования, так и исследователей, руководителей и высших должностных лиц, практикующих педагогов, организационных администраторов, разработчиков учебного курса, продавцов продукта и, конечно же, самих учеников (которые часто являются первыми пользователями новых облачных приложений с доступными данными, а также основными потребителями определенных видов аналитики учебной деятельности). В связи с этим различают три уровня учебной аналитики.

Аналитика макроуровня. Обеспечивает анализ между учебными заведениями, например, посредством исследований «развитости» текущих методов или улучшения доступа к данным в масштабе государства, к стандартизированным оценочным данным в ходе всего обучения студентов. Макроанализ будет происходить в режиме реального времени с использованием большого количества данных из центрального и микроуровней.

Аналитика центрального уровня. Действует на уровне учебных заведений. В том смысле, что образовательные учреждения разделяют общие бизнес-процессы и могут рассматриваться в качестве нового сектора рынка БА как способные эффективно приспособить свои инструменты к банкам обобщенных

306

Новые информационные технологии в образовании

данных. Функцией БА является оптимизация бизнес-про- цессов, частично мотивирующих создание «университетской аналитики», и можно наблюдать сообщества БА в образовательных организациях со своей собственной технологией исследования.

Аналитика микроуровня способствует отслеживанию и интерпретации данных на уровне процесса отдельных учеников и групп. Эти данные представляют особый интерес для самих учеников и для тех, кто отвечает за их успех, поскольку он может обеспечить самый подробный уровень детализации в максимально короткий срок. Соответственно, эти данные являются наиболее индивидуальными, поскольку (в зависимости от платформ) они могут выявить онлайн активность в учебной ИКТ среде, физическую активность в мобильных сетях, в системе геолокации, социальную активность (посещение электронных библиотек, интернет-магазинов, социальных и медиа сетей).

Мы являемся свидетелями интеграции и взаимного обогащения между этими слоями аналитики. Слияние компаний и партнерские отношения демонстрируют продукты бизнес-аналитики интегрированного делового мира с направленной передачей и платформами социального обучения, отслеживающими активность пользователя на микроуровне. Формирование таких больших

массивов данных делает возможным идентификацию и проверку эффективности различных оценок. Другими словами, широта и глубина на макро и центральном уровнях увеличивает мощность микроаналитики.

Например, EDUCAUSE создает ценный банк ресурсов и семинаров для преподавателей/специали- стов/ИКТ-администраторов. Синтез появляющихся тенденций EDUCAUSE в 2012 году определяет три вида параметров и индикаторов прогнозирования (Диспозиция, Действие и исполнение и Предметы учащихся), ключевая роль визуализации заключается в поддержке осмысления развития образования и вмешательств со стороны ИКТ (автоматические и автоматизированные системы аналитики).

Преимущества микроуровня:

•Выявление учеников, входящих в группу риска, и обеспечение их поддержки.

•Понимание учениками их собственных траекторий обучения и рекомендации для их совершенствования.

Преимущества центрального уровня:

•Улучшение процессов принятия решений руководством и организационное распределение ресурсов.

•Более прозрачные данные и анализ создают общее понимание успехов и проблем учреждения.

•Улучшение понимания сложных проблем посредством комбинаций аналитики (например, социальных, технических и информационных сетей).

•Целостное принятие решений посредством лучшего понимания воздействия различных переменных.

•Повышение организационной эффективности за счет актуальной информации и возможности быстро реагировать на проблему.

•Помощь лидерам в определении материальных (например, патенты, исследования) и моральных (например, репутация, профиль, качество обучения) показателей деятельности преподавательского состава.

Преимущества макроуровня:

307

ГЛАВА 7

•Возможность преобразовать систему колледжа/университета, а также применить новые академические модели и педагогические подходы.

Аналитика в онлайн учебных платформах

Концепция. Первыми видами аналитики, с которыми столкнутся многие учебные заведения, будут панели мониторинга аналитики, появляющиеся в большинстве онлайн платформ обучения. Фактически это воздействие продуктов БА на платформы обучения. До недавнего времени данные находились

вформате, недоступном для обычных пользователей. На сегодняшний день они предоставлены в виде графиков, столбцов и другой визуализации. Индивидуальные отчеты разработаны для учеников, педагогов, администраторов и аналитиков. Более усовершенствованная функциональность объединяет данные других университетских систем (например, служба технической поддержки; студенческие информационные системы), позволяет пользователям выходить за пределы встроенных отчетов и исследовать отношения между различными переменными. Ученики могут получить базовую аналитику, как, например, их место в группе (экзаменационные отметки, участие в форумах, участие в онлайнсеминарах). Некоторые учреждения идут дальше и добавляют продукты визуализации с дополнительной информацией, способствующие пониманию сложных данных, или предметный уровень аналитики основных разработчиков.

