Том 4 № 2 (2026): Промышленная кибернетика
DOI https://doi.org/10.18799/29495407/2026/2/119
Контекстно-зависимая интерпретация образовательных событий в системе адаптивного управления обучением
Системы аналитики обучения фиксируют значительный объём поведенческих данных, однако одни и те же события могут отражать различные образовательные состояния в зависимости от дисциплинарного контекста, что снижает устойчивость адаптивных вмешательств. Цель: разработка контекстно-зависимой модели интерпретации образовательных событий в адаптивных образовательных системах. Методы: системный и сравнительный анализ, концептуальное моделирование, классификация контекстуальных модификаторов на материале учебно-проектной деятельности и маркетинга. Научная новизна: формализован интерпретационный слой между фиксацией события и принятием решения о вмешательстве; предложена схема «событие–контекст–интерпретация–оценка состояния–воздействие», учитывающая дисциплинарную специфику, динамику траектории и сочетания событий. Результаты. Выявлены пять групп образовательных событий, требующих различной интерпретации в зависимости от структуры дисциплины. Установлено, что универсальная логика «событие–вмешательство» порождает значительное число ложноположительных сигналов при анализе низкой активности в системах управления обучением и повторных попыток. Применение модели сокращает количество ложных сигналов и снижает когнитивную нагрузку на преподавателя. Практическая значимость. Модель применима при проектировании систем управления обучением, аналитических панелей и систем поддержки принятия решений.
Ключевые слова:
интерпретация образовательных событий, адаптивное управление, аналитика обучения, дисциплинарный контекст, поддержка принятия решений
Библиографические ссылки:
СПИСОК ЛИТЕРАТУРЫ/REFERENCES
1. Bergdahl N., Bond M., Sjöberg J., Dougherty M., Oxley E. Unpacking student engagement in higher education learning analytics: a systematic review. International Journal of Educational Technology in Higher Education, 2024, vol. 21, no. 1, art. 63. DOI: 10.1186/s41239-024-00493-y EDN: JJPDMM
2. He S., Bulut O., Cui Y., Wongvorachan T. Uncovering dimensions of learning management system event logs: insights from exploratory factor analysis, psychometric network analysis, and consensus hierarchical clustering. Chinese/English Journal of Educational Measurement and Evaluation, 2025, vol. 6, no. 1, art. 7. DOI: 10.59863/fzrn7818 EDN: TGMURN
3. Kennedy J., Gabriel F., Korolkiewicz M., Rets I., Rienties B. Editorial: actionable learning analytics in education: an opportunity to close the learning loop. Frontiers in Education, 2025, vol. 10. DOI: https://doi.org/10.3389/feduc.2025.1571177
4. Sailer M., Ninaus M., Huber S.E., Bauer E., Greiff S. The end is the beginning is the end: the closed-loop learning analytics framework. Computers in Human Behavior, 2024, vol. 158, art. 108305. DOI: 10.1016/j.chb.2024.108305 EDN: DXBUTG
5. Cicchinelli A., Veas E.E., Pardo A., Pammer-Schindler V., Fessl A., Barreiros C., Lindstaedt S. Finding traces of self-regulated learning in activity streams. The 8th International Conference on Learning Analytics and Knowledge (LAK 2018). 2018,
pp. 191–200. DOI:10.1145/3170358.3170381
6. Saqr M., López-Pernas S., Tikka S., Wolfgang M., Spitzer H. Early warning signals appear long before dropping out: an idiographic approach grounded in complex dynamic systems theory. Proceedings of the LAK26: 16th International Learning Analytics and Knowledge Conference, 2026, pp. 216–226. DOI: https://doi.org/10.48550/arXiv.2602.00021
7. Gupta A., Garg D., Kumar P. Mining sequential learning trajectories with hidden Markov models for early prediction of at-risk students in e-learning environments. IEEE Transactions on Learning Technologies, 2022, vol. 15, no. 6, pp. 783–797. DOI: 10.1109/tlt.2022.3197486 EDN: VLQFPT
8. Alalawi K. Athauda R., Chiong R., Renner I. Evaluating the student performance prediction and action framework through a learning analytics intervention study. Education and Information Technologies, 2025, vol. 30, pp. 2887–2916. DOI: https://doi.org/10.1007/s10639-024-12923-5
9. Park E., Ifenthaler D., Clariana R.B. Adaptive or adapted to: sequence and reflexive thematic analysis to understand learners' self-regulated learning in an adaptive learning analytics dashboard. British Journal of Educational Technology, 2023, vol. 54, no. 1, pp. 98–125. DOI: 10.1111/bjet.13287 EDN: AGBYQK
