Learning Analytics и Power BI для преподавателя: что говорят ваши данные курса
Научитесь анализировать данные курса с помощью Power BI, выявлять риски отсева и принимать педагогические решения для повышения качества обучения.
Рассрочка платежа — 0%
Актуальность программы
Learning Analytics и Power BI позволяют преподавателям анализировать данные курса, выявлять проблемы и повышать эффективность обучения.
Цели программы
Сформировать навыки работы с данными LMS, создания интерактивных отчетов в Power BI и принятия педагогических решений на основе аналитики.
Задачи программы
Освоить сбор и обработку данных, визуализацию в Power BI, прогнозирование рисков отсева и разработку дашбордов для мониторинга курса.
Целевая аудитория
Преподаватели вузов, методисты, администраторы LMS, желающие использовать данные для оптимизации образовательного процесса.
Ожидаемые результаты
Навыки анализа данных LMS, создания дашбордов, выявления рисков и принятия решений для повышения успеваемости и вовлеченности.
Кто может поступить
Лица со средним профессиональным или высшим образованием. Индивидуальная траектория согласовывается с куратором на старте обучения.
Содержание программы
Ниже приведена структура модулей на 102 академических часа, адаптированная для анализа данных курса с использованием Power BI.
1. Основы педагогической аналитики (Learning Analytics) — 10 ч
- 1.1. Определение и цели LA: связь с повышением качества обучения и управления курсами
- 1.2. LA в контексте LMS и электронного обучения: соответствие ФГОС и стандартам
- 1.3. Цикл работы с данными: сбор, обработка, анализ, принятие решений
- 1.4. Ключевые метрики (KPI): вовлеченность, успеваемость, завершаемость
- 1.5. Этические и правовые аспекты использования данных студентов
2. Источники и типы данных в LMS (Moodle/LMS) — 10 ч
- 2.1. Изучение структуры логов LMS: clickstream data, event logs, типы событий
- 2.2. Извлечение данных об успеваемости: журнал оценок, результаты тестов
- 2.3. Данные об активности: время пребывания, посещения, скачивание материалов
- 2.4. Социальные данные: активность на форумах, частота и тональность
- 2.5. Практикум: выгрузка данных из LMS в формат CSV/Excel
3. Подготовка данных к анализу (ETL-процессы) — 10 ч
- 3.1. Обзор принципов ETL (Extract, Transform, Load) и Power Query
- 3.2. Практикум: очистка данных: пропуски, дубликаты, стандартизация
- 3.3. Трансформация данных: создание новых столбцов
- 3.4. Агрегация и слияние данных: объединение логов и таблиц
- 3.5. Форматирование данных для Power BI: требования к структуре
4. Введение в Power BI Desktop — 10 ч
- 4.1. Обзор интерфейса Power BI: области Report, Data, Model
- 4.2. Подключение к источникам данных: Excel, CSV, веб-сервисы
- 4.3. Базовые функции Power Query: изменение типов, разбиение столбцов
- 4.4. Создание первого отчета: карточки, таблицы, круговые диаграммы
- 4.5. Сохранение, обновление и управление файлами Power BI (.pbix)
5. Создание модели данных (DAX basics) — 10 ч
- 5.1. Понятие модели данных: иерархии, таблицы фактов и измерений
- 5.2. Создание связей: настройка фильтров и активности связей
- 5.3. Введение в DAX: синтаксис, контекст строки и фильтра
- 5.4. Создание вычисляемых столбцов для сегментации студентов
- 5.5. Создание мер: расчет средней оценки, % посещаемости
6. Визуализация данных успеваемости — 12 ч
- 6.1. Принципы эффективной визуализации: выбор графиков, читаемость
- 6.2. Визуализация распределения оценок: гистограммы, боксплоты
- 6.3. Отслеживание прогресса: линейные и area-графики
- 6.4. Создание матрицы успеваемости с условным форматированием
- 6.5. Визуализация успеваемости по трекам: сравнение групп
7. Анализ активности студентов и паттернов поведения — 12 ч
- 7.1. Анализ времени обучения: отчеты по дням и часам активности
- 7.2. Визуализация маршрутов студентов по курсу
- 7.3. Отчет о вовлеченности: частота входа, глубина просмотра
- 7.4. Анализ работы с контентом: просмотры и скачивания
- 7.5. Сравнительный анализ активности: нормированные метрики
8. Прогнозирование рисков и раннее предупреждение — 8 ч
- 8.1. Идентификация факторов риска: низкая активность, пропуски
- 8.2. Создание условных мер в DAX для определения рисков
- 8.3. Визуализация рисков: карточки, индикаторы KPI
- 8.4. Разработка системы раннего предупреждения
- 8.5. Формирование списка студентов для точечной поддержки
9. Создание интерактивных отчетов (Dashboards) — 10 ч
- 9.1. Принципы создания дашбордов: UX/UI, лаконичность
- 9.2. Настройка интерактивности: фильтры, синхронизация
- 9.3. Создание детализированных страниц для анализа студента
- 9.4. Оптимизация отчета для мобильных устройств
- 9.5. Брендирование отчета: цветовая схема, логотипы
10. Публикация, безопасность и применение результатов LA — 10 ч
- 10.1. Публикация отчета в Power BI Service: настройка обновления
- 10.2. Управление доступом и безопасностью (Row-Level Security)
- 10.3. Интерпретация данных: перевод в педагогические решения
- 10.4. Практикум: план корректирующих действий на основе дашборда
- 10.5. Презентация аналитических результатов руководству