Например, EDUCAUSE выполняется чрезвычайно полезное обобщение предметного исследования

всфере высшего образования. Так, университет штата Аризона сообщает о том, что его инвестиции в учебный и образовательный анализ, включая программу «Student 360», которая объединяет все знания учреждения о студенте, принесли свои плоды.

Аналитика прогноза успешности

Концепция. Одним из наиболее развитых применений аналитики является возможность определения своей индивидуальной траектории обучения (например «с риском»; «успевающий ученик»; «общественный учащийся») благодаря статическим данным учеников (например, демографические данные; прошлые достижения) и динамическим данным (например, образец онлайн логинов; количество дискуссий). Следовательно, становятся возможными своевременные вмешательства (например, дополнительная социальная и академическая помощь; более стимулирующие задачи). В настоящее время одним из самых надежных прогностических параметров итогового экзамена все еще является экзамен в начале обучения. Создание более сложных моделей прогнозирования на основе данных должно его усовершенствовать, но необходим статистический анализ для идентификации тех параметров, которые могут быть признаны в качестве самых сильных прогностических параметров «успеха». В настоящее время они обычно определены как задание/результат экзамена, тогда как дискуссии о системах оценки (см. ниже) привлекают внимание к роли, которую мог бы играть анализ в обеспечении формирующей обратной связи и создании однородных/передаваемых навыков.

Например, Course Signals в Университете Пердью в качестве показателя успехов в обучении ученика показывает красный/желтый/зеленый свет. Результаты на данный момент свидетельствуют о том, что студенты, использующие Course Signals, имеют более высокую успеваемость и с большим желанием ищут вспомогательные ресурсы, чем другие студенты. Отчет Мичиганского университета сообщает о многообещающих результатах по физике благодаря системе E2Coach, которая адаптирует технологию персонифицированного вмешательства, одобренную исследованиями медицинской информатики, для обеспечения индивидуальной обратной связи и мотивации студентов на изменение своей стратегии. Колледж Пола Смита использовал Starfish EarlyAlert для обеспечения обратной связи преподавателей и студентов, а также инструменты Rapid Insight для построения точной прогнозирующей модели в целях выявления ученика, входящего в группу риска. Эта структура Предиктивной аналитики (PAR), разработанная и руководимая шестью американскими образовательными учреждениями, способна идентифицировать образцы по коллективным данным о студентах. Такие подходы разработаны для типичной среды обучения по содержанию предметной области, но если ограничиться отдельной темой, возможны новые виды аналитики.

308

Новые информационные технологии в образовании

Аналитика адаптивного обучения

Концепция. Платформы адаптивного обучения в ИКТ средах на основе гипермедиа создают модель понимания определенной темы учеником (например: алгебра; фотосинтез; стоматологическая хирургия) иногда в контексте стандартизированных тестов, продиктованных учебным планом и моделями тестирования. Это обеспечивает мелкомодульную обратную связь (например, что вы усвоили и на каком уровне), а также адаптивное представление содержания (например, не показывать материал, с которым не справился ученик, овладевший материалом). Естественно, динамическое моделирование познавательной способности ученика и подготовка материала для механизмов адаптивного содержания являются более ресурсоемкими для проектирования и создания, чем обычные «немые» платформы обучения. Однако существуют убедительные доказательства воздействия, которое могут обеспечить такие подходы, принимая во внимание возможную персонализацию.

Например, это веб-платформы с высококачественным опытом взаимодействия, бесплатные курсы Open Learning lnitiative, основанные на исследовании Университета Карнеги-Меллон и коммерческих организаций, таких как Grockit и Knewton.

Аналитика социальных сетей

Концепция. Аналитика социальных сетей делает видимыми структуры и динамику межличностных взаимодействий для понимания, развития и поддержания этих отношений между людьми. Люди могут создать «связи» различных видов, от расширенных, прямого взаимодействия, отражающего существенные связи, до более закрытых. Исследование демонстрирует, что связи, формируемые учениками, и получающиеся групповые структуры взаимосвязаны с улучшением или ухудшением эффективности обучения.

Например, одним из инструментов, специально предназначенных для образовательных сетей, является SNAPP, осуществляющий перенос дискуссионного форума на сетевую диаграмму с целью помочь проследить рост группы, идентифицировать разъединенных студентов или визуализировать поддержку учителя внутри сети.