10. Zhidkikh D., Saarela M., Kärkkäinen T. Measuring self-regulated learning in a junior high school mathematics classroom: combining aptitude and event measures in digital learning materials. Journal of Computer Assisted Learning, 2023, vol. 39, no. 6, pp. 1834–1851. DOI: 10.1111/jcal.12842 EDN: DWUJHS
11. Chen Z., Xu M., Garrido G., Guthrie M.W. Relationship between students' online learning behavior and course performance: what contextual information matters? Physical Review Physics Education Research, 2020, vol. 16, no 1, art. 010138. DOI: 10.1103/physrevphyseducres.16.010138 EDN: OLYUXK
12. Dziuban C.H., Howlin C., Moskal P., Johnson C., Eid M., Kmetz B. Adaptive learning: context and complexity. E-mentor, 2018, vol. 5, no. 77, pp. 13–23. DOI: https://doi.org/10.15219/em77.1384
13. Hlosta M., Zdrahal Z., Zendulka J. Ouroboros: early identification of at-risk students without models based on legacy data. Proceedings of the Seventh International Learning Analytics & Knowledge Conference, 2017, pp. 6–15. DOI: 10.1145/3027385.3027449
14. Pozdniakov S., Martinez-Maldonado R., Tsai Yi.Sh., Echeverria V., Swiecki Z., Gašević D. Investigating the effect of visualization literacy and guidance on teachers' dashboard interpretation. Journal of Learning Analytics, 2025, vol. 12, no. 1, pp. 367–390. DOI: 10.18608/jla.2024.8471 EDN: EKDEUM
15. Liu Y., Pozdniakov S., Martinez-Maldonado R. The effects of visualisation literacy and data storytelling dashboards on teachers' cognitive load. Australasian Journal of Educational Technology, 2024, vol. 40, no. 1, pp. 78–93. DOI: https://doi.org/10.14742/ajet.8988
16. Lee-Cultura S., Sharma K., Giannakos M. N. Multimodal teacher dashboards: Challenges and opportunities of enhancing teacher insights through a case study. IEEE Transactions on Learning Technologies, 2024, vol. 17, pp. 181–201. DOI: 10.1109/TLT.2023.3276848
17. Amarasinghe I., Vujovic M., Hernández Leo D. Towards teacher orchestration load-aware teacher-facing dashboards. CEUR Workshop Proceedings, 2020, vol. 2610, pp. 7–10.
18. Rienties B., Boroowa A., Cross S., Kubiak C., Mayles K., Murphy S. Analytics4action evaluation framework: a review of evidence-based learning analytics interventions at the open university UK. Journal of Interactive Media in Education, 2016, no. 1, art. 2. DOI: https://doi.org/10.5334/JIME.394
19. Glahn C., Specht M., Koper R. Smart indicators to support the learning interaction cycle. International Journal of Continuing Engineering Education and Lifelong Learning, 2008, vol. 10, no. 1, pp. 1–20. DOI: 10.1504/IJCEELL.2008.016078
20. Takii K., Liang Ch., Ogata H. Information as interpretation: measuring learning behavior for knowledge insight. IEEE Access, 2025, pp. 124197–124210. DOI: 10.1109/access.2025.3583311 EDN: EQZMSY
21. López-Zambrano J., Lara J.A., Romero C. Improving the portability of predicting students' performance models by using ontologies. Journal of Computing in Higher Education, 2021, vol. 34, pp. 1–19. DOI: https://doi.org/10.1007/s12528-021-09273-3
22. Paneque M., del Mar Roldán-García M., García-Nieto J. e-LION: data integration semantic model to enhance predictive analytics in e-Learning. Expert Systems with Applications, 2023, vol. 213, art. 118892. DOI: 10.1016/j.eswa.2022.118892 EDN: FAGYJY
23. Saqr M., López-Pernas S. The longitudinal trajectories of online engagement over a full program. Computers & Education, 2021, vol. 175, art. 104325. DOI: 10.1016/j.compedu.2021.104325 EDN: VZPGBM
24. Saqr M., López-Pernas S. The dire cost of early disengagement: a four-year learning analytics study over a full program. Technology-Enhanced Learning for a Free, Safe, and Sustainable World. Eds. T. de Laet, R. Klemke, C. Alario-Hoyos, I. Hilliger, A. Ortega-Arranz. Cham: Springer, 2021. Vol. 12884, pp. 122–136. DOI: https://doi.org/10.1007/978-3-030-86436-1_10
25. Pernas A.M., De Oliveira J.P.M. Enabling situation-aware behavior in web-based learning systems. 30th International Conference of the Chilean Computer Science Society. Curico, Chile, 2011. pp. 153–160. DOI: 10.1109/SCCC.2011.21
26. Cisel M. Digital dashboards for summative assessment and indicators misinterpretation: a case study. Canadian Journal of Education / Revue canadienne de l education, 2024, vol. 47, no. 1, pp. 86–112. DOI: https://doi.org/10.53967/cje-rce.5269