Аналитика языкового общения

Концепция. Учебная платформа легко высчитывает количество основных действий ученика, таких как вход в систему, обзор форума и отправка сообщения: это уровень, на котором работают самые последние продукты аналитики. Однако аналитика могла бы не ограничиваться подсчетом входов в систему и предоставить обратную связь педагогам и ученикам по качеству взаимодействия. Исследователи начинают опираться на предыдущий опыт учителей по способу оценки эссе и дискуссии, в вопросе, как разговорный и письменный диалог формируют процесс обучения, и как компьютеры могут помочь в проектировании аналитики.

Примеры. Аналитика языкового общения, направленная именно на обучение или осмысление в оспариваемых областях, находится в состоянии исследования. Существуют многочисленные открытые системы, обеспечивающие анализ письменного и разговорного естественного языка. Но они не были специально разработаны для процесса обучения. Пока они представляют собой «сырые технологии» с интересными возможностями для исследователей аналитики учебной деятельности в плане согласования с процессом обучения.

Проблемы аналитики учебной деятельности

Исследование обучения и преподавания может стоять на пороге подобной революции, где ученики впервые могут быть изучены в полном объеме и точности действия, что ранее считалось непрактичным. Бесплатное размещение платформ обучения и курсов инициаторами, такими как Harvard+MIT's edX, довольно открыто мотивировано возможностями, которые идут с набором беспрецедентных данных от миллионных взаимодействий учеников.

Проблемы качества больших данных. Информационные системы фильтруют и классифицируют мир. При соответствующем выполнении упрощенные модели помогают нам осмыслить подавляющую слож-

309

ГЛАВА 7

ность, в противном случае они игнорируют важные детали. Критический анализ полемики вокруг больших данных напоминает нам об осторожности при вторжении в эту область: автоматизированное исследование изменяет определение знания, предъявляет требования объективности и точности данных, большие данные не всегда лучшие, и не все данные равноценны, доступность данных вызывает этическую проблему защиты персональных данных, ограниченный доступ к большим данным создает новые цифровые неравенства.

Проблема взаимосвязи аналитики и методов оценки. Аналитика учебной деятельности нацелена на улучшение достижений ученика. Следовательно, она всегда разрабатывается с особой концепцией «успеха», таким образом определяя модели, которые считаются доказательствами прогресса, а значит, и данные, которые должны быть получены. Основным двигателем педагогической практики, а, следовательно, и образовательного процесса ученика, является режим оценки. Аналитика учебной деятельности микроуровня в целом является новой технологией оценки, которая способна эффективно обеспечить персонифицированную, своевременную, определенную, требующую принятия мер обратную связь. Из-за сложности осуществления хорошей оценки обучения создание инструментов этого вида остается основной проблемой для исследователей аналитики учебной деятельности. Перспектива заключается в том, что при должном осуществлении аналитика могла бы стать ключевым методом реализации формирующей оценки группового обучения, предлагая ученикам новые виды инструментов.

Проблема этики использования личных данных. Как и в любой области, где происходит обмен и интерпретация анкетных данных, вопросы этики возникают и в аналитике учебной деятельности. Кто решает, какие данные важны для регистрации, как они «отделены» от других массивов данных и согласованы ли эти наборы данных? Кто решает, как данные должны быть визуализированы и считаться правильными для интерпретации? Должны ли ученики видеть аналитику о себе или о своих сверстниках? Действительно ли учителя достаточно квалифицированы для разработки соответствующих основанных на данных вмешательств? Могут ли данные быть анонимными и можно ли должным образом контролировать к ним доступ? Подходят ли попытки закрепления педагогических теорий с целью их внедрения в вычислительные алгоритмы? Область исследования требует наличия специалистов по этике информационных технологий для улучшения ее влияния, так как большинство, если не все, проблемы в аналитике учебной деятельности возникли в других областях.

Дорожная карта развития учебной аналитики на основе ИКТ

•Аналитика учебной деятельности никогда не является нейтральной: она неизбежно воплощает и таким образом фиксирует педагогику и режимы оценки. Их изменение является глубокой проблемой, затрагивающей микро и макро уровни с учетом новых методов оценивания новыми ИКТ способами в образовательной экосистеме (начальное/среднее/высшее/работа). Правительства и учреждения могут использовать введение учебной аналитики пока в рамках дискуссий по поводу их видения в преподавании и обучении для XXI века.

•Существует срочная необходимость в увеличении кадрового потенциала. Учреждения должны обучать своих сотрудников и исследователей разработке и оценке аналитики учебной деятельности — для обеспечения организационной способности задействовать аналитику в целостном, качественном формате ее употребления для правильной формулировки вопросов поставщикам и удовлетворения социального спроса на эти ресурсы.

•По сравнению со многими другими секторами образовательные учреждения в настоящее время «идут вслепую» в цифровую эру знаний. Они должны вложить средства в аналитические инфраструктуры по двум причинам: (1) для оптимизации достижений студентов, и (2) чтобы позволить своим собственным исследователям задать основополагающие вопросы об обучении и преподавании в XXI веке и не проводить исследование без аналитики или без экспериментальных данных.

•Границы области расширяются быстрыми темпами благодаря компаниям, вводящим новшества для удовлетворения имеющихся рынков. Для того, чтобы не отставать, обычно более медленный

310

Новые информационные технологии в образовании

темп исследования образования и профессионального развития должен быть ускорен, иначе учреждения будут находиться в зоне риска, выбирая то, что доступно, а не то, что необходимо. Учреждения должны создавать партнерские отношения и механизмы для обмена данными об учащихся методами аналитики и информационными инструментами визуализации. Открытая онлайн платформа учебной аналитики и социальной аналитики является рекомендуемым инструментом для работы.

311

ГЛАВА 7

7.9. ИКТ и общее администрирование в учебных заведениях

В настоящее время ИКТ имеют жизненно важное значение для управления деятельностью учебных заведений. Это включает шесть основных областей: администрация студенческих данных, инвентаризация управления, ведение данных персонала, библиотечные системы и системы управления обучением, бухгалтерский и финансовый учет.

Администрация студенческих данных от записи ученика в первый класс до окончания школы включает в себя управление первоначальным запросом о школе, подачу заявления, выбор класса, мониторинг и поддержку в каждом классе, обработку оценок, экзамены и аттестацию. Для студентов кампуса это включает бронирование номеров общежития, систему расписаний. Обычно это делается через централизованную автоматизированную систему управления (АСУ), но могут быть также локальные системы для отдельных учреждений образования. Примерами АСУ образовательных процессов служат учебные платформы виртуальной среды обучения VLE/учебного менеджмента (LMS).

Научно-исследовательская деятельность поддерживается с помощью систем управления и мониторинга прикладных исследований, научно-исследовательских конкурсов, грантов и контрактов, финансирования научных исследований, публикации записей и патентов и регистрации интеллектуальной собственности.

Существуют системы управления имуществом и технического управления. Это включает в себя: складской учет, ремонт здания, учет и контроль расходов на коммунальное обслуживание и электропотребление, регистрацию и мониторинг вопросов о проходимости парка автомобилей, учет и утилизацию книг, мебели, технических средств обучения, оборудования ИКТ.

Финансовые услуги включают в себя: управление активами, кредиторской задолженностью, дебиторской задолженностью, финансовую отчетность, управленческий учет; управление информацией, заработной платой, пенсией; заказ покупок, обработку чеков и счетов-фактур, налоговые казначейства.

ИКТ системы управления кадрами управляют приемом на работу, ведением личных дел и учетом деятельности персонала, подготовки персонала.

Услуги жизнеобеспечения включают в себя: заявки, распределение, контроль и финансовое управление для студентов и, когда это целесообразно, предоставление конференц-услуг и обслуживания.

Рассматривается девять сфер применения образовательных АСУ в образовании: финансы, регистрация учащихся, расписание, кадры – людские ресурсы (HR), заработная плата, имущество, управление библиотекой, системы управления обучением (LMS)/виртуальной средой обучения (VLE) и управление работы с клиентами (CRM).

Например, система LMS показывает полное доминирование Moodle и Blackboard как средств управления учебным процессом. HR и начисления заработной платы находятся в непосредственной связи и обычно попадают в одну систему управления. На рынке библиотек доминируют три или четыре поставщика. Существует замечательное сходство в доле рынка относительно систем управления финансами, счета учащихся и расписанием. В каждом случае на рынке высшего образования всегда есть один игрок, который значительно крупнее любого другого, а также относительно небольшое количество мелких игроков. Например, система Agresso занимает более половины рынка высшего образования в сфере финансов, равно как Tribal – в учете учащихся. В расписаниях крупнейший игрок в системе высшего образования занимает чуть более 40% рынка, тогда как крупнейший игрок дальнейшего образования занимает около трети рынка. Примечательно, что крупнейший игрок в системе высшего образования Scientia занимает лишь небольшую часть рынка дальнейшего образования. Сегмент расписаний повторяет принципы в области финансов и регистрации студентов в том, что существует меньшее количество крупных игроков в системе высшего образования, чем дальнейшего образования. Популярная система для HR(финансов) исследований поставляется немецкой компанией SAP. Также SAP-GM часто используется в научных отделах для управления грантами – как с точки зрения отслеживания сделанных приложений, так и управлением финансированием наград. Она также используется для генерации управленческой информации об уровнях премий, дохода и т.д. Inteum является часто используемой системой для управления такими вещами, как патенты и лицензии, образующимися в ходе исследований.

312